龙空技术网

ElasticSearch中的中文分词器以及索引基本操作详解

江南一点雨 1866

前言:

目前小伙伴们对“中文分词器设计”大概比较关怀,咱们都想要剖析一些“中文分词器设计”的相关知识。那么小编同时在网络上网罗了一些关于“中文分词器设计””的相关资讯,希望姐妹们能喜欢,同学们一起来了解一下吧!

本文是松哥所录视频教程的一个笔记,笔记简明扼要,完整内容小伙伴们可以参考视频,视频下载链接: 提取码: kzv7

1.ElasticSearch 分词器介绍1.1 内置分词器

ElasticSearch 核心功能就是数据检索,首先通过索引将文档写入 es。查询分析则主要分为两个步骤:

词条化:分词器将输入的文本转为一个一个的词条流。过滤:比如停用词过滤器会从词条中去除不相干的词条(的,嗯,啊,呢);另外还有同义词过滤器、小写过滤器等。

ElasticSearch 中内置了多种分词器可以供使用。

内置分词器:

分词器 作用 Standard Analyzer 标准分词器,适用于英语等。 Simple Analyzer 简单分词器,基于非字母字符进行分词,单词会被转为小写字母。 Whitespace Analyzer 空格分词器。按照空格进行切分。 Stop Analyzer 类似于简单分词器,但是增加了停用词的功能。 Keyword Analyzer 关键词分词器,输入文本等于输出文本。 Pattern Analyzer 利用正则表达式对文本进行切分,支持停用词。 Language Analyzer 针对特定语言的分词器。 Fingerprint Analyzer 指纹分析仪分词器,通过创建标记进行重复检测。

1.2 中文分词器

在 Es 中,使用较多的中文分词器是 elasticsearch-analysis-ik,这个是 es 的一个第三方插件,代码托管在 GitHub 上:

1.2.1 安装

两种使用方式:

第一种:

首先打开分词器官网:。在 页面找到最新的正式版,下载下来。我们这里的下载链接是 。将下载文件解压。在 es/plugins 目录下,新建 ik 目录,并将解压后的所有文件拷贝到 ik 目录下。重启 es 服务。

第二种:

./bin/elasticsearch-plugin install 
1.2.2 测试

es 重启成功后,首先创建一个名为 test 的索引:

接下来,在该索引中进行分词测试:

1.2.3 自定义扩展词库1.2.3.1 本地自定义

在 es/plugins/ik/config 目录下,新建 ext.dic 文件(文件名任意),在该文件中可以配置自定义的词库。

如果有多个词,换行写入新词即可。

然后在 es/plugins/ik/config/IKAnalyzer.cfg.xml 中配置扩展词典的位置:

1.2.3.2 远程词库

也可以配置远程词库,远程词库支持热更新(不用重启 es 就可以生效)。

热更新只需要提供一个接口,接口返回扩展词即可。

具体使用方式如下,新建一个 Spring Boot 项目,引入 Web 依赖即可。然后在 resources/stastic 目录下新建 ext.dic 文件,写入扩展词:

接下来,在 es/plugins/ik/config/IKAnalyzer.cfg.xml 文件中配置远程扩展词接口:

配置完成后,重启 es ,即可生效。

热更新,主要是响应头的 Last-Modified 或者 ETag 字段发生变化,ik 就会自动重新加载远程扩展辞典。

视频笔记,在公众号江南一点雨后台回复 elasticsearch04 获取下载链接。

2. ElasticSearch 索引管理

微信公众号江南一点雨后台回复 elasticsearch05 下载本笔记。

启动一个 master 节点和两个 slave 节点进行测试(参考第二集的视频搭建)。

2.1 新建索引2.1.1 通过 head 插件新建索引

在 head 插件中,选择 索引选项卡,然后点击新建索引。新建索引时,需要填入索引名称、分片数以及副本数。

索引创建成功后,如下图:

0、1、2、3、4 分别表示索引的分片,粗框表示主分片,细框表示副本(点一下框,通过 primary 属性可以查看是主分片还是副本)。.kibana 索引只有一个分片和一个副本,所以只有 0。

2.1.2 通过请求创建

可以通过 postman 发送请求,也可以通过 kibana 发送请求,由于 kibana 有提示,所以这里采用 kibana。

创建索引请求:

PUT book

创建成功后,可以查看索引信息:

需要注意两点:

索引名称不能有大写字母索引名是唯一的,不能重复,重复创建会出错2.2 更新索引

索引创建好之后,可以修改其属性。

例如修改索引的副本数:

PUT book/_settings{  "number_of_replicas": 2}

修改成功后,如下:

更新分片数也是一样。

2.3 修改索引的读写权限

索引创建成功后,可以向索引中写入文档:

PUT book/_doc/1{  "title":"三国演义"}

写入成功后,可以在 head 插件中查看:

默认情况下,索引是具备读写权限的,当然这个读写权限可以关闭。

例如,关闭索引的写权限:

PUT book/_settings{  "blocks.write": true}

关闭之后,就无法添加文档了。关闭了写权限之后,如果想要再次打开,方式如下:

PUT book/_settings{  "blocks.write": false}

其他类似的权限有:

blocks.writeblocks.readblocks.read_only2.4 查看索引

head 插件查看方式如下:

请求查看方式如下:

GET book/_settings

也可以同时查看多个索引信息:

GET book,test/_settings

也可以查看所有索引信息:

GET _all/_settings
2.5 删除索引

head 插件可以删除索引:

请求删除如下:

DELETE test

删除一个不存在的索引会报错。

5.6 索引打开/关闭

关闭索引:

POST book/_close

打开索引:

POST book/_open

当然,可以同时关闭/打开多个索引,多个索引用 , 隔开,或者直接使用 _all 代表所有索引。

2.7 复制索引

索引复制,只会复制数据,不会复制索引配置。

POST _reindex{  "source": {"index":"book"},  "dest": {"index":"book_new"}}

复制的时候,可以添加查询条件。

2.8 索引别名

可以为索引创建别名,如果这个别名是唯一的,该别名可以代替索引名称。

POST /_aliases{  "actions": [    {      "add": {        "index": "book",        "alias": "book_alias"      }    }  ]}

添加结果如下:

将 add 改为 remove 就表示移除别名:

POST /_aliases{  "actions": [    {      "remove": {        "index": "book",        "alias": "book_alias"      }    }  ]}

查看某一个索引的别名:

GET /book/_alias

查看某一个别名对应的索引(book_alias 表示一个别名):

GET /book_alias/_alias

可以查看集群上所有可用别名:

GET /_alias

最后,松哥还搜集了 50+ 个项目需求文档,想做个项目练练手的小伙伴不妨看看哦~

需求文档地址:

标签: #中文分词器设计