ElasticSearch中的中文分词详解

1、什么是分词：

        分词就是指将一个文本转化成一系列单词的过程，也叫文本分析，在Elasticsearch中称之为Analysis。 举例：我是好学生 --> 我/是/好学生

2、分词API

2.1、指定分词器进行分词

POST http://127.0.0.1:9200/_analyze
 
# 请求数据
{
    "analyzer": "standard",
    "text": "hello world"
}
 
# 响应数据
{
    "tokens": [
        {
            "token": "hello",
            "start_offset": 0,
            "end_offset": 5,
            "type": "",
            "position": 0
        },
        {
            "token": "world",
            "start_offset": 6,
            "end_offset": 11,
            "type": "",
            "position": 1
        }
    ]
}

2.2、指定索引分词

数据库中数据：

POST http://127.0.0.1:9200/study/_analyze
 
# 请求数据
{
    "analyzer": "standard",
    "field": "hobby",
    "text": "看电影"
}
 
# 响应数据
{
    "tokens": [
        {
            "token": "看",
            "start_offset": 0,
            "end_offset": 1,
            "type": "",
            "position": 0
        },
        {
            "token": "电",
            "start_offset": 1,
            "end_offset": 2,
            "type": "",
            "position": 1
        },
        {
            "token": "影",
            "start_offset": 2,
            "end_offset": 3,
            "type": "",
            "position": 2
        }
    ]
}

2.3、中文分词

        英语以空格作为分隔符，中文分词没有明显的词汇分界点，如果分隔不正确就会造成歧义。

如： 我/爱/炖排骨           我/爱/炖/排骨

常用中文分词器，IK、jieba、THULAC等。

        IK Analyzer是一个开源的，基于java语言开发的轻量级的中文分词工具包。IK采用了特有的“正向迭代最细粒度切分算法“，具有80万字/秒的高速处理能力，采用了多子处理器分析模式，支持：英文字母（IP地址、Email、URL）、数字（日期，常用中文数量词，罗马数字，科学计数法），中文词汇 （姓名、地名处理）等分词处理。 优化的词典存储，更小的内存占用。

IK分词器 Elasticsearch插件地址：GitHub - medcl/elasticsearch-analysis-ik: The IK Analysis plugin integrates Lucene IK analyzer into elasticsearch, support customized dictionary.

 IK中文分词器的安装方法：

注意：IK分词器插件要与ES版本保持一致：Releases · medcl/elasticsearch-analysis-ik · GitHub

 然后重新启动elasticsearch程序服务。

 此时安装完成IK中文分词器后，再次重新分词上面代码中的数据：

POST http://127.0.0.1:9200/_analyze
 
# 请求数据
{
    "analyzer": "ik_max_word",
    "text": "我是好学生"
}
 
# 响应数据
{
    "tokens": [
        {
            "token": "我",
            "start_offset": 0,
            "end_offset": 1,
            "type": "CN_CHAR",
            "position": 0
        },
        {
            "token": "是",
            "start_offset": 1,
            "end_offset": 2,
            "type": "CN_CHAR",
            "position": 1
        },
        {
            "token": "好学生",
            "start_offset": 2,
            "end_offset": 5,
            "type": "CN_WORD",
            "position": 2
        },
        {
            "token": "好学",
            "start_offset": 2,
            "end_offset": 4,
            "type": "CN_WORD",
            "position": 3
        },
        {
            "token": "学生",
            "start_offset": 3,
            "end_offset": 5,
            "type": "CN_WORD",
            "position": 4
        }
    ]
}

通过上面测试结果可以看出，对中文进行了较好的分词。

参考博文：

【elasticsearch系列】windows安装IK分词器插件_溪~源的博客-CSDN博客_ik插件