一个非常hao用的elasticsearch中文分词器插件 HaoAnalyzer

464 阅读4分钟

首先上地址

elasticsearch (es) hao 分词器 中文分词器 elasticsearch-analysis-hao

elasticsearch-analysis-hao

ES HAO 分词器

简介

如何开发一个ES分词插件请参考 这里

主要参考了 IKHanLP 其中有的源码是直接搬运的。 相比IK,比IK更智能,更准确,更快。 相比HanLp,比HanLP更轻量,分词更可控,没有一些智能的预测功能,并且HanLP也没有官方的ES插件。

主要是IK ik_max_word是穷举所有可能词,导致搜索一些不相关的也会被搜到。

任性冲动过分词结果居然有任性 性冲动 动过,那么搜性冲动就会把这个doc搜索到。

南京市长江大桥,结果是南京市 市长 长江大桥,那么搜市长会把这个doc搜索到。 把HanLPDijkstraSegment抄了过来,同时做了一些优化。

  1. 根据词频计算最短路,穷举出可能的词,而不是所有的词,如果穷举的词不对,可以调词频来纠正。

  2. 支持emoji。

  3. 支持元词,比如俄罗斯不会再拆分成罗斯罗斯是常用人名)。这样搜罗斯就不会把俄罗斯相关文档召回

不支持词性

提供 Analyzer: hao_search_mode, hao_index_mode Tokenizer: hao_search_mode, hao_index_mode

Versions

Git tagES version
masterES最新稳定版
v7.7.17.7.1
vX.Y.ZX.Y.Z

使用

安装

方式1. bin/elasticsearch-plugin install file:///Users/xiaoming/Download/analysis-hao.zip

方式2. 解压后,放在es plugins目录即可。

最后重启ES

ES 版本升级

如果没有你需要的对应ES版本,修改pom.xml->elasticsearch.version的值为对应版本,然后执行 mvn clean package -Dmaven.test.skip=true,就可以得到插件的zip安装包。

自定义分词器

下面是自定义分词器可用的配置项


配置项参数功能默认值
enableIndexMode是否使用index模式,index模式为细颗粒度。hao_search_modefalsehao_index_modetrue,细颗粒度适合Term Query,粗颗粒度适合Phrase查询
enableFallBack如果分词报错,是否启动最细粒度分词,即按字分。建议search_mode使用,不至于影响用户搜索。index_mode不启动,以便及时报错告警通知。false不启动降级
enableFailDingMsg是否启动失败钉钉通知,通知地址为HttpAnalyzer.cfg.xmldingWebHookUrl字段。false
enableSingleWord是否使用细粒度返回的单字。比如体力值,分词结果只存体力值,体力,而不存false

HaoAnalyzer.cfg.xml 配置


参数功能备注
baseDictionary基础词库文件名放在插件config目录或者es的config目录,不用更改
customerDictionaryFile用户自定义远程词库文件会存储在插件config目录或者es的config目录
remoteFreqDict远程用户自定义词库文件方便热更新,热更新通过下面两个参数定时更新。
syncDicTim远程词库第一次同步时间 hh:mm:ss-
syncDicPeriodTime远程词库同步时间间隔,秒比如 syncDicTime=20:00:00,syncDicPeriodTime=86400,则是每天20点同步
dingWebHookUrl钉钉机器人url用于分词异常,同步词库异常/成功通知
dingMsgContent机器人通知文案注意配置钉钉机器人的时候关键词要和这个文案匹配,不然会消息发送失败

词库说明

优先读取 {ES_HOME}/config/analysis-hao/目录,没有读取 {ES_HOME}/plugins/analysis-hao/config目录下的文件

  • 基础词库 基础词库是base_dictionary.json,是一个json文件,key为词,value为词频(int)。是可以修改的,可以添加词,可以修改词频。 例如:奋发图强 分词结果是 , 发图, , 是因为发图这个词的词频太高了(因为出现次数高),则可以降低词频,手动修改base_dictionary.json文件就好了。
  • 远程词库 用户自定义词库会按照配置的时间和周期定期执行。 从远程词库更新完成后会自动覆盖现在的customerDictionaryFile。 远程词库的文件格式每行格式为 {词},{词频},{是否元词}, 例如俄罗斯,1000,1。 是否元词字段解释: 1代表是元词,不会再细拆分,俄罗斯不会再拆分成罗斯(罗斯是常用人名)。这样搜罗斯就不会把俄罗斯相关文档召回。 0就是可以继续细拆分,比如奋发图强

示例索引demo

建索引:

PUT test/
{
  "settings": {
    "index": {
      "analysis": {
        "analyzer": {
          "search_analyzer": {
            "filter": [
              "lowercase"
            ],
            "char_filter": [
              "html_strip"
            ],
            "type": "custom",
            "tokenizer": "my_search_token"
          },
          "title_analyzer": {
            "filter": [
              "lowercase"
            ],
            "char_filter": [
              "html_strip"
            ],
            "type": "custom",
            "tokenizer": "my_title_index_token"
          }
        },
        "tokenizer": {
          "my_title_index_token": {
            "enableOOV": "false",
            "enableFailDingMsg": "true",
            "type": "hao_index_mode",
            "enableSingleWord": "true",
            "enableFallBack": "true"
          },
          "my_search_token": {
            "enableOOV": "false",
            "enableFailDingMsg": "true",
            "type": "hao_search_mode",
            "enableSingleWord": "true",
            "enableFallBack": "true"
          }
        }
      },
      "number_of_replicas": "0"
    }
  },
  "mappings": {
    "properties": {
      "title": {
        "type": "text",
        "index_options": "offsets",
        "analyzer": "title_analyzer",
        "search_analyzer": "search_analyzer"
      }
    }
  }
}

测试分词

test/_analyze
{
  "analyzer": "title_analyzer",
  "text": "奋发图强打篮球有利于提高人民生活,有的放矢,中华人民共和国家庭宣传委员会宣。🐶"
}

test/_analyze
{
  "analyzer": "search_analyzer",
  "text": "奋发图强打篮球有利于提高人民生活,有的放矢,中华人民共和国家庭宣传委员会宣。🐶"
}