本文所使用的ES集群环境可在历史文章中获取，采用docker部署的方式。
Elasticsearch 是一个功能强大的搜索引擎，广泛用于构建复杂的全文搜索应用程序。在许多情况下，为了提高搜索引擎的性能和精度，我们可以使用外部词库来定制和扩展 Elasticsearch 的文本处理和搜索功能。本文将介绍外部词库的用途、优势以及如何在 Elasticsearch 中使用它们。
为什么需要外部词库？
Elasticsearch 默认提供了一套强大的文本处理工具，包括分词、标记过滤、同义词处理等。然而，在某些情况下，我们需要更多的控制权来适应特定的用例和需求。外部词库允许我们：
- 自定义分词器：通过使用外部词库，您可以创建自定义分词器，以根据特定需求定义文本分割规则。这对于处理不同语言或行业的文本非常有用。
- 扩展停用词列表：停用词（如
and、the等）通常被排除在搜索索引之外。外部词库允许您将领域特定的停用词添加到索引中，以便更好地适应我们行业内的数据。 - 同义词处理：创建同义词词库可确保相关词汇在搜索时被正确映射，提高搜索结果的准确性。
- 专业术语：对于特定领域或行业，我们可以通过创建外部词库，以包含特定领域的专业术语，确保搜索引擎能够理解和处理这些术语。
使用外部词库的优势
使用外部词库有以下优势：
- 提高搜索质量：通过自定义分词和停用词，可以确保搜索引擎更好地理解和处理文本，提高搜索质量。
- 适应特定需求：外部词库允许根据特定用例和领域需求对搜索引擎进行定制，以满足工作要求。
- 更好的用户体验：通过包含专业术语和扩展的同义词映射，用户能够更轻松地找到他们需要的内容。
如何在 Elasticsearch 中使用外部词库
在 Elasticsearch 中使用外部词库通常涉及以下步骤：
- 创建外部词库文件：首先，我们需要准备一个外部词库文件，其中包含自定义的词汇、同义词或停用词列表。
- 将词库上传到 Elasticsearch：上传词库文件到 Elasticsearch
- 配置索引：将外部词库与索引相关联，以确保 Elasticsearch 在索引文档时使用这些词汇。
- 搜索优化：根据需要在搜索查询中应用外部词库，以扩展或定制搜索行为。
示例：使用自定义词库分词
本文在 IK 分词器的基础上增加自定义分词，并配置本地词库文件，远程热更新词库文件。
本地词库
- 首先在启动的
ES中对醉鱼两个字进行分词，IK默认分为两个汉字
GET _analyze { "analyzer": "ik_max_word", "text": ["醉鱼"] }
- 结果如下
{ "tokens" : [ { "token" : "醉", "start_offset" : 0, "end_offset" : 1, "type" : "CN_CHAR", "position" : 0 }, { "token" : "鱼", "start_offset" : 1, "end_offset" : 2, "type" : "CN_CHAR", "position" : 1 } ] }
- 而我们的需求是让其能分为一次词语，而不是两个汉字，那么下面引入我们的自定义分词文件
- 在
ES的plugins/ik/config目录下创建自定义词库文件zuiyu.dic，文件内容如下，格式为一个词语为一行。
醉鱼
- 修改
IK的配置，支持自定义分词文件 ，修改plugins/ik/config目录下的IKAnalyzer.cfg.xml，修改其中<entry key="ext_dict"></entry>的值，为本地文件路径，配置为相对路径，直接填写上一步创建的zuiyu.dic，结果如下<entry key="ext_dict">zuiyu.dic</entry>
<?xml version="1.0" encoding="UTF-8"?> <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd"> <properties> <comment>IK Analyzer 扩展配置</comment> <!--用户可以在这里配置自己的扩展字典 --> <entry key="ext_dict">zuiyu.dic</entry> <!--用户可以在这里配置自己的扩展停止词字典--> <entry key="ext_stopwords"></entry> <!--用户可以在这里配置远程扩展字典 --> <!--<entry key="remote_ext_dict"></entry>--> <!--用户可以在这里配置远程扩展停止词字典--> <!-- <entry key="remote_ext_stopwords">words_location</entry> --> </properties>
- 如果是启动的
ES集群，需要复制当前两个文件到所有的集群中
1、当前集群有三个节点，其中都配置本地词库文件，但是
node1，node2中都没有增加醉鱼这词语，只有node3有，此时使用分词是无法达到预期效果的。2、
node1中配置正常的<entry key="ext_dict">zuiyu.dic</entry>，zuiyu.dic中也包含醉鱼这个词语。node2，node3都不配置ext_dict，此时当前这个环境是可以进行正确分词，达到预期的结果的。
- 重启
ES - 测试分词效果，使用同样的分词语句
GET _analyze { "analyzer": "ik_max_word", "text": ["醉鱼"] }
- 结果如下
{ "tokens" : [ { "token" : "醉鱼", "start_offset" : 0, "end_offset" : 2, "type" : "CN_WORD", "position" : 0 } ] }
- 一般来说，词语肯定不是固定的，随着工作的长期积累，不断地发现新的专业术语，那么热更新，动态更新词库，不在每次更新词库之后重启
ES就是非常有必要的了，下面来看一下热更新词库。
远程词库（热更新）
热更新词库的区别就是IKAnalyzer.cfg.xml文件中的一个配置的问题。不过核心还是需要一个词库文件，刚才是通过路径访问的，但是无法热更新，所以现在需要改为URL访问，也就是 HTTP 请求可以读取到的形式。一个词语一行返回即可。
此处使用 Nginx 来做演示。Nginx 中的配置如下
nginx.conf
location /dic/zuiyu.dic { alias html/dic/zuiyu.dic; }
zuiyu.dic文件内容如下
醉鱼
IKAnalyzer.cfg.xml配置修改如下,IP为部署的Nginx的IP，端口也是根据自己Nginx监听的端口修改
<entry key="remote_ext_dict">http://192.168.30.240:8088/dic/zuiyu.dic</entry>
- 完整的配置如下
<?xml version="1.0" encoding="UTF-8"?> <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd"> <properties> <comment>IK Analyzer 扩展配置</comment> <!--用户可以在这里配置自己的扩展字典 --> <entry key="ext_dict">zuiyu.dic</entry> <!--用户可以在这里配置自己的扩展停止词字典--> <entry key="ext_stopwords"></entry> <!--用户可以在这里配置远程扩展字典 --> <entry key="remote_ext_dict">http://192.168.30.240:8088/dic/zuiyu.dic</entry> <!--用户可以在这里配置远程扩展停止词字典--> <!-- <entry key="remote_ext_stopwords">words_location</entry> --> </properties>
- 验证
URL访问结果，使用浏览器或者postman等工具访问http://192.168.30.240:8088/dic/zuiyu.dic可以返回我们的文件内容即可，也是一个词语一行的形式。 - 复制
IKAnalyzer.cfg.xml到集群的每个节点中 - 重启
ES - 测试对
醉鱼分词，可以看到与上面本地词库时是同样的效果
{ "tokens" : [ { "token" : "醉鱼", "start_offset" : 0, "end_offset" : 2, "type" : "CN_WORD", "position" : 0 } ] }
- 测试对
我爱你醉鱼进行分词
GET _analyze { "analyzer": "ik_max_word", "text": ["我爱你醉鱼"] }
- 结果如下
{ "tokens" : [ { "token" : "我爱你", "start_offset" : 0, "end_offset" : 3, "type" : "CN_WORD", "position" : 0 }, { "token" : "爱你", "start_offset" : 1, "end_offset" : 3, "type" : "CN_WORD", "position" : 1 }, { "token" : "醉鱼", "start_offset" : 3, "end_offset" : 5, "type" : "CN_WORD", "position" : 2 } ] }
- 在
zuiyu.dic中增加我爱你醉鱼，最终的文件内容如下
醉鱼 我爱你醉鱼
- 增加完成之后，这5个字已经成为一个词语，分词结果如下
{ "tokens" : [ { "token" : "我爱你醉鱼", "start_offset" : 0, "end_offset" : 5, "type" : "CN_WORD", "position" : 0 }, { "token" : "我爱你", "start_offset" : 0, "end_offset" : 3, "type" : "CN_WORD", "position" : 1 }, { "token" : "爱你", "start_offset" : 1, "end_offset" : 3, "type" : "CN_WORD", "position" : 2 }, { "token" : "醉鱼", "start_offset" : 3, "end_offset" : 5, "type" : "CN_WORD", "position" : 3 } ] }
仅在一个节点
node1中配置了远程词库，node2与node3都没有配置任何的词库，此时当前环境无法达到我们的预期分词效果
总结
通过上面我们的试验，可以发现结合 IK分词器，使用自定义词库，可以满足我们专业内的词语分词，实现更好的分词效果，再加上动态词库的更新，对我们的工作还是很有必要的，配置过程是不是很简单，下面就赶紧用起来吧。
