MyException - 我的异常网
当前位置:我的异常网» 软件架构设计 » Elasticsearch增添中文分词,对比分词器效果

Elasticsearch增添中文分词,对比分词器效果

www.MyException.Cn  网友分享于:2013-09-28  浏览:0次
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queryfields 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titletitle.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titletitle.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cnen 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。

文章评论

团队中“技术大拿”并非越多越好
团队中“技术大拿”并非越多越好
Web开发人员为什么越来越懒了?
Web开发人员为什么越来越懒了?
要嫁就嫁程序猿—钱多话少死的早
要嫁就嫁程序猿—钱多话少死的早
编程语言是女人
编程语言是女人
10个帮程序员减压放松的网站
10个帮程序员减压放松的网站
初级 vs 高级开发者 哪个性价比更高?
初级 vs 高级开发者 哪个性价比更高?
2013年中国软件开发者薪资调查报告
2013年中国软件开发者薪资调查报告
程序员应该关注的一些事儿
程序员应该关注的一些事儿
程序猿的崛起——Growth Hacker
程序猿的崛起——Growth Hacker
程序员和编码员之间的区别
程序员和编码员之间的区别
不懂技术不要对懂技术的人说这很容易实现
不懂技术不要对懂技术的人说这很容易实现
程序员必看的十大电影
程序员必看的十大电影
聊聊HTTPS和SSL/TLS协议
聊聊HTTPS和SSL/TLS协议
亲爱的项目经理,我恨你
亲爱的项目经理,我恨你
程序员最害怕的5件事 你中招了吗?
程序员最害怕的5件事 你中招了吗?
写给自己也写给你 自己到底该何去何从
写给自己也写给你 自己到底该何去何从
程序员周末都喜欢做什么?
程序员周末都喜欢做什么?
 程序员的样子
程序员的样子
我是如何打败拖延症的
我是如何打败拖延症的
那些争议最大的编程观点
那些争议最大的编程观点
总结2014中国互联网十大段子
总结2014中国互联网十大段子
程序员都该阅读的书
程序员都该阅读的书
老美怎么看待阿里赴美上市
老美怎么看待阿里赴美上市
科技史上最臭名昭著的13大罪犯
科技史上最臭名昭著的13大罪犯
“肮脏的”IT工作排行榜
“肮脏的”IT工作排行榜
看13位CEO、创始人和高管如何提高工作效率
看13位CEO、创始人和高管如何提高工作效率
什么才是优秀的用户界面设计
什么才是优秀的用户界面设计
中美印日四国程序员比较
中美印日四国程序员比较
5款最佳正则表达式编辑调试器
5款最佳正则表达式编辑调试器
如何区分一个程序员是“老手“还是“新手“?
如何区分一个程序员是“老手“还是“新手“?
Java 与 .NET 的平台发展之争
Java 与 .NET 的平台发展之争
Google伦敦新总部 犹如星级庄园
Google伦敦新总部 犹如星级庄园
程序员的鄙视链
程序员的鄙视链
代码女神横空出世
代码女神横空出世
老程序员的下场
老程序员的下场
程序员眼里IE浏览器是什么样的
程序员眼里IE浏览器是什么样的
2013年美国开发者薪资调查报告
2013年美国开发者薪资调查报告
程序员的一天:一寸光阴一寸金
程序员的一天:一寸光阴一寸金
鲜为人知的编程真相
鲜为人知的编程真相
10个调试和排错的小建议
10个调试和排错的小建议
我跳槽是因为他们的显示器更大
我跳槽是因为他们的显示器更大
一个程序员的时间管理
一个程序员的时间管理
做程序猿的老婆应该注意的一些事情
做程序猿的老婆应该注意的一些事情
当下全球最炙手可热的八位少年创业者
当下全球最炙手可热的八位少年创业者
Java程序员必看电影
Java程序员必看电影
为什么程序员都是夜猫子
为什么程序员都是夜猫子
那些性感的让人尖叫的程序员
那些性感的让人尖叫的程序员
60个开发者不容错过的免费资源库
60个开发者不容错过的免费资源库
为啥Android手机总会越用越慢?
为啥Android手机总会越用越慢?
软件开发程序错误异常ExceptionCopyright © 2009-2015 MyException 版权所有