elastciSearch源码分析——集成分词器

    要把分词器集成到elasticSearch里面，肯定先要弄到ik分词器的源码。链接如下：http://code.google.com/p/ik-analyzer/downloads/list，可以检查到项目源码结构如图刚好集成到elasticSearch中：

    集成进去之后，添加测试用例：
   

@Test
    public void testIKAnalyzer(){
        List<String> text = new ArrayList<String>();
        text.add("冷眼向洋看世界");
        text.add("现有的中文分词算法可分为三大类：基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法");
        for (String currentStr : text) {
            try {
                StringReader myreader = new StringReader(currentStr);
                IKSegmenter segmenter = new IKSegmenter(myreader, true);
                Lexeme mylexeme = segmenter.next();
                while (mylexeme != null) {
                    System.out.print(mylexeme.getLexemeText());
                    System.out.print("---");
                    mylexeme = segmenter.next();
                }
                System.out.println();
            } catch (Exception e) {
                e.printStackTrace();
            }
        }
    }

    可以得到结果：

加载扩展词典：ext.dic
加载扩展停止词典：stopword.dic
冷眼---向---洋---看---世界---
现有---中文---分词---算法---可分为---三---大类---基于---字符串---匹配---分词---方法---基于---理解---分词---方法---和---基于---统计---分词---方法---

    分词效果虽然还不是那么好，只是代码在里面跑起来了。接下来就需要我们通过elasticSeratch调用分词器，对内容进行分词了。

=============================================================================================================================================================================================================================================

    开发中途了解到，ik不支持词性标注。于是起了换一个分词器的想法，在聊天群里面询问之后，了解到ansj分词器很稳定，查阅文档，http://hi.baidu.com/erliang20088/item/2c5d12198afdf9c6bf904259，主要借鉴这篇文档分词器集成成功。以下简述步骤：
    1：从[url]http://maven.ansj.org/org/ansj/elasticsearch-analysis-ansj/ [/url]直接下载zip包解压到plugin目录下（我用的版本号是：elasticsearch-analysis-ansj-1.x.1），我用的源码没有plugins，直接创建一个，zip包挤压之后，把jar放进去，然后把词库放到同目录下。

    2：在es下config/elasticsearch.yml 文件末尾加上以下（1）或者（2）的配置。
    （1）为简洁配置，一些高级属性均采用默认，要求不高的话可采用下边配置，该处配置与参考博文是一致的。

################################## ANSJ PLUG CONFIG ################################
index:
   analysis:
     analyzer:
        index_ansj:
            type: ansj_index
        query_ansj:
            type: ansj_query
 
index.analysis.analyzer.default.type: ansj_index

    （2）为高级配置，加入一些高级属性，该处配置与博文不一致，去掉了一些容易引起异常的配置。

################################## ANSJ PLUG CONFIG ################################
index:
   analysis:
     analyzer:
       index_ansj:
           alias: [ansj_index_analyzer]
           type: ansj_index
           is_name: false
           redis:
               pool:
                   maxactive: 20
                   maxidle: 10
                   maxwait: 100
                   testonborrow: true
               ip: master.redis.yao.com:6379
               channel: ansj_term
       query_ansj:
           alias: [ansj_query_analyzer]
           type: ansj_query
           is_name: false
           redis:
               pool:
                   maxactive: 20
                   maxidle: 10
                   maxwait: 100
                   testonborrow: true
               ip: master.redis.yao.com:6379
               channel: ansj_term

    3：重启集群后，查看log输出。如果出现类似于“ansj分词器预热完毕，可以使用!”等等的字样说明加载成功，可以使用了。

    4：结果检测：
   （1）linux下，人们喜欢用“curl -XGET http://host:9200/[index]/_analyze?analyzer=ansj_index&text=测试用例”来测试。正常的话，会返回相应的json结果。注意其中的参数要正确，包括host、indexName、analyzer等。此处有一个es的不合理之处，要求至少要有一个indexName才可以进行这样的分词测试，这显然是不合理的。但只能如此接受了。
   （2）window下，直接用浏览器中输入“http://host_ip:9200/[index_name]/_analyze?analyzer=ansj_index&text=测试用例”即可，亦会返回相应的分词结果的json格式串。


程序猿行业技术生活交流群：181287753（指尖天下），欢迎大伙加入交流学习。