一行命令让 ElasticSearch 支持中文分词搜索

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

› Elasticsearch 参考文档

› Elasticsearch: The Definitive Guide

› elasticseaerch-analysis-ik

这是一个创建于 3149 天前的主题，其中的信息可能已经有所发展或是发生改变。

相信大家在开发博客，在线商城的时候会涉及到搜索功能。而近几年火起来的 ElasticSearch （ ES ）凭借其稳定、可靠、快速的实时搜索普遍受到大家的好评，连 Github 、 SoundCloud 也都将 ES 作为其核心搜索组件。

但是 ES 本身对中文分词和搜索比较局限。因为内置的分析器在处理中文分词时，只有两种方式：一种是单字（ unigrams ）形式，即简单粗暴的将中文的每一个汉字作为一个词（ token ）分开；另一种是两字（ bigrams ）的，也就是任意相邻的两个汉字作为一个词分开。这两种方式都不能很好的满足现在的中文分词需求，进而影响了搜索结果。

举个例子：假设我们的 index 里面存储了 3 篇 documents 如下：

| id | content

| 1 | 美称中国武器商很神秘花巨资海外参展却一言不发

| 2 | 在第一界国际锦标赛中国家代表李雷勇夺冠军

| 3 | 国武公司近日上市

Case 1 ：查询“中国”，期望只得到 id 为 1 的 document 。

用 unigram 的分析器（即默认的 Standard Analyzer ）查询结果为 id 1 和 id 2 的 content ； bigram 的分析器（名为 cjk ）的结果为 id 1 。 Standard Analyzer 没有给出预期结果是因为它把“中国”切分为“中”、“国” 2 个 token ，因此误给出了 id 2 的结果。
Case 2 ：查询“国武”这一家公司，期望只得到 id 为 3 的 document 。

Standard Analyzer 和 cjk 的查询结果都会同时给出 id 1 和 id 3 的 document ，但是 id 1 的 document 中的“国武”并不是所指的公司。

（注：以上查询均用 query_string ）

因此我们可以发现内置的分析器有它的局限性，并不能满足复杂或者特定的搜索需求。为此，玻森数据开发了一款基于玻森中文分词的 ES 插件（ Elasticsearch-Analysis-BosonNLP ），方便大家对中文数据进行更精确的搜索。

现在已有一些成熟的 ES 中文分词插件，但在分词引擎准确率上，相信 BosonNLP 的中文分词能满足大家不同领域上多样化的需求。有兴趣的朋友可以查看11 款开放中文分词引擎大比拼。

接下来， 3 分钟教会大家如何安装使用玻森 ES 中文分词插件 Beta 版（以 ES 2.2.0 版本为例）：

安装

只需如下一个命令。

$ sudo bin/plugin install https://github.com/bosondata/elasticsearch-analysis-bosonnlp/releases/download/1.3.0-beta/elasticsearch-analysis-bosonnlp-1.3.0-beta.zip

注：对于其他不同版本的 ES ，只需要在命令里更换对应的插件版本号即可。

使用

需要在elasticsearch.yml文件中的 analyzer 里配置好玻森 bosonnlp analyzer （需要配置 API_TOKEN 以及分词的参数）。详情解释请查看 Github 上玻森 ES 中文分词的 README。

bosonnlp:
    type: bosonnlp
    API_URL: http://api.bosonnlp.com/tag/analysis
    API_TOKEN: *PUT YOUR API TOKEN HERE*

完成以上步骤之后便可以使用玻森 ES 分词插件了。

对比之前 Case 2 的查询：查询“国武”这一家公司，期望只得到 id 为 3 的 document 。玻森 ES 分词插件搜搜结果：

{
  "took" : 70,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "failed" : 0
  },
  "hits" : {
      "total" : 1,
      "max_score" : 0.15342641,
      "hits" : [ {
          "_index" : "bosonnlp_test",
          "_type" : "text",
          "_id" : "3",
          "_score" : 0.15342641,
          "_source":
{
    "content":"国武公司近日上市"
}
    } ]
  }
}

当然，如果对分词有特定需求的小伙伴可以在配置里修改对应的参数。目前，玻森数据对于中文分词提供了繁简转换、新词发现等功能，能满足不同领域的搜索需求。

希望这款插件能提升你的工作效率！

GitHub上有具体的说明。这里附上例子中索引 document 的 bash 文件以方便测试。

分词

玻森

中文

analyzer

15 条回复 • 2016-03-25 18:12:49 +08:00