Elasticsearch Word Segmentation

本文涉及的产品
检索分析服务 Elasticsearch 版,2核4GB开发者规格 1个月
简介: 对于倒排索引来说,很重要的一件事情就是需要对文本进行分词,经过分词可以获取情感、词性、质性、词频等等的数据。

> 对于倒排索引来说,很重要的一件事情就是需要对文本进行分词,经过分词可以获取情感、词性、质性、词频等等的数据。


#### Elasticsearch 分词工作原理

在 Elasticsearch 中进行行分词的需要经过分析器的3个模块,字符过滤器将文本进行替换或者删除,在由分词器进行拆分成单词,最后由Token过滤器将一些无用语气助词删掉。

image.jpeg


#### 英文分词

在Elasticsearch 中共支持5种不同的分词模式,在不同的场景下发挥不同的效果。


##### standard (过滤标点符号)

GET/_analyze{
"analyzer": "standard",
"text": "The programmer's holiday is 1024!"}

image.jpeg

##### simple (过滤数字和标点符号)

GET/_analyze{
"analyzer": "simple",
"text": "The programmer's holiday is 1024!"}

image.jpeg

##### whitespace (不过滤,按照空格分隔)

GET/_analyze{
"analyzer": "whitespace",
"text": "The programmer's holiday is 1024!"}

image.jpeg

##### stop (过滤停顿单词及标点符号,例如is are等等)

GET/_analyze{
"analyzer": "stop",
"text": "The programmer's holiday is 1024!"}

image.jpeg

##### keyword (视为一个整体不进行任何处理)

GET /_analyze

{
"analyzer": "keyword",
"text": "The programmer's holiday is 1024!"}

image.jpeg


#### 中文分词

因为 Elasticsearch 默认的分词器只能按照单字进行拆分,无法具体分析其语意等,所以我们使用 analysis-icu 来代替默认的分词器。

GET/_analyze{
"analyzer": "icu_analyzer",
"text": "南京市长江大桥"}

image.jpeg


通过命令``./bin/elasticsearch-plugin install analysis-icu``进行安装

image.jpeg


GET/_analyze{
"analyzer": "icu_analyzer",
"text": "南京市长江大桥"}

image.jpeg


##### 其他的中文分词器

支持中文分词和词性标注功能

elasticsearch-thulac-plugin

https://github.com/microbun/elasticsearch-thulac-plugin


支持热更新分词字典及自定义词库

elasticsearch-analysis-ik

https://github.com/medcl/elasticsearch-analysis-ik


wget https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.9.2/elasticsearch-analysis-ik-7.9.2.zip

mkdir analysis-ik

unzip -d  analysis-ik elasticsearch-analysis-ik-7.9.2.zip


##### 分词实验

# 先删除原先数据,避免影响实验DELETEicuDELETEik
# 建立 ICU 的 IndexPUTicu{
"settings" : {
"number_of_shards" : 1,
"number_of_replicas": 1  },
"mappings" : {
"properties" : {
"description" : { 
"type" : "text",
"analyzer": "icu_analyzer",
"search_analyzer": "icu_analyzer"      }
    }
  }
}

 

# 建立 IK 的 IndexPUTik{
"settings" : {
"number_of_shards" : 1,
"number_of_replicas": 1  },
"mappings" : {
"properties" : {
"description" : { 
"type" : "text",
"analyzer": "ik_max_word",
"search_analyzer": "ik_smart"      }
    }
  }
}


# 批量接口提交测试数据POST_bulk{ "index": {"_index":"ik" }}
{"description":"CHINKIANG VINEGAR·GOLD PLUM··12PC·金梅鎮江醋"}
{ "index": {"_index":"ik" }}
{"description":"5YEAR MATUREVINEGAR·SHUITA··24PC·山西五年老陳醋"}
{ "index": {"_index":"ik" }}
{"description":"RED VINEGAR·KOON CHUN··12PC·冠珍大紅浙醋"}
{ "index": {"_index":"ik" }}
{"description":"VINEGAR SEASONING·FUJI··5.28GAL·富士白醋"}
{ "index": {"_index":"ik" }}
{"description":"WHITE VINEGAR·FOUR IN ONE··4PC·四合醋"}
{ "index": {"_index":"ik" }}
{"description":"WHITE VINEGAR·HEAVENLY CHEF··4PC·天廚白醋"}
{ "index": {"_index":"ik" }}
{"description":"CHINKIANG VINEGAR··'24414·24PC·恒順鎮江醋"}
{ "index": {"_index":"ik" }}
{"description":"3YEAR MATUREVINEGAR·SHUITA··24PC·山西三年老陳醋"}
{ "index": {"_index":"ik" }}
{"description":"RICE VINEGAR·KONG YEN·'23709·4PC·工研白醋"}
{ "index": {"_index":"ik" }}
{"description":"CHINKIANG VINEGAR··'24421·24PC·金山鎮江醋"}
{ "index": {"_index":"ik" }}
{"description":"WHITE VINEGAR·CHAMPION··4PC·醋"}
{ "index": {"_index":"ik" }}
{"description":"BLACK VINEGAR·KONG YEN·'23707·4PC·工研烏醋"}
{ "index": {"_index":"ik" }}
{"description":"WHITE VINEGAR·GOLDEN STATE·<50GR>·4PC·醋"}
{ "index": {"_index":"ik" }}
{"description":"WHITE VINEGAR·ACCLAIM··4PC·醋"}
{ "index": {"_index":"ik" }}
{"description":"WHITE VINEGAR·GOLDEN STATE·<100GR>·4PC·醋"}
{ "index": {"_index":"ik" }}
{"description":"RICE VINEGAR·KONG YEN··24PCX10OZ·工研米醋"}
{ "index": {"_index":"ik" }}
{"description":"WHITE VINEGAR·ACCLAIM··12PCX32OZ·醋"}



POSTicu/_search{
"query" : { 
"match" : { 
"description" : "老陳醋"    }
  }
}

image.jpeg

POSTik/_search{
"query" : { 
"match" : { 
"description" : "老陳醋"    }
  }

}

image.jpeg




GET/_analyze{
"analyzer": "icu_analyzer",
"text": "老陳醋"}

image.jpeg


GET/_analyze{
"analyzer": "ik_smart",
"text": "老陳醋"}

image.jpeg


相关实践学习
使用阿里云Elasticsearch体验信息检索加速
通过创建登录阿里云Elasticsearch集群,使用DataWorks将MySQL数据同步至Elasticsearch,体验多条件检索效果,简单展示数据同步和信息检索加速的过程和操作。
ElasticSearch 入门精讲
ElasticSearch是一个开源的、基于Lucene的、分布式、高扩展、高实时的搜索与数据分析引擎。根据DB-Engines的排名显示,Elasticsearch是最受欢迎的企业搜索引擎,其次是Apache Solr(也是基于Lucene)。 ElasticSearch的实现原理主要分为以下几个步骤: 用户将数据提交到Elastic Search 数据库中 通过分词控制器去将对应的语句分词,将其权重和分词结果一并存入数据 当用户搜索数据时候,再根据权重将结果排名、打分 将返回结果呈现给用户 Elasticsearch可以用于搜索各种文档。它提供可扩展的搜索,具有接近实时的搜索,并支持多租户。
目录
相关文章
|
Java 索引
SpringBoot2.3.x整合ElasticSearch7.6.2 实现PDF,WORD全文检索
本文使用SpringBoot2.3.x + ElasticSearch7.6.2 实现对PDF,WORD进行全文检索 实现了对文件内容快速搜索
1104 0
SpringBoot2.3.x整合ElasticSearch7.6.2 实现PDF,WORD全文检索
|
JSON 自然语言处理 数据可视化
如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?
如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?
如何用Elasticsearch实现Word、PDF,TXT文件的全文内容检索?
|
19天前
|
Java Maven 开发工具
【ElasticSearch 】IK 分词器安装
【ElasticSearch 】IK 分词器安装
33 1
|
19天前
|
数据可视化 索引
elasticsearch head、kibana 安装和使用
elasticsearch head、kibana 安装和使用
|
19天前
|
存储 负载均衡 索引
linux7安装elasticsearch-7.4.0集群配置
linux7安装elasticsearch-7.4.0集群配置
118 0
|
19天前
|
Java Windows
windows下 安装 Elasticsearch报错warning: usage of JAVA_HOME is deprecated, use ES_JAVA_HOME
windows下 安装 Elasticsearch报错warning: usage of JAVA_HOME is deprecated, use ES_JAVA_HOME
71 0
|
19天前
|
搜索推荐 Java 大数据
ElasticSearch安装
ElasticSearch安装
|
19天前
|
JSON Unix Linux
Elasticsearch如何安装
Elasticsearch如何安装
|
19天前
|
存储 数据可视化 数据挖掘
【ElasticSearch】ElasticSearch安装
【ElasticSearch】ElasticSearch安装
31 2
|
19天前
|
安全 Linux 测试技术
在CentOS上安装Elasticsearch和Kibana
在CentOS上安装Elasticsearch和Kibana
32 0