elasticsearch ik pingyin 分词器的安装和使用

ES的核心就是搜索，

那么用ES不得不提到ES的搜索机制。

提搜索机制 就不得不提到 index的mapping 里的分词器

我们在搭建的过程中，默认通过 ip:9200/index 来创建一个索引。

这时的mapping为es默认的mapping, 里面的分词器为内置的standard

当我们进行 类似于 Ip/index/type/1 -d{   name: "zhang san",desc:" a beautiful boy " } 

插入一条文档这样操作时，mapping会自动的 发现 两个字段 name  desc，

并且自动识别两个字段的类型为 String 并进行存储。

什么是mapping 呢

ES的mapping非常类似于静态语言中的数据类型：

声明一个变量为int类型的变量， 以后这个变量都只能存储int类型的数据。同样的， 一个number类型的mapping字段只能存储number类型的数据。

mapping还定义了  ES如何去索引到数据以及数据是否能被搜索到。

当你的查询没有返回相应的数据， 你的mapping很有可能有问题。当你拿不准的时候， 直接检查你的mapping。

Ip/index/_mapping?pretty

索引Mapping的创建 删除 修改。参考 http://www.cnblogs.com/zhaijunming5/p/6426940.html

搜索默认用的是，mapping的内置分词器为 standard 来我们测试一下,

/index/_analyze?analyzer=standard&text=我爱你我的家&pretty  返回结果

{
"tokens" : [
{
"token" : "我",
"start_offset" : 0,
"end_offset" : 1,
"type" : "<IDEOGRAPHIC>",
"position" : 0
},
{
"token" : "爱",
"start_offset" : 1,
"end_offset" : 2,
"type" : "<IDEOGRAPHIC>",
"position" : 1
},
{
"token" : "你",
"start_offset" : 2,
"end_offset" : 3,
"type" : "<IDEOGRAPHIC>",
"position" : 2
},
{
"token" : "我",
"start_offset" : 3,
"end_offset" : 4,
"type" : "<IDEOGRAPHIC>",
"position" : 3
},
{
"token" : "的",
"start_offset" : 4,
"end_offset" : 5,
"type" : "<IDEOGRAPHIC>",
"position" : 4
},
{
"token" : "家",
"start_offset" : 5,
"end_offset" : 6,
"type" : "<IDEOGRAPHIC>",
"position" : 5
}
]
}

一个字一个字的蹦 好蛋疼，如果用 我爱你 都搜不出来，对中文的支持太蛋疼了。

所以我们要换一个分词器，IK

先测试下IK 的结果

{
"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" : "你我",
"start_offset" : 2,
"end_offset" : 4,
"type" : "CN_WORD",
"position" : 2
},
{
"token" : "的",
"start_offset" : 4,
"end_offset" : 5,
"type" : "CN_CHAR",
"position" : 3
},
{
"token" : "家",
"start_offset" : 5,
"end_offset" : 6,
"type" : "CN_CHAR",
"position" : 4
}
]
}

很明显 IK分词 就友好了很多。

ik 带有两个分词器 ，这里用的是ik_max_word

ik_max_word ：会将文本做最细粒度的拆分；尽可能多的拆分出词语 

ik_smart：会做最粗粒度的拆分；已被分出的词语将不会再次被其它词语占有 

那么下面我们来讲 5.6.1 的IK 安装过程。

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

Install

1.download or compile   

optional 1 - download pre-build package from here: https://github.com/medcl/elasticsearch-analysis-ik/releases
unzip plugin to folder your-es-root/plugins/

optional 2 - use elasticsearch-plugin to install ( version > v5.5.1 ):
./bin/elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v5.6.1/elasticsearch-analysis-ik-5.6.1.zip
2.restart elasticsearch
方法1：下载zip包，解压到 your-es-home/plugs 下 
方法2 使用es插件下载 版本要大于5.5.1  

最后一步，重启ES

很简单，

因为索引的Mapping不可以删除，所以我们新建一个索引进行测试。

create a index

curl -XPUT http://localhost:9200/index 2.create a mapping

curl -XPOST http://localhost:9200/index/fulltext/_mapping -d'
{
"properties": {
"content": {
"type": "text",
"analyzer": "ik_max_word",
"search_analyzer": "ik_max_word"
}
}

}'
3.index some docs

curl -XPOST http://localhost:9200/index/fulltext/1 -d'
{"content":"美国留给伊拉克的是个烂摊子吗"}
'
curl -XPOST http://localhost:9200/index/fulltext/2 -d'
{"content":"公安部：各地校车将享最高路权"}
'
curl -XPOST http://localhost:9200/index/fulltext/3 -d'
{"content":"中韩渔警冲突调查：韩警平均每天扣1艘中国渔船"}
'
curl -XPOST http://localhost:9200/index/fulltext/4 -d'
{"content":"中国驻洛杉矶领事馆遭亚裔男子枪击 嫌犯已自首"}
'
4.query with highlighting

curl -XPOST http://localhost:9200/index/fulltext/_search  -d'
bd81

{
"query" : { "match" : { "content" : "中国" }},
"highlight" : {
"pre_tags" : ["<tag1>", "<tag2>"],
"post_tags" : ["</tag1>", "</tag2>"],
"fields" : {
"content" : {}
}
}
}
'
Result

{
"took": 14,
"timed_out": false,
"_shards": {
"total": 5,
"successful": 5,
"failed": 0
},
"hits": {
"total": 2,
"max_score": 2,
"hits": [
{
"_index": "index",
"_type": "fulltext",
"_id": "4",
"_score": 2,
"_source": {
"content": "中国驻洛杉矶领事馆遭亚裔男子枪击 嫌犯已自首"
},
"highlight": {
"content": [
"<tag1>中国</tag1>驻洛杉矶领事馆遭亚裔男子枪击 嫌犯已自首 "
]
}
},
{
"_index": "index",
"_type": "fulltext",
"_id": "3",
"_score": 2,
"_source": {
"content": "中韩渔警冲突调查：韩警平均每天扣1艘中国渔船"
},
"highlight": {
"content": [
"均每天扣1艘<tag1>中国</tag1>渔船 "
]
}
}
]
}
}

然后测试搜索正常

下面开始

pinyin的分词器使用   参考原文 https://github.com/medcl/elasticsearch-analysis-pinyin

首先来看下pinyin分词器 对于我爱你我的家的分词效果

{
"tokens" : [
{
"token" : "wo",
"start_offset" : 0,
"end_offset" : 1,
"type" : "word",
"position" : 0
},
{
"token" : "ai",
"start_offset" : 1,
"end_offset" : 2,
"type" : "word",
"position" : 1
},
{
"token" : "ni",
"start_offset" : 2,
"end_offset" : 3,
"type" : "word",
"position" : 2
},
{
"token" : "wo",
"start_offset" : 3,
"end_offset" : 4,
"type" : "word",
"position" : 3
},
{
"token" : "de",
"start_offset" : 4,
"end_offset" : 5,
"type" : "word",
"position" : 4
},
{
"token" : "jia",
"start_offset" : 5,
"end_offset" : 6,
"type" : "word",
"position" : 5
},
{
"token" : "wanwdj",
"start_offset" : 0,
"end_offset" : 6,
"type" : "word",
"position" : 5
}
]
}

OK，那么我们进行安装，使用

pinyin的分词器和IK一样 下载ZIP，解压到plugs 下 pinyin文件夹  重启。

根据官方git地址 测试案例 整合一个索引进行 数据的拼音和 中文搜索

首先，我们穿创建一个索引 Index2  在里面设置一个自定义的分析器 这个分析器指向了拼音

curl -XPUT "http://localhost:9200/index2/" -d'
{
"index": {
"analysis": {
"analyzer": {
"ik_pinyin_analyzer": {
"type": "custom",
"tokenizer": "ik_smart",
"filter": ["my_pinyin", "word_delimiter"]
}
},
"filter": {
"my_pinyin": {
"type": "pinyin",
"first_letter": "prefix",
"padding_char": " "
}
}
}
}
}'

创建type message 并设置message的mapping

设置了两个字段，name desc  

name设置为拼音搜索，desc设置为IK搜索

curl -XPOST http://localhost:9200/index2/message/_mapping -d'
{ "message": {
"properties": {
"name": {
"type": "text",
"store": "no",
"term_vector": "with_positions_offsets",
"analyzer": "ik_pinyin_analyzer",
"boost": 10},

"desc":{"type": "text","analyzer": "ik_max_word","search_analyzer": "ik_max_word"}}}}'

插入数据，我这里插入了6条数据进行相关索引
{
"took" : 5,
"timed_out" : false,
"_shards" : {
"total" : 5,
"successful" : 5,
"skipped" : 0,
"failed" : 0
},
"hits" : {
"total" : 6,
"max_score" : 1.0,
"hits" : [
{
"_index" : "index2",
"_type" : "message",
"_id" : "5",
"_score" : 1.0,
"_source" : {
"name" : "我的宝贝",
"desc" : "骑车在沿途的风景树"
}
},
{
"_index" : "index2",
"_type" : "message",
"_id" : "2",
"_score" : 1.0,
"_source" : {
"name" : "zhangsan",
"desc" : "阿斯顿发放"
}
},
{
"_index" : "index2",
"_type" : "message",
"_id" : "4",
"_score" : 1.0,
"_source" : {
"name" : "张三",
"desc" : "从淘汰率的赫尔"
}
},
{
"_index" : "index2",
"_type" : "message",
"_id" : "6",
"_score" : 1.0,
"_source" : {
"name" : "丁雪峰",
"desc" : "依然爱你我的梦"
}
},
{
"_index" : "index2",
"_type" : "message",
"_id" : "1",
"_score" : 1.0,
"_source" : {
"name" : "李连杰",
"desc" : "谢谢我吧我爱你"
}
},
{
"_index" : "index2",
"_type" : "message",
"_id" : "3",
"_score" : 1.0,
"_source" : {
"name" : "刘德华",
"desc" : "我爱你我的家"
}
}
]
}
}

数据测试 ，Name搜索正常 desc ik搜索正常！