Elasticsearch 之（24）IK分词器配置文件讲解以及自定义词库

1、ik配置文件

ik配置文件地址：es/plugins/ik/config目录

IKAnalyzer.cfg.xml：用来配置自定义词库
main.dic：ik原生内置的中文词库，总共有27万多条，只要是这些单词，都会被分在一起
quantifier.dic：放了一些单位相关的词
suffix.dic：放了一些后缀
surname.dic：中国的姓氏
stopword.dic：英文停用词

ik原生最重要的两个配置文件

main.dic：包含了原生的中文词语，会按照这个里面的词语去分词
stopword.dic：包含了英文的停用词

停用词，stopword
a the and at but ...一般，像停用词，会在分词的时候，直接被干掉，不会建立在倒排索引中

2、自定义词库

IKAnalyzer.cfg.xml

	IK Analyzer 扩展配置
	
	custom/mydict.dic;custom/single_word_low_freq.dic
	 
	custom/ext_stopword.dic
	
	
	
	

（1）自己建立词库：每年都会涌现一些特殊的流行词，网红，蓝瘦香菇，喊麦，鬼畜，一般不会在ik的原生词典里
自己补充自己的最新的词语，到ik的词库custom/mydict.dic 里面去

（2）自己建立停用词库：比如了，的，啥，么，我们可能并不想去建立索引，让人家搜索
custom/ext_stopword.dic，已经有了常用的中文停用词，可以补充自己的停用词

补充自己的词语，然后需要重启es，才能生效

3、使用自定义词库分词查询

还未 ik\config\custom\mydict.dic 文件中添加 “喊麦”，进行分词

GET /my_index/_analyze
{
  "text": "喊麦",
  "analyzer": "ik_max_word"
}

{
  "tokens": [
    {
      "token": "喊",
      "start_offset": 0,
      "end_offset": 1,
      "type": "CN_WORD",
      "position": 0
    },
    {
      "token": "麦",
      "start_offset": 1,
      "end_offset": 2,
      "type": "CN_WORD",
      "position": 1
    }
  ]
}

在mydict.dic 文件中添加 “喊麦”后，重启es，测试

GET /my_index/_analyze
{
  "text": "喊麦",
  "analyzer": "ik_max_word"
}

{
  "tokens": [
    {
      "token": "喊麦",
      "start_offset": 0,
      "end_offset": 2,
      "type": "CN_WORD",
      "position": 0
    },
    {
      "token": "喊",
      "start_offset": 0,
      "end_offset": 1,
      "type": "CN_WORD",
      "position": 1
    },
    {
      "token": "麦",
      "start_offset": 1,
      "end_offset": 2,
      "type": "CN_WORD",
      "position": 2
    }
  ]
}