IK簡介
IK Analyzer是一個開源的,基于java語言開發的輕量級的中文分詞工具包。從2006年12月推出1.0版開始, IKAnalyzer已經推出了4個大版本。最初,它是以開源項目Luence為應用主體的,結合詞典分詞和文法分析算法的中文分詞元件。從3.0版本開 始,IK發展為面向Java的公用分詞元件,獨立于Lucene項目,同時提供了對Lucene的預設優化實作。在2012版本中,IK實作了簡單的分詞 歧義排除算法,标志着IK分詞器從單純的詞典分詞向模拟語義分詞衍化。
IK Analyzer 2012特性:
- 采用了特有的“正向疊代最細粒度切分算法“,支援細粒度和智能分詞兩種切分模式;
- 在系統環境:Core2 i7 3.4G雙核,4G記憶體,window 7 64位, Sun JDK 1.6_29 64位 普通pc環境測試,IK2012具有160萬字/秒(3000KB/S)的高速處理能力。
- 2012版本的智能分詞模式支援簡單的分詞排歧義處理和數量詞合并輸出。
- 采用了多子處理器分析模式,支援:英文字母、數字、中文詞彙等分詞處理,相容韓文、日文字元
- 優化的詞典存儲,更小的記憶體占用。支援使用者詞典擴充定義。特别的,在2012版本,詞典支援中文,英文,數字混合詞語。
安裝
- 編譯打包
# 克隆遠端庫到本地
$ git clone https://github.com/medcl/elasticsearch-analysis-ik
$ cd elasticsearch-analysis-ik
# 檢視tag清單
$ git tag
# 檢出與elasticsearch版本相比對的版本
$ git checkout tags/{version}
# 打包
$ mvn clean
$ mvn compile
$ mvn package
- 手動安裝
# 解壓到plugins/ik目錄
$ unzip target/releases/elasticsearch-analysis-ik-{version}.zip ES_HOME/plugins/ik
注意:
- ES_HOME為ES對應安裝目錄
- version為選擇的ik版本号
- 重新開機elasticsearch
備注:
- ik_max_word: 會将文本做最細粒度的拆分,比如會将“中華人民共和國國歌”拆分為“中華人民共和國,中華人民,中華,華人,人民共和國,人民,人,民,共和國,共和,和,國國,國歌”,會窮盡各種可能的組合;
- ik_smart: 會做最粗粒度的拆分,比如會将“中華人民共和國國歌”拆分為“中華人民共和國,國歌”。
測試案例
- 建立索引
curl -XPUT http://localhost:/index
- 建立mapping
curl -XPOST http://localhost:/index/fulltext/_mapping -d'
{
"fulltext": {
"_all": {
"analyzer": "ik_max_word",
"search_analyzer": "ik_max_word",
"term_vector": "no",
"store": "false"
},
"properties": {
"content": {
"type": "string",
"store": "no",
"term_vector": "with_positions_offsets",
"analyzer": "ik_max_word",
"search_analyzer": "ik_max_word",
"include_in_all": "true",
"boost": 8
}
}
}
}'
- 插入測試資料
curl -XPOST http://localhost:/index/fulltext/ -d'
{"content":"美國留給伊拉克的是個爛攤子嗎"}
'
curl -XPOST http://localhost:/index/fulltext/ -d'
{"content":"公安部:各地校車将享最高路權"}
'
curl -XPOST http://localhost:/index/fulltext/ -d'
{"content":"中韓漁警沖突調查:韓警平均每天扣1艘中國漁船"}
'
curl -XPOST http://localhost:/index/fulltext/ -d'
{"content":"中國駐洛杉矶領事館遭亞裔男子槍擊 嫌犯已自首"}
'
- 查詢并高亮關鍵詞
curl -XPOST http://localhost:/index/fulltext/_search -d'
{
"query" : { "term" : { "content" : "中國" }},
"highlight" : {
"pre_tags" : ["<tag1>", "<tag2>"],
"post_tags" : ["</tag1>", "</tag2>"],
"fields" : {
"content" : {}
}
}
}
'
傳回結果
{
"took": ,
"timed_out": false,
"_shards": {
"total": ,
"successful": ,
"failed":
},
"hits": {
"total": ,
"max_score": ,
"hits": [
{
"_index": "index",
"_type": "fulltext",
"_id": "4",
"_score": ,
"_source": {
"content": "中國駐洛杉矶領事館遭亞裔男子槍擊 嫌犯已自首"
},
"highlight": {
"content": [
"<tag1>中國</tag1>駐洛杉矶領事館遭亞裔男子槍擊 嫌犯已自首 "
]
}
},
{
"_index": "index",
"_type": "fulltext",
"_id": "3",
"_score": ,
"_source": {
"content": "中韓漁警沖突調查:韓警平均每天扣1艘中國漁船"
},
"highlight": {
"content": [
"均每天扣1艘<tag1>中國</tag1>漁船 "
]
}
}
]
}
}
IK配置說明
plugins/elasticsearch-analysis-ik-*/config/ik/IKAnalyzer.cfg.xml
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
<comment>IK Analyzer 擴充配置</comment>
<!--使用者可以在這裡配置自己的擴充字典 -->
<entry key="ext_dict">custom/mydict.dic;custom/single_word_low_freq.dic</entry>
<!--使用者可以在這裡配置自己的擴充停止詞字典-->
<entry key="ext_stopwords">custom/ext_stopword.dic</entry>
<!--使用者可以在這裡配置遠端擴充字典 -->
<entry key="remote_ext_dict">location</entry>
<!--使用者可以在這裡配置遠端擴充停止詞字典-->
<entry key="remote_ext_stopwords">http://xxx.com/xxx.dic</entry>
</properties>
熱更新 IK 分詞使用方法
目前該插件支援熱更新 IK 分詞,通過上文在 IK 配置檔案中提到的如下配置
<!--使用者可以在這裡配置遠端擴充字典 -->
<entry key="remote_ext_dict">location</entry>
<!--使用者可以在這裡配置遠端擴充停止詞字典-->
<entry key="remote_ext_stopwords">location</entry>
其中
location
是指一個 url,比如
http://yoursite.com/getCustomDict
,該請求隻需滿足以下兩點即可完成分詞熱更新。
- 該 http 請求需要傳回兩個頭部(header),一個是
,一個是Last-Modified
,這兩者都是字元串類型,隻要有一個發生變化,該插件就會去抓取新的分詞進而更新詞庫。ETag
- 該 http 請求傳回的内容格式是一行一個分詞,換行符用
即可。\n
滿足上面兩點要求就可以實作熱更新分詞了,不需要重新開機 ES 執行個體。
可以将需自動更新的熱詞放在一個 UTF-8 編碼的 .txt 檔案裡,放在 nginx 或其他簡易 http server 下,當 .txt 檔案修改時,http server 會在用戶端請求該檔案時自動傳回相應的 Last-Modified 和 ETag。可以另外做一個工具來從業務系統提取相關詞彙,并更新這個 .txt 檔案。
常見問題
-
自定義詞典為什麼沒有生效?
請確定你的擴充詞典的文本格式為 UTF8 編碼
- 設定elasticsearch預設分詞為ik:在
檔案最後一行中增加ES_HOME/config/elasticsearch.yml
即可。index.analysis.analyzer.default.type: ik
- 分詞測試失敗 請在某個索引下調用analyze接口測試,而不是直接調用analyze接口 如:http://localhost:9200/your_index/_analyze?text=中華人民共和國MN&tokenizer=my_ik