Elasticsearch添加中文分词，对比分词器效果

Elasticsearch中，内置了很多分词器（analyzers），例如standard （标准分词器）、english （英文分词）和chinese （中文分词）。其中standard 就是无脑的一个一个词（汉字）切分，所以适用范围广，但是精准度低；english 对英文更加智能，可以识别单数负数，大小写，过滤stopwords（例如“the”这个词）等；chinese 效果很差，后面会演示。这次主要玩这几个内容：安装中文分词ik，对比不同分词器的效果，得出一个较佳的配置。关于Elasticsearch，之前还写过两篇文章：Elasticsearch的安装，运行和基本配置 和 备份和恢复，需要的可以看下。

 

安装中文分词ik

Elasticsearch的中文分词很烂，所以我们需要安装ik。首先从github上下载项目，解压：

 

1. cd /tmp
2. wget https://github.com/medcl/elasticsearch-analysis-ik/archive/master.zip
3. unzip master.zip
4. cd elasticsearch-analysis-ik/

 

然后使用mvn package 命令，编译出jar包 elasticsearch-analysis-ik-1.4.0.jar。

 

1. mvn package

 

将jar包复制到Elasticsearch的plugins/analysis-ik 目录下，再把解压出的ik目录（配置和词典等），复制到Elasticsearch的config 目录下。然后编辑配置文件elasticsearch.yml ，在后面加一行：

 

1. index.analysis.analyzer.ik.type :"ik"

 

重启service elasticsearch restart 。搞定。

如果上面的mvn搞不定的话，你可以直接从 elasticsearch-rtf 项目中找到编译好的jar包和配置文件（我就是怎么干的）。

【2014-12-14晚更新，今天是星期天，我在vps上安装ik分词，同样的步骤，总是提示MapperParsingException[Analyzer [ik] not found for field [cn]]，然后晚上跑到公司，发现我公司虚拟机上Elasticsearch的版本是1.3.2，vps上是1.3.4，猜是版本问题，直接把vps重新安装成最新的1.4.1，再安装ik，居然ok了……】

 

准备工作：创建索引，录入测试数据

先为后面的分词器效果对比做好准备，我的Elasticsearch部署在虚拟机 192.168.159.159:9200 上的，使用chrome的postman插件直接发http请求。第一步，创建index1 索引：

 

1. PUT http://192.168.159.159:9200/index1
2. {
3. "settings":{
4. "refresh_interval":"5s",
5. "number_of_shards":1,//一个主节点
6. "number_of_replicas":0//0个副本，后面可以加
7. },
8. "mappings":{
9. "_default_":{
10. "_all":{"enabled": false }//关闭_all字段，因为我们只搜索title字段
11. },
12. "resource":{
13. "dynamic": false,//关闭“动态修改索引”
14. "properties":{
15. "title":{
16. "type":"string",
17. "index":"analyzed",
18. "fields":{
19. "cn":{
20. "type":"string",
21. "analyzer":"ik"
22. },
23. "en":{
24. "type":"string",
25. "analyzer":"english"
26. }
27. }
28. }
29. }
30. }
31. }
32. }

 

为了方便，这里的index1 索引，只有一个shards，没有副本。索引里只有一个叫resource 的type，只有一个字段title ，这就足够我们用了。title 本身使用标准分词器，title.cn 使用ik分词器，title.en 自带的英文分词器。然后是用bulk api批量添加数据进去：

 

1. POST http://192.168.159.159:9200/_bulk
2. {"create":{"_index":"index1","_type":"resource","_id":1}}
3. {"title":"周星驰最新电影"}
4. {"create":{"_index":"index1","_type":"resource","_id":2}}
5. {"title":"周星驰最好看的新电影"}
6. {"create":{"_index":"index1","_type":"resource","_id":3}}
7. {"title":"周星驰最新电影，最好，新电影"}
8. {"create":{"_index":"index1","_type":"resource","_id":4}}
9. {"title":"最最最最好的新新新新电影"}
10. {"create":{"_index":"index1","_type":"resource","_id":5}}
11. {"title":"I'm not happy about the foxes"}

 

注意bulk api要“回车”换行，不然会报错。

 

各种比较

1、对比ik分词，chinese分词和standard分词

 

1. POST http://192.168.159.159:9200/index1/_analyze?analyzer=ik
2. 联想召回笔记本电源线

 

ik测试结果：

 

1. {
2. "tokens":[
3. {
4. "token":"联想",
5. "start_offset":0,
6. "end_offset":2,
7. "type":"CN_WORD",
8. "position":1
9. },
10. {
11. "token":"召回",
12. "start_offset":2,
13. "end_offset":4,
14. "type":"CN_WORD",
15. "position":2
16. },
17. {
18. "token":"笔记本",
19. "start_offset":4,
20. "end_offset":7,
21. "type":"CN_WORD",
22. "position":3
23. },
24. {
25. "token":"电源线",
26. "start_offset":7,
27. "end_offset":10,
28. "type":"CN_WORD",
29. "position":4
30. }
31. ]
32. }

 

自带chinese和standard分词器的结果：

 

1. {
2. "tokens":[
3. {
4. "token":"联",
5. "start_offset":0,
6. "end_offset":1,
7. "type":"<IDEOGRAPHIC>",
8. "position":1
9. },
10. {
11. "token":"想",
12. "start_offset":1,
13. "end_offset":2,
14. "type":"<IDEOGRAPHIC>",
15. "position":2
16. },
17. {
18. "token":"召",
19. "start_offset":2,
20. "end_offset":3,
21. "type":"<IDEOGRAPHIC>",
22. "position":3
23. },
24. {
25. "token":"回",
26. "start_offset":3,
27. "end_offset":4,
28. "type":"<IDEOGRAPHIC>",
29. "position":4
30. },
31. {
32. "token":"笔",
33. "start_offset":4,
34. "end_offset":5,
35. "type":"<IDEOGRAPHIC>",
36. "position":5
37. },
38. {
39. "token":"记",
40. "start_offset":5,
41. "end_offset":6,
42. "type":"<IDEOGRAPHIC>",
43. "position":6
44. },
45. {
46. "token":"本",
47. "start_offset":6,
48. "end_offset":7,
49. "type":"<IDEOGRAPHIC>",
50. "position":7
51. },
52. {
53. "token":"电",
54. "start_offset":7,
55. "end_offset":8,
56. "type":"<IDEOGRAPHIC>",
57. "position":8
58. },
59. {
60. "token":"源",
61. "start_offset":8,
62. "end_offset":9,
63. "type":"<IDEOGRAPHIC>",
64. "position":9
65. },
66. {
67. "token":"线",
68. "start_offset":9,
69. "end_offset":10,
70. "type":"<IDEOGRAPHIC>",
71. "position":10
72. }
73. ]
74. }

 

结论不必多说，对于中文，官方的分词器十分弱。

 

2、搜索关键词“最新”和“fox”

测试方法：

 

1. POST http://192.168.159.159:9200/index1/resource/_search
2. {
3. "query":{
4. "multi_match":{
5. "type":"most_fields",
6. "query":"最新",
7. "fields":["title","title.cn","title.en"]
8. }
9. }
10. }

 

我们修改query 和fields 字段来对比。

1）搜索“最新”，字段限制在title.cn 的结果（只展示hit部分）：

 

1. "hits":[
2. {
3. "_index":"index1",
4. "_type":"resource",
5. "_id":"1",
6. "_score":1.0537746,
7. "_source":{
8. "title":"周星驰最新电影"
9. }
10. },
11. {
12. "_index":"index1",
13. "_type":"resource",
14. "_id":"3",
15. "_score":0.9057159,
16. "_source":{
17. "title":"周星驰最新电影，最好，新电影"
18. }
19. },
20. {
21. "_index":"index1",
22. "_type":"resource",
23. "_id":"4",
24. "_score":0.5319481,
25. "_source":{
26. "title":"最最最最好的新新新新电影"
27. }
28. },
29. {
30. "_index":"index1",
31. "_type":"resource",
32. "_id":"2",
33. "_score":0.33246756,
34. "_source":{
35. "title":"周星驰最好看的新电影"
36. }
37. }
38. ]

 

再次搜索“最新”，字段限制在title ，title.en 的结果（只展示hit部分）：

 

1. "hits":[
2. {
3. "_index":"index1",
4. "_type":"resource",
5. "_id":"4",
6. "_score":1,
7. "_source":{
8. "title":"最最最最好的新新新新电影"
9. }
10. },
11. {
12. "_index":"index1",
13. "_type":"resource",
14. "_id":"1",
15. "_score":0.75,
16. "_source":{
17. "title":"周星驰最新电影"
18. }
19. },
20. {
21. "_index":"index1",
22. "_type":"resource",
23. "_id":"3",
24. "_score":0.70710677,
25. "_source":{
26. "title":"周星驰最新电影，最好，新电影"
27. }
28. },
29. {
30. "_index":"index1",
31. "_type":"resource",
32. "_id":"2",
33. "_score":0.625,
34. "_source":{
35. "title":"周星驰最好看的新电影"
36. }
37. }
38. ]

 

结论：如果没有使用ik中文分词，会把“最新”当成两个独立的“字”，搜索准确性低。

 

2）搜索“fox”，字段限制在title 和title.cn ，结果为空，对于它们两个分词器，fox和foxes不同。再次搜索“fox”，字段限制在title.en ，结果如下：

 

1. "hits":[
2. {
3. "_index":"index1",
4. "_type":"resource",
5. "_id":"5",
6. "_score":0.9581454,
7. "_source":{
8. "title":"I'm not happy about the foxes"
9. }
10. }
11. ]

 

结论：中文和标准分词器，不对英文单词做任何处理（单复数等），查全率低。

 

我的最佳配置

其实最开始创建的索引已经是最佳配置了，在title 下增加cn 和en 两个fields，这样对中文，英文和其他什么乱七八糟文的效果都好点。就像前面说的，title 使用标准分词器，title.cn 使用ik分词器，title.en 使用自带的英文分词器，每次搜索同时覆盖。