博客

Elasticsearch中，内置了很多分词器（analyzers），例如standard （标准分词器）、english （英文分词）和chinese （中文分词）。其中standard 就是无脑的一个一个词（汉字）切分，所以适用范围广，但是精准度低；english 对英文更加智能，可以识别单数负数，大小写，过滤stopwords（例如“the”这个词）等；chinese 效果很差;

1、elasticsearch官方默认的分词插件，对中文分词效果不理想。例如：

# curl ‘http://172.16.32.69:9200/_analyze?pretty=true’ -d ‘{“text”:”这里是好记性不如烂笔头感叹号的博客园”}’

{
  "tokens" : [
    {
      "token" : "这",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "<IDEOGRAPHIC>",
      "position" : 0
    },
    {
      "token" : "里",
      "start_offset" : 1,
      "end_offset" : 2,
      "type" : "<IDEOGRAPHIC>",
      "position" : 1
    },
    {
      "token" : "是",
      "start_offset" : 2,
      "end_offset" : 3,
      "type" : "<IDEOGRAPHIC>",
      "position" : 2
    }
    ........
  ]
}

总结

如果直接使用Elasticsearch在处理中文内容的搜索时，

中文词语被分成了一个一个的汉字，

这是因为使用了Elasticsearch中默认的标准分词器，这个分词器在处理中文的时候会把中文单词切分成一个一个的汉字，因此引入es之中文的分词器插件es-ik就能解决这个问题。

为何使用IK分词器？

比如“西红柿”，按默认的标准分词器搜索“西西”、“西天”等都能出现西红柿的结果，此时对于电商而言搜索效果不理想，而按IK分词器搜索“西西”、“西天”等搜索结果为空

如何集成IK分词工具

第一步：下载es的IK插件:

https://github.com/medcl/elasticsearch-analysis-ik/releases

（

选择对应的版本，IK版本与ES版本一致，建议直接    下载编译后的zip包；若是下载源码包，则需要自己编码打包mvn clean package生成zip包

）如图：

第二步：将下载的zip包(或自己编译后的包)拷贝至ES_HOME/plugins/ik(ps:ik目录没有的话自己新建一个就好)，然后使用unzip命令解压

第四步：测试分词效果：

#curl ‘http://172.16.32.48:9200/_analyze?analyzer=ik_max_word&pretty=true’ -d ‘{“text”:”这里是好记性不如烂笔头感叹号的博客们”}’

出现以下情况，说明IK分词器安装生效。

{
  "tokens" : [
    {
      "token" : "这里是",
      "start_offset" : 0,
      "end_offset" : 3,
      "type" : "CN_WORD",
      "position" : 0
    },
    {
      "token" : "这里",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "CN_WORD",
      "position" : 1
    },
    {
      "token" : "里",
      "start_offset" : 1,
      "end_offset" : 2,
      "type" : "CN_WORD",
      "position" : 2
    },
    {
      "token" : "好记",
      "start_offset" : 3,
      "end_offset" : 5,
      "type" : "CN_WORD",
      "position" : 3
    },
    {
      "token" : "记性",
      "start_offset" : 4,
      "end_offset" : 6,
      "type" : "CN_WORD",
      "position" : 4
    }
    ........
  ]
}

IK分词器使用

首先确保IK插件安装成功（安装文档：

http://blog.csdn.net/wwd0501/article/details/78258274

），然后在创建mapping时，设置IK分词器，设置analyzer和search_analyzer；在java api搜索中将不用再关注IK分词器的事情，原有代码可以不做任何修改。例：

1.create a index

curl -XPUT http://localhost:9200/class

2.create a mapping

curl -XPOST http://localhost:9200/class/student/_mapping -d'
{
    "student": {
        "properties": {
            "name": {
                "type": "text",
                "analyzer": "ik_max_word",
                "search_analyzer": "ik_smart"
            },
            "age": {
                "type": "long"
            }
        }
    }
}'

3.index some docs

curl -XPOST http://localhost:9200/class/student/1 -d'
{"name":"菠菜","age":"10"}
'

curl -XPOST http://localhost:9200/class/student/2 -d'
{"name":"芹菜","age":"65"}'

curl -XPOST http://localhost:9200/class/student/3 -d'
{"name":"大萝卜 大菠菜","age":"89"}
'

4.query

curl -XPOST http://localhost:9200/class/student/_search  -d'
{
    "query" : { "match" : { "name" : "芹菜" } }
}
'

Result

{

	"took":  3,
	"timed_out":  false,
	"_shards":  {
		"total":  5,
		"successful":  5,
		"failed":  0
	},
	"hits":  {
		"total":  1,
		"max_score":  0.25316024,
		"hits":  [{
			"_index":   "class",
			"_type":   "student",
			"_id":   "1",
			"_score":  0.25316024,
			"_source":  {
				"name":   "芹菜",
				"age":   "10"
			}
		}]
	}
}

注意：

ik_max_word:

会将文本做最细粒度的拆分，比如会将“中华人民共和国国歌”拆分为“中华人民共和国,中华人民,中华,华人,人民共和国,人民,人,民,共和国,共和,和,国国,国歌”，会穷尽各种可能的组合；

ik_smart:

会做最粗粒度的拆分，比如会将“中华人民共和国国歌”拆分为“中华人民共和国,国歌”。

其中我们在做索引的时候，希望能将所有的句子切分的更详细，以便更好的搜索，所以ik_max_word更多的用在做索引的时候，但是在搜索的时候，对于用户所输入的query(查询)词，我们可能更希望得比较准确的结果，例如，我们搜索“无花果”的时候，更希望是作为一个词进行查询，而不是切分为”无”，“花”，“果”三个词进行结果的召回，因此ik_smart更加常用语对于输入词的分析