elasticsearch安装和使用ik分词器

欢迎访问我的GitHub

这里分类和汇总了欣宸的全部原创(含配套源码)：https://github.com/zq2599/blog_demos

• 在使用elasticsearch的时候，如果不额外安装分词器的话，在处理text字段时会使用elasticsearch自带的默认分词器，我们来一起看看默认分词器的效果；

环境信息

• 本次实战用到的elasticsearch版本是6.5.0，安装在Ubuntu 16.04.5 LTS，客户端工具是postman6.6.1；
• 如果您需要搭建elasticsearch环境，请参考《Linux环境快速搭建elasticsearch6.5.4集群和Head插件》；
• Ubuntu服务器上安装的JDK，版本是1.8.0_191；
• Ubuntu服务器上安装了maven，版本是是3.5.0；

elasticsearch为什么要用6.5.0版本

• 截止发布文章时间，elasticsearch官网已经提供了6.5.4版本下载，但是ik分词器的版本目前支持到6.5.0版本，因此本次实战的elasticsearch选择了6.5.0版本；

基本情况介绍

• 本次实战的elasticsearch环境已经搭建完毕，是由两个机器搭建的集群，并且elasticsearch-head也搭建完成：

1. 一号机器，IP地址：192.168.150.128；
2. 二号机器：IP地址：192.168.150.128；
3. elasticsearch-head安装在一号机器，访问地址：http://192.168.150.128:9100

数据格式说明

• 为了便于和读者沟通，我们来约定一下如何在文章中表达请求和响应的信息：

• 假设通过Postman工具向服务器发送一个PUT类型的请求，地址是：http://192.168.150.128:9200/test001/article/1

• 请求的内容是JSON格式的，内容如下：

{
	"id":1,
	"title":"标题a",
	"posttime":"2019-01-12",
	"content":"一起来熟悉文档相关的操作"
}

• 对于上面的请求，我在文章中就以如下格式描述：

PUT test001/article/1

{
	"id":1,
	"title":"标题a",
	"posttime":"2019-01-12",
	"content":"一起来熟悉文档相关的操作"
}

• 读者您看到上述内容，就可以在postman中发起PUT请求，地址是"test001/article/1"前面加上您的服务器地址，内容是上面的JSON；

默认分词器的效果

• 先来看看默认的分词效果：
• 创建一个索引：

PUT test002

• 查看索引基本情况：

GET test002/_settings

• 收到响应如下，可见并没有分词器的信息：

{
    "test002": {
        "settings": {
            "index": {
                "creation_date": "1547863084175",
                "number_of_shards": "5",
                "number_of_replicas": "1",
                "uuid": "izLzdwCQRdeq01tNBxajEg",
                "version": {
                    "created": "6050499"
                },
                "provided_name": "test002"
            }
        }
    }
}

• 查看分词效果：

POST test002/_analyze?pretty=true

{"text":"我们是软件工程师"}

• 收到响应如下，可见每个汉字都被拆分成一个词了，这样会导致词项搜索时收不到我们想要的(例如用"我们"来搜索是没有结果的)：

{
    "tokens": [
        {
            "token": "我",
            "start_offset": 0,
            "end_offset": 1,
            "type": "<IDEOGRAPHIC>",
            "position": 0
        },
        {
            "token": "们",
            "start_offset": 1,
            "end_offset": 2,
            "type": "<IDEOGRAPHIC>",
            "position": 1
        },
        {
            "token": "是",
            "start_offset": 2,
            "end_offset": 3,
            "type": "<IDEOGRAPHIC>",
            "position": 2
        },
        {
            "token": "软",
            "start_offset": 3,
            "end_offset": 4,
            "type": "<IDEOGRAPHIC>",
            "position": 3
        },
        {
            "token": "件",
            "start_offset": 4,
            "end_offset": 5,
            "type": "<IDEOGRAPHIC>",
            "position": 4
        },
        {
            "token": "工",
            "start_offset": 5,
            "end_offset": 6,
            "type": "<IDEOGRAPHIC>",
            "position": 5
        },
        {
            "token": "程",
            "start_offset": 6,
            "end_offset": 7,
            "type": "<IDEOGRAPHIC>",
            "position": 6
        },
        {
            "token": "师",
            "start_offset": 7,
            "end_offset": 8,
            "type": "<IDEOGRAPHIC>",
            "position": 7
        }
    ]
}

• 为了词项搜索能得到我们想要的结果，需要换一个分词器，理想的分词效果应该是"我们"、“是”、“软件”、“工程师”，ik分词器可以满足我们的要求，接下来开始实战；

注意事项

• 下面的所有操作都使用es账号来进行，不要用root账号；
• 编译ik分词器需要用到maven，如果您有docker，但是不想安装maven，可以参考《没有JDK和Maven，用Docker也能构建Maven工程》来编译工程；

下载IK分词器源码到Ubuntu

• 登录ik分词器网站：https://github.com/medcl/elasticsearch-analysis-ik

• 按照网站提供的版本对应表，确认我们要使用的分词器版本，很遗憾写文章的时候还没有匹配elasticsearch-6.5.0的版本，那就用master吧，也就是下图中的红框版本：
  

• 如下图，点击下载zip文件：
  

• 将下载的zip包放到Ubuntu机器上，解压后是个名为elasticsearch-analysis-ik-master的文件夹，在此文件夹下执行以下命令，即可开始构建ik分词器工程：

mvn clean package -U -DskipTests

• 等待编译完成后，在target/release目录下会生产名为elasticsearch-analysis-ik-6.5.0.zip的文件，如下所示：

$ pwd
/usr/local/work/es/elasticsearch-analysis-ik-master
$ cd target/
$ ls
archive-tmp  elasticsearch-analysis-ik-6.5.0.jar          generated-sources  maven-status
classes      elasticsearch-analysis-ik-6.5.0-sources.jar  maven-archiver     releases
$ cd releases/
$ ls
elasticsearch-analysis-ik-6.5.0.zip

• 停止集群中所有机器的elasticsearch进程，在所有机器上做这些操作：在elasticsearch的plugins目录下创建名为ik的目录，再将上面生成的elasticsearch-analysis-ik-6.5.0.zip文件复制到这个新创建的ik目录下；

• 在elasticsearch-analysis-ik-6.5.0.zip所在文件夹下，执行目录unzip elasticsearch-analysis-ik-6.5.0.zip进行解压；

• 确认elasticsearch-analysis-ik-6.5.0.zip已经复制到每个elasticsearch的plugins/ik目录下并解压后，将所有elasticsearch启动，可以发现控制台上会输出ik分词器被加载的信息，如下图所示：
  

• 至此，ik分词器安装完成，来验证一下吧；

验证ik分词器

• 在postman发起请求，在json中通过tokenizer指定分词器：

POST test002/_analyze?pretty=true

{
"text":"我们是软件工程师",
"tokenizer":"ik_max_word"
}

• 这一次得到了分词的效果：

{
    "tokens": [
        {
            "token": "我们",
            "start_offset": 0,
            "end_offset": 2,
            "type": "CN_WORD",
            "position": 0
        },
        {
            "token": "是",
            "start_offset": 2,
            "end_offset": 3,
            "type": "CN_CHAR",
            "position": 1
        },
        {
            "token": "软件工程",
            "start_offset": 3,
            "end_offset": 7,
            "type": "CN_WORD",
            "position": 2
        },
        {
            "token": "软件",
            "start_offset": 3,
            "end_offset": 5,
            "type": "CN_WORD",
            "position": 3
        },
        {
            "token": "工程师",
            "start_offset": 5,
            "end_offset": 8,
            "type": "CN_WORD",
            "position": 4
        },
        {
            "token": "工程",
            "start_offset": 5,
            "end_offset": 7,
            "type": "CN_WORD",
            "position": 5
        },
        {
            "token": "师",
            "start_offset": 7,
            "end_offset": 8,
            "type": "CN_CHAR",
            "position": 6
        }
    ]
}

• 可见所有可能形成的词语都被分了出来，接下试试ik分词器的另一种分词方式ik_smart；
• 使用ik_smart方式分词的请求如下：

POST test002/_analyze?pretty=true

{
"text":"我们是软件工程师",
"tokenizer":"ik_smart"
}

• 这一次得到了分词的效果：

{
    "tokens": [
        {
            "token": "我们",
            "start_offset": 0,
            "end_offset": 2,
            "type": "CN_WORD",
            "position": 0
        },
        {
            "token": "是",
            "start_offset": 2,
            "end_offset": 3,
            "type": "CN_CHAR",
            "position": 1
        },
        {
            "token": "软件",
            "start_offset": 3,
            "end_offset": 5,
            "type": "CN_WORD",
            "position": 2
        },
        {
            "token": "工程师",
            "start_offset": 5,
            "end_offset": 8,
            "type": "CN_WORD",
            "position": 3
        }
    ]
}

• 可见ik_smart的特点是将原句做拆分，不会因为各种组合出现部分的重复，以下是来自官方的解释：

ik_max_word 和 ik_smart 什么区别?
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”。

验证搜索

• 前面通过http请求验证了分词效果，现在通过搜索来验证分词效果；
• 通过静态mapping的方式创建索引，指定了分词器和分词方式：

PUT test003

{
  "mappings": {
    "article": {
      "dynamic": false,
      "properties": {
        "title": {
          "type": "keyword"
        },
       "content": {
                "type": "text",
                "analyzer": "ik_max_word",
                "search_analyzer": "ik_max_word"
            }
      }
    }
  }
}

• 创建成功会收到以下响应：

{
    "acknowledged": true,
    "shards_acknowledged": true,
    "index": "test003"
}

• 创建一个文档：

PUT test003/article/1

{
  "id":1,
  "title":"文章一",
  "content":"我们是软件工程师"
}

• 用工程师作为关键词查询试试：

GET test003/_search

{
	"query":{
		"term":{"content":"工程师"}
	}
}

• 搜索成功：

{
    "took": 111,
    "timed_out": false,
    "_shards": {
        "total": 5,
        "successful": 5,
        "skipped": 0,
        "failed": 0
    },
    "hits": {
        "total": 1,
        "max_score": 0.2876821,
        "hits": [
            {
                "_index": "test003",
                "_type": "article",
                "_id": "1",
                "_score": 0.2876821,
                "_source": {
                    "id": 1,
                    "title": "文章一",
                    "content": "我们是软件工程师"
                }
            }
        ]
    }
}

• 至此，ik分词器的安装和使用实战就完成了，希望本文能在您的使用过程中提供一些参考；

欢迎关注华为云博客：程序员欣宸

学习路上，你不孤单，欣宸原创一路相伴…