首先上地址
HAO ES 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 IK 和 HanLP
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HanLP的 DijkstraSegment抄了过来，同时做了一些优化。
- 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。
- 支持emoji。
- 支持元词，比如
俄罗斯不会再拆分成俄和罗斯（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 tag | ES version |
|---|---|
| master | ES最新稳定版 |
| v7.7.1 | 7.7.1 |
| vX.Y.Z | X.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_mode为false，hao_index_mode为true,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.xml的dingWebHookUrl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,而不存值 |
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 奋, 发图, 强, 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俄和罗斯（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。"
}