HAO ES 分词器

简介

一个elasticsearch 中文分词 插件。

QQ交流群：743457803

如何开发一个ES分词插件请参考 这里

主要参考了 IK 和 HanLP

特性

• 支持复杂汉字，有的汉字在java中长度不是1，比如𡃁，而IK等不支持。

• 支持单字分词和搜索，而ik_max_word模式不支持。

• 支持自定义长度分词，适合短文本下的人名等识别。

  根据空格标点符号字母数字等分隔后的汉字文本长度<=autoWordLength会自动识别为一个词语。

• 支持emoji搜索

• 相比IK，比IK更智能，更准确。

  • 示例：比如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，而hao分词器不会，通过词频计算最短路，识别出可能性最高的词组。还可以根据自己场景，随意调节词频。

• ik_smart 分词结果不是 ik_max_word 的子集，hao_search_mode 分词结果是 hao_index_mode 分词结果的子集

• 相比HanLp，比HanLP更轻量，分词更可控，没有一些智能的人名等预测功能，可能会导致分词不稳定不准确，机器学习对于长短文本不同，预测分词结果也不同。并且HanLP也没有官方的ES插件。

• 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，词频文件是可读性更好的txt文件

• 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

• 但是不支持词性

提供 Analyzer: hao_search_mode, hao_index_mode Tokenizer: hao_search_mode, hao_index_mode

Versions

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，保证是如下目录结构 {ES_HOME}/plugins/analysis-hao/(各种jar等文件)，同时目录不能有zip文件

最后重启ES

ES 版本升级

如果没有你需要的对应ES版本，要修改一下几个地方：

1. 修改pom.xml->elasticsearch.version的值为对应版本。
2. 编译，按照响应报错修改代码，比如可能有HaoTokenizerFactory.java的构造方法。 最后执行 mvn clean package -Dmaven.test.skip=true，就可以得到插件的zip安装包。

分词器

下面是自定义分词器可用的配置项

参数

内置分词器介绍

• hao_index_mode

会根据词库的词条和权重，递归分词，直到该词不可分。如果设置了enableSingleWord=true，会一直分到单字为止。

例如这段文本南京市长江大桥

1. 南京市长江大桥 ==> 南京市, 长江大桥
2. 南京市==>南京,市, 长江大桥==>长江,大桥
3. 如果enableSingleWord=false，递归停止，得到分词为南京市,南京,市,长江大桥,长江,大桥
4. 如果enableSingleWord=true，继续递归，直到单字位置，得到分词为南京市,南京,南,京,市,长江大桥,长江,长,江,大桥,大,桥
   • hao_search_mode

该模式下，相当于hao_index_mode模式只递归一次。 分词结果为南京市, 长江大桥。因为该模式下enableIndexMode=false，如果改成true，则和hao_index_mode一样的效果。

HaoAnalyzer.cfg.xml 配置

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.txt，以逗号分割，后面的数字表示词频。 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.txt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
• 远程词库是否重新加载是根据 http head 请求返回头中的两个字段是否有至少有一个发生变化，两个字段为：Last-Modified、ETag

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"
          },
          "index_analyzer": {
            "filter": [
              "lowercase"
            ],
            "char_filter": [
              "html_strip"
            ],
            "type": "custom",
            "tokenizer": "my_index_token"
          }
        },
        "tokenizer": {
          "my_index_token": {
            "enableFailDingMsg": "true",
            "type": "hao_index_mode",
            "enableSingleWord": "true",
            "enableFallBack": "true",
            "autoWordLength": 3
          },
          "my_search_token": {
            "enableFailDingMsg": "true",
            "type": "hao_search_mode",
            "enableSingleWord": "true",
            "enableFallBack": "true",
            "autoWordLength": 3
          }
        }
      },
      "number_of_replicas": "0"
    }
  },
  "mappings": {
    "properties": {
      "title": {
        "type": "text",
        "index_options": "offsets",
        "analyzer": "index_analyzer",
        "search_analyzer": "search_analyzer"
      }
    }
  }
}

测试分词

test/_analyze
{
  "analyzer": "index_analyzer",
  "text": "徐庆年 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": "徐庆年 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。🐶"
}

徐庆年并不在词库中，但是通过autoWordLength识别为一个词。