当前位置： 首页 > news >正文

# 03_Elastic Stack 从入门到实践（三）-- 4

news 来源：原创 2025/5/30 10:06:07

03_Elastic Stack 从入门到实践（三）-- 4

七、Elasticsearch之中文分词器（IK分词器）

1、什么是分词？

分词：就是指将一个文本转化成一系列单词的过程，也叫文本分析，在Elasticsearch中称之为Analysis。

举例:我是中国人–> 我/是/中国人

2、分词 API

1）指定分词器进行分词。

2）示例代码

# POST  http://192.168.43.216:9200/_analyze{"analyzer": "standard","text": "hello world"
}# 结果：在结果中不仅可以看出分词的结果，还返回该词在文本中的位置。
{"tokens": [{"token": "hello","start_offset": 0,"end_offset": 5,"type": "<ALPHANUM>","position": 0},{"token": "world","start_offset": 6,"end_offset": 11,"type": "<ALPHANUM>","position": 1}]
}

3）示例代码2

# POST  http://192.168.43.216:9200/_analyze{"analyzer": "standard","text": "我是中国人"
}# 结果：在结果中不仅可以看出分词的结果，还返回该词在文本中的位置。
{"tokens": [{"token": "我","start_offset": 0,"end_offset": 1,"type": "<IDEOGRAPHIC>","position": 0},{"token": "是","start_offset": 1,"end_offset": 2,"type": "<IDEOGRAPHIC>","position": 1},{"token": "中","start_offset": 2,"end_offset": 3,"type": "<IDEOGRAPHIC>","position": 2},{"token": "国","start_offset": 3,"end_offset": 4,"type": "<IDEOGRAPHIC>","position": 3},{"token": "人","start_offset": 4,"end_offset": 5,"type": "<IDEOGRAPHIC>","position": 4}]
}

4）指定索引分词

# POST  http://192.168.43.216:9200/dzs168/_analyze{"analyzer": "standard","field": "hobby","text": "听音乐"
}# 结果：
{"tokens": [{"token": "听","start_offset": 0,"end_offset": 1,"type": "<IDEOGRAPHIC>","position": 0},{"token": "音","start_offset": 1,"end_offset": 2,"type": "<IDEOGRAPHIC>","position": 1},{"token": "乐","start_offset": 2,"end_offset": 3,"type": "<IDEOGRAPHIC>","position": 2}]
}

3、Elasticsearch之中文分词器（IK分词器） 实操示例。

1）启动 centos7系统，关闭防火墙

systemctl stop firewalld

2）切换到 elsearch 用户，启动elasticsearch（如果没有此用户，创建即可，因为elasticsearch 不能在 root 用户下启动）

# 切换用户
su - elsearch# 切换到 elasticsearch 安装目录下
cd /dzs168/es/elasticsearch-6.5.4/# 启动elasticsearch
./bin/elasticsearch

3）打开 Postman 工具，连接你的 elasticsearch 服务器IP，发送POST 请求
（确保你的elasticsearch 服务器，提前创建了如dzs168 索引和数据）

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

4、中文分词

1）中文分词的难点在于，在汉语中没有明显的词汇分界点，如在英语中，空格可以作为分隔符，如果分隔不正确就会造成歧义。

2）如:

我/爱/炒肉丝
我/爱/炒/肉丝

3）常用中文分词器，IK、jieb2、THAC等，推荐使用IK分词器。

4）IK Analyzer是一个开源的，基丁java语言开发的轻量级的中文分词工具包。从2006年12月推出1.0版开始，IKAnalyzer已经推出了3个大版本。最初，它是以开源项目Luence为应用主体的，结合词典分词和文法分析算法的中文分词组件。新版本的IKAnalyzer 3.0则发展为面向Java的公用分词组件，独立于Lucene项目，同时提
供了对Lucene的默认优化实现。

采用了特有的“正向迭代最细粒度切分算法"，具有80万字/秒的高速处理能力采用了多子处理器分析模式，支持:英文字母(IP地址、Email、URL)、数字(日期，常用中文数量词，罗马数字，科学计数法)，中文词汇(姓名、地名处理)等分词处理。优化的词典存储，更小的内存占用。

5、ik 分词器Elasticsearch插件下载地址：

https://github.com/medcl/elasticsearch-analysis-ik
https://github.com/infinilabs/analysis-ik

6、分词器安装方法

1）将下载的 elasticsearch-analysis-ik-6.8.23.zip 解压到 /elasticsearch/plugins/ik 目录下即可。

2）具体步骤

$ mkdir es/plugins/ik
$ cp elasticsearch-analysis-ik-6.5.4.zip ./es/plugins/ik# 解压
$ unzip elasticsearch-analysis-ik-6.5.4.zip# 重启
./bin/elasticsearch

7、实际操作

1）安装elasticsearch-analysis-ik 分词器

在这里插入图片描述

2）示例代码3

# POST  http://192.168.43.216:9200/_analyze{"analyzer": "ik_max_word","text": "我是中国人"
}# 结果：
{"tokens": [{"token": "我","start_offset": 0,"end_offset": 1,"type": "CN_CHAR","position": 0},{"token": "是","start_offset": 1,"end_offset": 2,"type": "CN_CHAR","position": 1},{"token": "中国人","start_offset": 2,"end_offset": 5,"type": "CN_WORD","position": 2},{"token": "中国","start_offset": 2,"end_offset": 4,"type": "CN_WORD","position": 3},{"token": "国人","start_offset": 3,"end_offset": 5,"type": "CN_WORD","position": 4}]
}

3）重启 elasticsearch 进行测试

在这里插入图片描述

八、Elasticsearch全文搜索之构造数据以及单词搜索

1、全文搜索

全文搜索两个最重要的方面是:

1）相关性(Relevance) ：

它是评价查询与其结果间的相关程度，并根据这种相关程度对结果排名的一种能力，这
种计算方式可以是TF/IDF 方法、地理位置邻近、模糊相似，或其他的某些算法。

2）分词(Analysis)

它是将文本块转换为有区别的、规范化的token的一个过程，目的是为了创建倒排索引以及
查询倒排索引。

2、先删除Elasticsearch 原有的索引和数据

在这里插入图片描述

3、构造数据：创建索引 dzs168

# PUT  http://192.168.43.216:9200/dzs168{"settings": {"index": {"number_of_shards": "1","number_of_replicas": "0"}},"mappings": {"person": {"properties": {"name": {"type": "text"},"age": {"type": "integer"},"mail": {"type": "keyword"},"hobby": {"type": "text","analyzer": "ik_max_word"}}}}
}# 响应结果{"acknowledged": true,"shards_acknowledged": true,"index": "dzs168"
}

4、Elasticsearch 向新创建的索引 dzs168 插入数据。

# 打开 Postman 软件，选择POST请求，
# 地址栏输入：http://192.168.43.216:9200/dzs168/_bulk
# 请求体为 JSON 数据类型，请求内容为以下：{"index": { "_index": "dzs168", "_type": "person"}}
{"name": "张三", "age": 20, "mail": "111@qq.com", "hobby": "看电影、听音乐"}
{"index": { "_index": "dzs168", "_type": "person"}}
{"name": "李四", "age": 22, "mail": "222@qq.com", "hobby": "篮球、游泳"}
{"index": { "_index": "dzs168", "_type": "person"}}
{"name": "王五", "age": 25, "mail": "333@qq.com", "hobby": "散步、跑步、乒乓球"}
{"index": { "_index": "dzs168", "_type": "person"}}
{"name": "赵六", "age": 26, "mail": "444@qq.com", "hobby": "足球、篮球、听音乐"}
{"index": { "_index": "dzs168", "_type": "person"}}
{"name": "孙七", "age": 30, "mail": "555@qq.com", "hobby": "羽毛球、足球、篮球"}
{"index": { "_index": "dzs168", "_type": "person"}}
{"name": "周八", "age": 38, "mail": "666@qq.com", "hobby": "跑步、游泳、看电影"}# 响应数据
{"took": 853,"errors": false,"items": [{"index": {"_index": "dzs168","_type": "person","_id": "fTFO05UBnk-jzlVbr0SU","_version": 1,"result": "created","_shards": {"total": 1,"successful": 1,"failed": 0},"_seq_no": 0,"_primary_term": 1,"status": 201}},{"index": {"_index": "dzs168","_type": "person","_id": "fjFO05UBnk-jzlVbr0SU","_version": 1,"result": "created","_shards": {"total": 1,"successful": 1,"failed": 0},"_seq_no": 1,"_primary_term": 1,"status": 201}},{"index": {"_index": "dzs168","_type": "person","_id": "fzFO05UBnk-jzlVbr0SU","_version": 1,"result": "created","_shards": {"total": 1,"successful": 1,"failed": 0},"_seq_no": 2,"_primary_term": 1,"status": 201}},{"index": {"_index": "dzs168","_type": "person","_id": "gDFO05UBnk-jzlVbr0SU","_version": 1,"result": "created","_shards": {"total": 1,"successful": 1,"failed": 0},"_seq_no": 3,"_primary_term": 1,"status": 201}},{"index": {"_index": "dzs168","_type": "person","_id": "gTFO05UBnk-jzlVbr0SU","_version": 1,"result": "created","_shards": {"total": 1,"successful": 1,"failed": 0},"_seq_no": 4,"_primary_term": 1,"status": 201}},{"index": {"_index": "dzs168","_type": "person","_id": "gjFO05UBnk-jzlVbr0SU","_version": 1,"result": "created","_shards": {"total": 1,"successful": 1,"failed": 0},"_seq_no": 5,"_primary_term": 1,"status": 201}}]
}

5、Elasticsearch 搜索查询数据：单词搜索

# 打开 Postman 软件，选择POST请求，
# 地址栏输入：http://192.168.43.216:9200/dzs168/person/_search
# 请求体为 JSON 数据类型，请求内容为以下：{"query": {"match": {"hobby": "音乐"}},"highlight": {"fields": {"hobby": {}}}
}# 响应数据
{"took": 386,"timed_out": false,"_shards": {"total": 1,"successful": 1,"skipped": 0,"failed": 0},"hits": {"total": 2,"max_score": 0.9686553,"hits": [{"_index": "dzs168","_type": "person","_id": "fTFO05UBnk-jzlVbr0SU","_score": 0.9686553,"_source": {"name": "张三","age": 20,"mail": "111@qq.com","hobby": "看电影、听音乐"},"highlight": {"hobby": ["看电影、听<em>音乐</em>"]}},{"_index": "dzs168","_type": "person","_id": "gDFO05UBnk-jzlVbr0SU","_score": 0.9686553,"_source": {"name": "赵六","age": 26,"mail": "444@qq.com","hobby": "足球、篮球、听音乐"},"highlight": {"hobby": ["足球、篮球、听<em>音乐</em>"]}}]}
}

在这里插入图片描述

6、过程说明:

1）检查字段类型

爱好 hobby 字段是一个 text 类型(指定了IK分词器)，这意味着查询字符串本身也应该被分词。

2）分析查询字符串。

将查询的字符串“音乐”传入IK分词器中，输出的结果是单个项音乐。因为只有一个单词项，所以match查询执行的是单个底层term查询。

3）查找匹配文档。

用 term 查询在倒排索引中查找“音乐”然后获取一组包含该项的文档，本例的结果是文档:3、5。

4）为每个文档评分。

用term 查询计算每个文档相关度评分[score，这是种将词频( term frequency，即词“音乐"在相关文档的hobby 字段中出现的频率)和反向文档频率(inverse document frequency ，即词“音乐”在所有文档的hobby字段中出现的频率)，以及字段的长度(即字段越短相关度越高)相结合的计算方式。

上一节关联链接请点击：

03_Elastic Stack 从入门到实践（三）-- 3

相关文章：

  • 轴映射与轨迹平面（Axis Mapping and Trajectory Planes）
  • AN(G|C)LE as an OpenCL Compute Driver
  • isNaN、Number.isNaN、lodash.isNaN 的区别
  • Python开发一个简单的软件系统
  • 兔子桌面官方下载-兔子桌面TV版-安卓电视版官方免费下载新版
  • 【systemd 写入硬盘大好几个G】
  • docker desktop for windows 登录国内镜像仓库
  • 【Python语言基础】21、Python标准库
  • 黑马点评：Redis消息队列【学习笔记】
  • MyBatis-Plus 详解：快速上手到深入理解
  • 探索大语言模型（LLM）：目标、原理、挑战与解决方案
  • 如何用AI辅助数据分析及工具推荐
  • 第七章：7.4写一个函数，使给定的一个3*3的二维整型数组转置，即行列互换。
  • 09-RocketMQ 深度解析：从原理到实战，构建可靠消息驱动微服务
  • 如何用AI辅助软件产品原型设计及工具推荐
  • 【野火模型】利用深度神经网络替代 ELMv1 野火参数化：机制、实现与性能评估
  • ArcGIS Desktop使用入门（四）——9版本与10版本区别
  • 基于Vue Node.js的电影售票网站的设计与实现(源码+lw+部署文档+讲解)，源码可白嫖!
  • 人工智能之数学基础：特征值分解与奇异值分解的区别分析
  • Android ImageButton 使用详解
  • 建立个人网站的详细步骤/推广普通话宣传周活动方案
  • wordpress user_register/seo常用方法
  • 沈丘做网站去哪里/提供seo顾问服务适合的对象是
  • 可以做微网站的第三方平台有哪些/seo案例分析
  • wordpress上传主题413/邢台市seo服务
  • 西安网站优化/seo去哪学