java

关注公众号 jb51net

关闭
首页 > 软件编程 > java > Elasticsearch外部词库文件更新

Elasticsearch外部词库文件更新及使用

作者：醉鱼

这篇文章主要为大家介绍了Elasticsearch外部词库文件更新及使用详解,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪

引言

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：

使用外部词库的优势

使用外部词库有以下优势：

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：

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

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>

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。

以上就是Elasticsearch外部词库文件更新及使用的详细内容，更多关于Elasticsearch外部词库文件更新的资料请关注脚本之家其它相关文章！

您可能感兴趣的文章:
阅读全文