IK分词器详解
共 2659字，需浏览 6分钟
·
2021-01-17 22:21
点击上方蓝色字体，选择“置顶或者星标”
优质文章第一时间送达！
IK分词器
什么是 IK 分词器
分词:即把一段中文或者别的划分成一个个的关键字,我们在搜索时候会把自己的信息进行分词,会把数据库中或者索引库中的数据进行分词,然后进行一个匹配操作,默认的中文分词器是将每个字看成一个词,比如"我爱技术"会被分为"我","爱","技","术",这显然不符合要求,所以我们需要安装中文分词器IK来解决这个问题
IK提供了两个分词算法:ik_smart和ik_max_word
其中ik_smart为最少切分,ik_max_word为最细粒度划分
下载安装
下载不说直接安装.记得版本相同, 公众号内回复电脑环境关键字可获取我已经下载好的.
解压缩后拷贝到ElasticSearch的plugins文件夹下
创建 ik 目录
重启ES
之前是没有插件加载的
可以清晰的看到加载了 analysis-ik
也可以通过ES自带的工具查看 命令行执行 ElasticSearch-plugin list
进入Kibana测试
先测试 ik_smart
最少划分
GET _analyze
{
"analyzer": "ik_smart"
, "text": "天津理工大学"
}
返回结果
{
"tokens" : [
{
"token" : "天津",
"start_offset" : 0,
"end_offset" : 2,
"type" : "CN_WORD",
"position" : 0
},
{
"token" : "理工大学",
"start_offset" : 2,
"end_offset" : 6,
"type" : "CN_WORD",
"position" : 1
}
]
}
最细粒度划分
GET _analyze
{
"analyzer": "ik_max_word"
, "text": "天津理工大学"
}
返回结果
{
"tokens" : [
{
"token" : "天津",
"start_offset" : 0,
"end_offset" : 2,
"type" : "CN_WORD",
"position" : 0
},
{
"token" : "理工大学",
"start_offset" : 2,
"end_offset" : 6,
"type" : "CN_WORD",
"position" : 1
},
{
"token" : "理工大",
"start_offset" : 2,
"end_offset" : 5,
"type" : "CN_WORD",
"position" : 2
},
{
"token" : "理工",
"start_offset" : 2,
"end_offset" : 4,
"type" : "CN_WORD",
"position" : 3
},
{
"token" : "工大",
"start_offset" : 3,
"end_offset" : 5,
"type" : "CN_WORD",
"position" : 4
},
{
"token" : "大学",
"start_offset" : 4,
"end_offset" : 6,
"type" : "CN_WORD",
"position" : 5
}
]
}
若发现结果没有区别, 而且他不认为 查询的词 比如 鑫泽 是一个词, 这就是一个问题,怎么办呢?
这种自己需要的词,需要自己加到字典中
IK分词器增加自己的配置
我们找到IK的配置文件, 位于ik/config/IKAnalyzer.cfg.xml
IKAnalyzer.cfg.xml
properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
<comment>IK Analyzer 扩展配置comment>
<entry key="ext_dict">entry>
<entry key="ext_stopwords">entry>
properties>
修改后的IKAnalyzer.cfg.xml
properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
<comment>IK Analyzer 扩展配置comment>
<entry key="ext_dict">xinze.dicentry>
<entry key="ext_stopwords">entry>
properties>
xinze.dic
鑫泽
测试
GET _analyze
{
"analyzer": "ik_smart"
, "text": "超级喜欢鑫泽"
}
结果
{
"tokens" : [
{
"token" : "超级",
"start_offset" : 0,
"end_offset" : 2,
"type" : "CN_WORD",
"position" : 0
},
{
"token" : "喜欢",
"start_offset" : 2,
"end_offset" : 4,
"type" : "CN_WORD",
"position" : 1
},
{
"token" : "鑫泽",
"start_offset" : 4,
"end_offset" : 6,
"type" : "CN_WORD",
"position" : 2
}
]
}
文章已上传gitee https://gitee.com/codingce/hexo-blog
项目地址: https://github.com/xzMhehe/codingce-java
更多推荐内容
↓↓↓
如果你喜欢本文
请长按二维码，关注公众号
转发朋友圈，是对我最大的支持哟
以上，便是今天的分享，希望大家喜欢，觉得内容不错的，欢迎「分享」「赞」或者点击「在看」支持，谢谢各位。
