概述
继续跟中华石杉老师学习ES，第29篇
课程地址： https://www.roncoo.com/view/55
ik配置文件
配置文件位置： ${ES_HOME}/plugins/ik/config/IKAnalyzer.cfg.xml
IKAnalyzer.cfg.xml：
这里使用的是6.4.1版本对应的ik分词器，可以看到 配置文件中 ext_dict和ext_stopwords 默认是空的，如果需要的话，我们可以修改该配置项。
几个配置文件的作用
IKAnalyzer.cfg.xml：用来配置自定义词库
main.dic：ik原生内置的中文词库，总共有27万多条，只要是这些单词，都会被分在一起
quantifier.dic：存放了一些单位相关的词
suffix.dic：存放了一些后缀
surname.dic：中国的姓氏
stopword.dic：英文停用词
最常用的两个
main.dic：包含了原生的中文词语，会按照这个里面的词语去分词,只要是这些单词，都会被分在一起
stopword.dic：包含了英文的停用词 ( 停用词 stop word ,比如 a 、the 、and、 at 、but 等 . 通常像停用词，会在分词的时候，直接被干掉，不会建立在倒排索引中 )
IK自定义词库
自定义词库
有一些特殊的流行词，一般不会在ik的原生词典main.dic里。
举个例子，比如2019年很火的 “盘他”，我们到原生词典main.dic中去查找下看看
这个时候，我们用ik的ik_max_word分词器来查下分词
GET _analyze { "text": ["盘他","杠精","脱粉"], "analyzer": "ik_max_word" }
返回
{ "tokens": [ { "token": "盘", "start_offset": 0, "end_offset": 1, "type": "CN_CHAR", "position": 0 }, { "token": "他", "start_offset": 1, "end_offset": 2, "type": "CN_CHAR", "position": 1 }, { "token": "杠", "start_offset": 3, "end_offset": 4, "type": "CN_CHAR", "position": 2 }, { "token": "精", "start_offset": 4, "end_offset": 5, "type": "CN_CHAR", "position": 3 }, { "token": "脱", "start_offset": 6, "end_offset": 7, "type": "CN_CHAR", "position": 4 }, { "token": "粉", "start_offset": 7, "end_offset": 8, "type": "CN_CHAR", "position": 5 } ] }
可以看到使用ik的 ik_max_word分词器还是将每个汉字作为一个term , 这个时候去使用这些词语去搜索，效果肯定不是很理想。
Step1 ： 新建自定义分词库
我们这里新建个目录 custom ， 在该目录下新建一个文件： artisan.dic
将希望不分词的词语放到该文件中，比如
盘他 杠精 脱粉
Step2 ： 添加到ik的配置文件中
在 ext_ditc节点 添加自定义的扩展字典 ， ik本身提供的 extra_main.dic 词语更加丰富，这里我们也添加进去吧
Step3 ：重启es ,查看分词
重启es
GET _analyze { "text": ["盘他","杠精","脱粉"], "analyzer": "ik_max_word" }
返回
{ "tokens": [ { "token": "盘他", "start_offset": 0, "end_offset": 2, "type": "CN_WORD", "position": 0 }, { "token": "盘", "start_offset": 0, "end_offset": 1, "type": "CN_WORD", "position": 1 }, { "token": "他", "start_offset": 1, "end_offset": 2, "type": "CN_CHAR", "position": 2 }, { "token": "杠精", "start_offset": 3, "end_offset": 5, "type": "CN_WORD", "position": 3 }, { "token": "脱粉", "start_offset": 6, "end_offset": 8, "type": "CN_WORD", "position": 4 } ] }
可以看到，和未添加自定义词典相比，已经可以按照自己指定的规则进行分词了。
自定义停用词库
比如了，的，啥，么，我们可能并不想去建立索引，让人家搜索
可以看到
- stopword.dic 中是 英文 停用词
- extra_stopword.dic 中文停用词
验证下分词
GET _analyze { "text": ["啥类型"], "analyzer": "ik_max_word" }
返回
{ "tokens": [ { "token": "啥", "start_offset": 0, "end_offset": 1, "type": "CN_CHAR", "position": 0 }, { "token": "类型", "start_offset": 1, "end_offset": 3, "type": "CN_WORD", "position": 1 }, { "token": "类", "start_offset": 1, "end_offset": 2, "type": "CN_WORD", "position": 2 }, { "token": "型", "start_offset": 2, "end_offset": 3, "type": "CN_CHAR", "position": 3 } ] }
可以看到 “啥”是建立了倒排索引的。那我们下面来将 “啥”添加到自定义的停用词里，来验证下吧。
Step1 ： 新建自定义停用词词典
我们在新建的目录 custom ， 在该目录下新建一个文件： artisan_stopword.dic ， 添加停用词
Step2 ： 添加到ik的配置文件中
在 ext_stopwords节点 添加自定义的停用词扩展字典 ， ik本身提供的 extra_stopword.dic 这里我们也添加进去吧
Step3 ： 重启es ,查看停用词
重启es ，验证停用词
GET _analyze { "text": ["啥类型"], "analyzer": "ik_max_word" }
返回
{ "tokens": [ { "token": "类型", "start_offset": 1, "end_offset": 3, "type": "CN_WORD", "position": 0 }, { "token": "类", "start_offset": 1, "end_offset": 2, "type": "CN_WORD", "position": 1 }, { "token": "型", "start_offset": 2, "end_offset": 3, "type": "CN_CHAR", "position": 2 } ] }
可以看到 “啥”已经不会在倒排索引中了，自定义停用词功能成功。
