为Elasticsearch添加中文分词，对比分词器效果

http://keenwon.com/1404.html

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：

cd /tmp
wget https://github.com/medcl/elasticsearch-analysis-ik/archive/master.zip
unzip master.zip
cd elasticsearch-analysis-ik/

然后使用mvn package 命令，编译出jar包 elasticsearch-analysis-ik-1.4.0.jar。

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：

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：

PUT http://192.168.159.159:9200/index1
{
"settings": {
"refresh_interval": "5s",
"number_of_shards" : 1, // 一个主节点
"number_of_replicas" : 0 // 0个副本，后面可以加
},
"mappings": {
"_default_":{
"_all": { "enabled": false } // 关闭_all字段，因为我们只搜索title字段
},
"resource": {
"dynamic": false, // 关闭“动态修改索引”
"properties": {
"title": {
"type": "string",
"index": "analyzed",
"fields": {
"cn": {
"type": "string",
"analyzer": "ik"
},
"en": {
"type": "string",
"analyzer": "english"
}
}
}
}
}
}
}

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：

POST http://192.168.159.159:9200/_bulk
{ "create": { "_index": "index1", "_type": "resource", "_id": 1 } }
{ "title": "周星驰最新电影" }
{ "create": { "_index": "index1", "_type": "resource", "_id": 2 } }
{ "title": "周星驰最好看的新电影" }
{ "create": { "_index": "index1", "_type": "resource", "_id": 3 } }
{ "title": "周星驰最新电影，最好，新电影" }
{ "create": { "_index": "index1", "_type": "resource", "_id": 4 } }
{ "title": "最最最最好的新新新新电影" }
{ "create": { "_index": "index1", "_type": "resource", "_id": 5 } }
{ "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

POST http://192.168.159.159:9200/index1/_analyze?analyzer=ik
联想召回笔记本电源线

ik测试结果：

{
"tokens": [
{
"token": "联想",
"start_offset": 0,
"end_offset": 2,
"type": "CN_WORD",
"position": 1
},
{
"token": "召回",
"start_offset": 2,
"end_offset": 4,
"type": "CN_WORD",
"position": 2
},
{
"token": "笔记本",
"start_offset": 4,
"end_offset": 7,
"type": "CN_WORD",
"position": 3
},
{
"token": "电源线",
"start_offset": 7,
"end_offset": 10,
"type": "CN_WORD",
"position": 4
}
]
}

自带chinese和standard分词器的结果：

{
"tokens": [
{
"token": "联",
"start_offset": 0,
"end_offset": 1,
"type": "<IDEOGRAPHIC>",
"position": 1
},
{
"token": "想",
"start_offset": 1,
"end_offset": 2,
"type": "<IDEOGRAPHIC>",
"position": 2
},
{
"token": "召",
"start_offset": 2,
"end_offset": 3,
"type": "<IDEOGRAPHIC>",
"position": 3
},
{
"token": "回",
"start_offset": 3,
"end_offset": 4,
"type": "<IDEOGRAPHIC>",
"position": 4
},
{
"token": "笔",
"start_offset": 4,
"end_offset": 5,
"type": "<IDEOGRAPHIC>",
"position": 5
},
{
"token": "记",
"start_offset": 5,
"end_offset": 6,
"type": "<IDEOGRAPHIC>",
"position": 6
},
{
"token": "本",
"start_offset": 6,
"end_offset": 7,
"type": "<IDEOGRAPHIC>",
"position": 7
},
{
"token": "电",
"start_offset": 7,
"end_offset": 8,
"type": "<IDEOGRAPHIC>",
"position": 8
},
{
"token": "源",
"start_offset": 8,
"end_offset": 9,
"type": "<IDEOGRAPHIC>",
"position": 9
},
{
"token": "线",
"start_offset": 9,
"end_offset": 10,
"type": "<IDEOGRAPHIC>",
"position": 10
}
]
}

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：

POST http://192.168.159.159:9200/index1/resource/_search
{
"query": {
"multi_match": {
"type": "most_fields",
"query": "最新",
"fields": [ "title", "title.cn", "title.en" ]
}
}
}

我们修改query 和fields 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）：

"hits": [
{
"_index": "index1",
"_type": "resource",
"_id": "1",
"_score": 1.0537746,
"_source": {
"title": "周星驰最新电影"
}
},
{
"_index": "index1",
"_type": "resource",
"_id": "3",
"_score": 0.9057159,
"_source": {
"title": "周星驰最新电影，最好，新电影"
}
},
{
"_index": "index1",
"_type": "resource",
"_id": "4",
"_score": 0.5319481,
"_source": {
"title": "最最最最好的新新新新电影"
}
},
{
"_index": "index1",
"_type": "resource",
"_id": "2",
"_score": 0.33246756,
"_source": {
"title": "周星驰最好看的新电影"
}
}
]

再次搜索“最新”，字段限制在title ，title.en 的结果（只展示hit部分）：

"hits": [
{
"_index": "index1",
"_type": "resource",
"_id": "4",
"_score": 1,
"_source": {
"title": "最最最最好的新新新新电影"
}
},
{
"_index": "index1",
"_type": "resource",
"_id": "1",
"_score": 0.75,
"_source": {
"title": "周星驰最新电影"
}
},
{
"_index": "index1",
"_type": "resource",
"_id": "3",
"_score": 0.70710677,
"_source": {
"title": "周星驰最新电影，最好，新电影"
}
},
{
"_index": "index1",
"_type": "resource",
"_id": "2",
"_score": 0.625,
"_source": {
"title": "周星驰最好看的新电影"
}
}
]

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title 和title.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：

"hits": [
{
"_index": "index1",
"_type": "resource",
"_id": "5",
"_score": 0.9581454,
"_source": {
"title": "I'm not happy about the foxes"
}
}
]

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cn 和en 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。