国产xxxx99真实实拍_久久不雅视频_高清韩国a级特黄毛片_嗯老师别我我受不了了小说

資訊專欄INFORMATION COLUMN

Elasticsearch中ik分詞器的使用

crossea / 1043人閱讀

摘要：比如對中華人民共和國進(jìn)行分詞，會認(rèn)為這就是一個詞，結(jié)果就是一個中華人民共和國。和配合使用一般情況下，為了提高搜索的效果，需要這兩種分詞器配合使用。我們首先在內(nèi)創(chuàng)建一個叫的索引，其中名字的分詞器用的是。

1.Elasticsearch默認(rèn)分詞器

? ? ? ? 我在之前的文章中介紹過 Elasticsearch的安裝和使用，這里我們使用Kibina作為工具來操作es，可以使用es的_analyze來分析分詞器的分詞結(jié)果。

? ? ? ? ES默認(rèn)的分詞器為英文分詞器，對英文句子能做到比較好的分詞，我們看一個例子。當(dāng)輸入以下請求時，對"What"s your name"句子進(jìn)行分詞，能看到將幾個詞都分了出來。

POST _analyze
{
  "tokenizer": "standard",
  "text": "What"s your name"
}? ? ? ??

{
  "tokens" : [
    {
      "token" : "What"s",
      "start_offset" : 0,
      "end_offset" : 6,
      "type" : "",
      "position" : 0
    },
    {
      "token" : "your",
      "start_offset" : 7,
      "end_offset" : 11,
      "type" : "",
      "position" : 1
    },
    {
      "token" : "name",
      "start_offset" : 12,
      "end_offset" : 16,
      "type" : "",
      "position" : 2
    }
  ]
}

? ? ? ? 當(dāng)輸入中文"你叫什么名字"時，可以看到標(biāo)準(zhǔn)分詞器將句子分成了一個一個的字，這顯然在我們實際使用的過程中是沒辦法接受的。

POST _analyze
{
  "tokenizer": "standard",
  "text": "你叫什么名字"
}

{
  "tokens" : [
    {
      "token" : "你",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "",
      "position" : 0
    },
    {
      "token" : "叫",
      "start_offset" : 1,
      "end_offset" : 2,
      "type" : "",
      "position" : 1
    },
    {
      "token" : "什",
      "start_offset" : 2,
      "end_offset" : 3,
      "type" : "",
      "position" : 2
    },
    {
      "token" : "么",
      "start_offset" : 3,
      "end_offset" : 4,
      "type" : "",
      "position" : 3
    },
    {
      "token" : "名",
      "start_offset" : 4,
      "end_offset" : 5,
      "type" : "",
      "position" : 4
    },
    {
      "token" : "字",
      "start_offset" : 5,
      "end_offset" : 6,
      "type" : "",
      "position" : 5
    }
  ]
}

2. IK分詞器

? ? ? ? 由于英文句子都是使用空{(diào) "tokens" : [ { "token" : "你", "start_offset" : 0, "end_offset" : 1, "type" : "CN_CHAR", "position" : 0 }, { "token" : "叫什么", "start_offset" : 1, "end_offset" : 4, "type" : "CN_WORD", "position" : 1 }, { "token" : "名字", "start_offset" : 4, "end_offset" : 6, "type" : "CN_WORD", "position" : 2 } ] } 格進(jìn)行分隔，因此在分詞比較明確，但是中文由于語言特性，分詞比較難分，也容易產(chǎn)生分詞歧義，如果自己開發(fā)分詞器，成本會比較大，所以一般在使用過程中都會用一些分詞器，比較著名的有Jieba分詞器，hanlp等，我們這里介紹一個es的插件分詞器，ik分詞器。可以從github下載分詞器的壓縮包，下載地址:?github.com/medcl/elast…?，在es的plugins目錄下創(chuàng)建一個ik的目錄，把解壓后的文件放到ik目錄下，然后重啟Elasticsearch。

? ? ? ? 這時，我們把之前的分詞器換成ik_smart，再來看效果?？梢钥吹接胕k_smart已經(jīng)能夠?qū)⒅形倪M(jìn)行分詞。

POST _analyze
{
  "tokenizer": "ik_smart",
  "text": "你叫什么名字"
}

{
  "tokens" : [
    {
      "token" : "你",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "CN_CHAR",
      "position" : 0
    },
    {
      "token" : "叫什么",
      "start_offset" : 1,
      "end_offset" : 4,
      "type" : "CN_WORD",
      "position" : 1
    },
    {
      "token" : "名字",
      "start_offset" : 4,
      "end_offset" : 6,
      "type" : "CN_WORD",
      "position" : 2
    }
  ]
}

? ? ? ? 除了ik_smart之外，還有一個ik_max_wrod分詞器。

ik_smart會將文本做比較粗粒度的切分。比如對中華人民共和國進(jìn)行分詞，會認(rèn)為這就是一個詞，結(jié)果就是一個中華人民共和國。

而ik_max_word則對文本做比較細(xì)粒度的切分，會出現(xiàn)各種長度的詞。如果同樣對中華人民共和國進(jìn)行分詞，會分出很多的詞。

{
  "tokens" : [
    {
      "token" : "中華人民共和國",
      "start_offset" : 0,
      "end_offset" : 7,
      "type" : "CN_WORD",
      "position" : 0
    },
    {
      "token" : "中華人民",
      "start_offset" : 0,
      "end_offset" : 4,
      "type" : "CN_WORD",
      "position" : 1
    },
    {
      "token" : "中華",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "CN_WORD",
      "position" : 2
    },
    {
      "token" : "華人",
      "start_offset" : 1,
      "end_offset" : 3,
      "type" : "CN_WORD",
      "position" : 3
    },
    {
      "token" : "人民共和國",
      "start_offset" : 2,
      "end_offset" : 7,
      "type" : "CN_WORD",
      "position" : 4
    },
    {
      "token" : "人民",
      "start_offset" : 2,
      "end_offset" : 4,
      "type" : "CN_WORD",
      "position" : 5
    },
    {
      "token" : "共和國",
      "start_offset" : 4,
      "end_offset" : 7,
      "type" : "CN_WORD",
      "position" : 6
    },
    {
      "token" : "共和",
      "start_offset" : 4,
      "end_offset" : 6,
      "type" : "CN_WORD",
      "position" : 7
    },
    {
      "token" : "國",
      "start_offset" : 6,
      "end_offset" : 7,
      "type" : "CN_CHAR",
      "position" : 8
    }
  ]
}

? ? ? ? 這兩種分詞器在應(yīng)對具體的場景時，需要選擇合適的分詞器進(jìn)行使用。

3. ik_smart和ik_max_word配合使用

? ? ? ?一般情況下，為了提高搜索的效果，需要這兩種分詞器配合使用。既索引時用ik_max_word盡可能多的分詞，而搜索時用ik_smart盡可能提高匹配準(zhǔn)度，讓用戶的搜索盡可能的準(zhǔn)確。比如一個常見的場景，就是搜索"進(jìn)口紅酒"的時候，盡可能的不要出現(xiàn)口紅相關(guān)商品或者讓口紅不要排在前面。

? ? ? ? 我們首先在Elasticsearch內(nèi)創(chuàng)建一個叫g(shù)oods的索引，其中名字的分詞器用的是ik_max_word。

PUT /goods
{
  "mappings":{
	"goods": {
		"properties": {
			"id": {
				"type": "keyword"
			},
			"name": {
				"analyzer": "ik_max_word",
				"type": "text"
			}
		}
	  }
  },
  "settings":{
            "index": {
                "refresh_interval": "1s",
                "number_of_shards": 5,
                "max_result_window": "10000000",
                "mapper": {
                    "dynamic": "false"
                },
                "number_of_replicas": 0
            }
  }
}

? ? ? ? ?然后我們通過POST請求，往里面添加一些數(shù)據(jù)。

POST /goods/goods
{
  "id":"1",
  "name":"美麗粉色口紅明星"
}

POST /goods/goods
{
  "id":"2",
  "name":"好喝的進(jìn)口紅酒"
}

POST /goods/goods
{
  "id":"3",
  "name":"進(jìn)口紅酒真好喝"
}

? ? ? ? 最后，在查詢的時候，我們指定查詢分詞器為ik_smart。

GET /goods/goods/_search
{
  "query":{
    "match": {
      "name": {
        "query": "進(jìn)口紅酒",
        "analyzer": "ik_smart"
      }
    
    }
  }
}

? ? ? ? 可以看到兩條進(jìn)口紅酒相關(guān)的記錄被搜了出來，但是口紅沒有被搜出來

{
  "took" : 28,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : 2,
    "max_score" : 0.36464313,
    "hits" : [
      {
        "_index" : "goods",
        "_type" : "goods",
        "_id" : "cdLk1WoBvRMfJWIKVfOP",
        "_score" : 0.36464313,
        "_source" : {
          "id" : "3",
          "name" : "進(jìn)口紅酒真好喝"
        }
      },
      {
        "_index" : "goods",
        "_type" : "goods",
        "_id" : "ctLk1WoBvRMfJWIKX_O6",
        "_score" : 0.36464313,
        "_source" : {
          "id" : "2",
          "name" : "好喝的進(jìn)口紅酒"
        }
      }
    ]
  }
}

4. 總結(jié)

? ? ? ? 分詞器是Elasticsearch中很重要的一部分，網(wǎng)上也有很多開源的分詞器，對于一般的應(yīng)用這些開源分詞器也許足夠用了，但是在某些特定的場景下，可能需要對分詞器做一些優(yōu)化，甚至需要自研一些分詞器。


文章版權(quán)歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。

轉(zhuǎn)載請注明本文地址：http://specialneedsforspecialkids.com/yun/7320.html

相關(guān)文章

發(fā)表評論

0條評論

最新活動
閱讀需要支付1元查看
<