1.ES分词简介
Elasticsearch是基于倒排索引来实现搜索功能，而倒排索引的基础就是分词。因此分词对于学习Elasticsearch是绕不过去的。Elasticsearch默认的分词器支持英文的分词，因为分词很简单，基本基于空格就可以分出来，而汉语的分词则困难很多。ik作为一种比较简单实用的分词器，被广泛应用在各种基于Elasticsearch的开发应用中。
2.Elasticsearch默认分词器
我在上一篇文章中介绍过Elasticsearch的安装和使用，这篇文章我们使用Kibina作为工具来操作es，可以使用es的_analyze来分析分词器的分词结果。
ES默认的分词器为英文分词器，对英文句子能做到比较好的分词，我们看一个例子。当输入以下请求时，对"What's your name"句子进行分词，能看到将几个词都分了出来。
请求：
POST _analyze
{
"tokenizer": "standard",
"text": "What's your name"
}
返回结果：
{
"tokens" : [
{
"token" : "What's",
"start_offset" : 0,
"end_offset" : 6,
"type" : "<ALPHANUM>",
"position" : 0
},
{
"token" : "your",
"start_offset" : 7,
"end_offset" : 11,
"type" : "<ALPHANUM>",
"position" : 1
},
{
"token" : "name",
"start_offset" : 12,
"end_offset" : 16,
"type" : "<ALPHANUM>",
"position" : 2
}
]
}
再来看一个中文的例子，当输入中文"你叫什么名字"时，可以看到标准分词器将句子分成了一个一个的字，这显然在我们实际使用的过程中是没办法接受的。
请求：
POST _analyze
{
"tokenizer": "standard",
"text": "你叫什么名字"
}
返回结果:
{
"tokens" : [
{
"token" : "你",
"start_offset" : 0,
"end_offset" : 1,
"type" : "<IDEOGRAPHIC>",
"position" : 0
},
{
"token" : "叫",
"start_offset" : 1,
"end_offset" : 2,
"type" : "<IDEOGRAPHIC>",
"position" : 1
},
{
"token" : "什",
"start_offset" : 2,
"end_offset" : 3,
"type" : "<IDEOGRAPHIC>",
"position" : 2
},
{
"token" : "么",
"start_offset" : 3,
"end_offset" : 4,
"type" : "<IDEOGRAPHIC>",
"position" : 3
},
{
"token" : "名",
"start_offset" : 4,
"end_offset" : 5,
"type" : "<IDEOGRAPHIC>",
"position" : 4
},
{
"token" : "字",
"start_offset" : 5,
"end_offset" : 6,
"type" : "<IDEOGRAPHIC>",
"position" : 5
}
]
}
3. IK分词器
由于英文句子都是使用空格进行分隔，因此在分词比较明确，但是中文由于语言特性，分词比较难分，也容易产生分词歧义，如果自己开发分词器，成本会比较大，所以一般在使用过程中都会用一些分词器，比较著名的有Jieba分词器，hanlp等，我们这里介绍一个es的插件分词器，ik分词器。可以从github下载分词器的压缩包。
下载地址: https://github.com/medcl/elasticsearch-analysis-ik 。
在es的plugins目录下创建一个ik的目录，把解压后的文件放到ik目录下，然后重启Elasticsearch。
这时，我们把之前的分词器换成ik_smart，再来看效果。可以看到用ik_smart已经能够将中文进行分词。
请求：
POST _analyze
{
"tokenizer": "ik_smart",
"text": "你叫什么名字"
}
返回结果:
{
"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，还有一个ik_max_wrod分词器。
- ik_smart会将文本做比较粗粒度的切分。比如对中华人民共和国进行分词，会认为这就是一个词，结果就是一个中华人民共和国。
- 而ik_max_word则对文本做比较细粒度的切分，会出现各种长度的词。如果同样对中华人民共和国进行分词，会分出很多的词。
请求：
POST _analyze
{
"tokenizer": "ik_max_word",
"text": "你叫什么名字"
}
返回结果：
{
"tokens" : [
{
"token" : "中华人民共和国",
"start_offset" : 0,
"end_offset" : 7,
"type" : "CN_WORD",
"position" : 0
},
{
"token" : "中华人民",
"start_offset" : 0,
"end_offset" : 4,
"type" : "CN_WORD",
"position" : 1
},
{
"token" : "中华",
"start_offset" : 0,
"end_offset" : 2,
"type" : "CN_WORD",
"position" : 2
},
{
"token" : "华人",
"start_offset" : 1,
"end_offset" : 3,
"type" : "CN_WORD",
"position" : 3
},
{
"token" : "人民共和国",
"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" : "共和国",
"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" : "国",
"start_offset" : 6,
"end_offset" : 7,
"type" : "CN_CHAR",
"position" : 8
}
]
}
这两种分词器在应对具体的场景时，需要选择合适的分词器进行使用。
4. ik_smart和ik_max_word配合使用
一般情况下，为了提高搜索的效果，需要这两种分词器配合使用。既索引时用ik_max_word尽可能多的分词，而搜索时用ik_smart尽可能提高匹配准度，让用户的搜索尽可能的准确。比如一个常见的场景，就是搜索"进口红酒"的时候，尽可能的不要出现口红相关商品或者让口红不要排在前面。
我们首先在Elasticsearch内创建一个叫goods的索引，其中名字的分词器用的是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
}
}
}
然后我们通过POST请求，往里面添加一些数据。
POST /goods/goods
{
"id":"1",
"name":"美丽粉色口红明星"
}
POST /goods/goods
{
"id":"2",
"name":"好喝的进口红酒"
}
POST /goods/goods
{
"id":"3",
"name":"进口红酒真好喝"
}
最后，在查询的时候，我们指定查询分词器为ik_smart。
GET /goods/goods/_search
{
"query":{
"match": {
"name": {
"query": "进口红酒",
"analyzer": "ik_smart"
}
}
}
}
可以看到两条进口红酒相关的记录被搜了出来，但是口红没有被搜出来.
{
"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" : "进口红酒真好喝"
}
},
{
"_index" : "goods",
"_type" : "goods",
"_id" : "ctLk1WoBvRMfJWIKX_O6",
"_score" : 0.36464313,
"_source" : {
"id" : "2",
"name" : "好喝的进口红酒"
}
}
]
}
}
5.总结
分词器是Elasticsearch中很重要的一部分，网上也有很多开源的分词器，对于一般的应用这些开源分词器也许足够用了，但是在某些特定的场景下，可能需要对分词器做一些优化，甚至需要自研一些分词器。
