elasticsearch教程--中文分詞器作用和使用

概述     

本文都是基於 elasticsearch安裝教程 中的elasticsearch安裝目錄(/opt/environment/elasticsearch-6.4.0)為範例

環境準備

· 全新最小化安裝的 centos 7.5

· elasticsearch 6.4.0

認識中文分詞器

在博文 elasticsearch分詞器中提到elasticsearch能夠快速的通過搜尋詞檢索出對應的文章歸功於倒排索引,下面通過中文舉例看看倒排索引。

中文分詞器作用以及效果

中文分詞器是做什麼的呢 ? what? 通過名字就知道了啊,為什麼還要問。。。下面通過三個文件示例，看看它是如何分詞的

文件 1: 我愛偉大的祖國

文件 2: 祝福祖國強大繁

文件 3: 我愛藍天白雲

經過中文分詞器 ,以上文件均會根據分詞規則,將文件進行分詞後的結果如下:

注意 :不同的分詞規則,分詞結果不一樣,選擇根據分詞器提供的分詞規則找到適合的分詞規則

文件 1分詞結果： [我,愛,偉大,的,祖國]

文件 2分詞結果： [祝福,祖國,強大,繁盛]

文件 3分詞結果： [我,愛,藍天白雲,藍天,白雲]

通過上面的分詞結果，發現拆分的每個詞都是我們熟知的詞語， 但是如果不使用中文分詞，就會發現上面的文件把每個字拆分成了一個詞，對我們中文檢索很不友好。

再看倒排索引

看到上面中文分詞器結果 ,就會有新的疑問,使用中文分詞器那樣分詞效果有什麼好處呢? 答案就是根據分詞建立詞彙與文件關係的倒排索引。這步都是es幫我們做的,下面通過"我","愛","祖國"三個詞看看倒排索引,如下圖:

 

通過上圖中的倒排索引 ,我們搜尋"祖國"時,es通過倒排索引可以快速的檢索出文件1和文件3。如果沒有中文分詞器,搜尋"祖國"就會被拆分"祖""國"兩個詞的倒排索引, 就會把包含"祖"的文件都檢索出來,很明顯就會和我們想要的結果大相徑庭。

常用的中文分詞器

Smart Chinese Analysis: 官方提供的中文分詞器,

IKAnalyzer: 免費開源的java分詞器,目前比較流行的中文分詞器之一,簡單,穩定,想要特別好的效果,需要自行維護詞庫,支援自定義詞典

結巴分詞 : 開源的python分詞器,github有對應的java版本,有自行識別新詞的功能,支援自定義詞典

Ansj中文分詞: 基於n-Gram+CRF+HMM的中文分詞的java實現,免費開源,支援應用自然語言處理

hanlp: 免費開源,國人自然處理語言牛人無私風險的

個人對以上分詞器進行了一個粗略對比 ,如下圖:

 

截止到目前為止 ,他們的分詞準確性從高到低依次是:

hanlp> ansj >結巴>IK>Smart Chinese Analysis

結合準確性來看 ,選用中文分詞器基於以下考慮:

官方的 Smart Chinese Analysis直接可以不考慮了

對搜尋要求不高的建議選用 IK 學習成本低,使用教程多,還支援遠端詞典

對新詞識別要求高的選用結巴分詞

Ansj和hanlp均基於自然處理語言,分詞準確度高,活躍度來講hanlp略勝一籌

博主選用的 hanlp分詞器,目前線上執行結果來看準確性滿足需求

下面就寫一下博主對 IKAnalyzer 和 hanlp分詞器的使用

IK Analyzer

截止目前 ,IK分詞器外掛的優勢是支援自定義熱更新遠端詞典。

安裝 ik分詞器外掛

es外掛安裝教程參考這裡

ik的es外掛地址: https://github.com/medcl/elasticsearch-analysis-ik/releases

博主使用的 es版本是6.4.0,下載時要注意對應es版本

線上安裝 ik es外掛 命令:

# /opt/apps/elasticsearch-6.4.0/bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v6.4.0/elasticsearch-analysis-ik-6.4.0.zip

檢視外掛安裝列表

# sudo /opt/apps/elasticsearch-6.4.0/bin/elasticsearch-plugin list

IK配置

ik安裝完畢後配置檔案在 {ES_HOME}/config目錄下, 本例目錄是 /opt/apps/elasticsearch-6.4.0/config/analysis-ik/IKAnalyzer.cfg.xml

 

IK自定義詞典維護

文字詞典

ik文字詞典均是以dic結尾,換行符作為分隔,示例如下:

 

重啟 es,注意一定要重啟es

通過前面教程中 ,我們發現短語"我愛祖國",會被分詞為, "我","愛","祖國"三個詞, 如果按照上面詞典定義後, "我愛祖國"會被當成一個詞語不被分詞。

熱更新遠端詞典

     熱更新遠端詞典的優勢是 ,修改詞典後無需重啟es。每分鐘載入一次

  修改 IK配置檔案如下:

 

其中 location 是指一個 url，比如 http://yoursite.com/getCustomDict，該請求只需滿足以下兩點即可完成分詞熱更新。

1· 該 http 請求需要返回兩個頭部(header)，一個是 Last-Modified，一個是 ETag，這兩者都是字串型別，只要有一個發生變化，該外掛就會去抓取新的分詞進而更新詞庫。

2· 該 http 請求返回的內容格式是一行一個分詞，換行符用 \n 即可。

滿足上面兩點要求就可以實現熱更新分詞了，不需要重啟 ES 例項。

 

可以將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 會在客戶端請求該檔案時自動返回相應的 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，並更新這個 .txt 檔案。

 

本文將遠端詞典存入資料庫，示例如下：

 

hanlp 中文分詞器

     截止目前， hanlp詞庫是最大，分詞效果是最好。使用hanlp分詞外掛之前,建議先點選此處學習一下hanlp

安裝 hanlp中文分詞器外掛

    hanlp的elasticsearch外掛眾多,這裡選用了這個,這個外掛支援的分詞模式要多一些,截止現在此外掛最新支援6.3.2,由於外掛中包含很大的詞典檔案,建議此外掛採用離線安裝

 

檢視外掛安裝列表

 

注意 : 這裡有一個hanlp的警告,es版本是6.4.0, 但是外掛允許的es版本是6.3.2

上面的警告需要修改一下外掛配置 , 本方法僅限於博主對應的版本喲,其他版本沒去試驗

# sudo vim /opt/apps/elasticsearch-6.4.0/plugins/analysis-hanlp/plugin-descriptor.properties

將 elasticsearch.version=6.3.2 修改為 elasticsearch.version=6.4.0,再次檢視外掛列表

 

ok,安裝成功,安裝完畢後必須重啟es喲必須重啟es喲必須重啟es喲

hanlp配置

 

hanlp自定義詞典

hanlp語料庫詞典

    hanlp語料庫地址為: https://github.com/hankcs/HanLP/releases, 本文截止目前最新版本為1.6.8

1· 下載資料包 hanlp.linrunsoft.com/release/data-for-1.6.8.zip

2· 解壓到配置檔案中 key為root的值對應目錄下

3· 根據詞典名調整 hanlp配置中的詞典配置,尤其注意CustomDictionaryPath的配置,以前採用的應用名,現在採用的中文名稱

4· 刪除二進位制快取檔案 rm -r /opt/apps/elasticsearch-6.4.0/plugins/analysis-hanlp/data/dictionary/custom/CustomDictionary.txt.bin, 如果自定義詞典變更了,一點要執行這一步,否則詞典不生效

5· 一定要重啟 es!!!一定要重啟es!!!一定要重啟es!!!

hanlp自定義熱更新詞典

1· 在配置檔案中 key為root的值對應目錄下找到目錄custom,進入此目錄

2· 建立一個 txt檔案,示例: myDic.txt

3· 在 myDic.txt檔案中新增詞,分隔符為換行符, 詞典格式為: [單詞] [詞性A] [A的頻次]  ,如圖:  

 

4· 刪除二進位制快取檔案 rm -r /opt/apps/elasticsearch-6.4.0/plugins/analysis-hanlp/data/dictionary/custom/CustomDictionary.txt.bin, 如果自定義詞典變更了,一點要執行這一步,否則詞典不生效

一定要重啟 es!!!一定要重啟es!!!一定要重啟es!!!

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/31524777/viewspace-2647360/，如需轉載，請註明出處，否則將追究法律責任。