基于 Ansj 的 elasticsearch 2.3.1 中文分词插件

前言

这是一个elasticsearch的中文分词插件，基于Ansj中文分词。发起者Onni大神。

2.3.1插件安装

进入Elasticsearch目录运行如下命令

进入es目录执行如下命令

./bin/plugin install http://maven.nlpcn.org/org/ansj/elasticsearch-analysis-ansj/2.3.1/elasticsearch-analysis-ansj-2.3.1-release.zip

更新内容

elasticsearch更新2.3.1

ansj_seg升级至3.7.3

elasticsearch更新2.1.1

ansj_seg升级至3.5

新增http的_ansj接口，用于查看ansj分词词性

新增http的_cat/ansj接口,作用同上，显示为cat方式

新增http的_cat/[index]/analyze接口，和_analyze作用一样，显示为cat方式

更方便的配置

测试

创建测试索引

curl -XPUT 127.0.0.1:9200/test -d '{ "settings" : { "number_of_shards" : 1, "number_of_replicas" : 0 }, "mappings" : { "type1" : { "_all" : { "enabled" : false }, "properties" : { "name" : { "type" : "string", "analyzer" : "index_ansj", "search_analyzer" : "query_ansj" } } } } }'

添加索引内容

curl -XPUT 'http://127.0.0.1:9200/test/test/1' -d '{ "name" : "中国人民万岁", "post_date" : "2009-11-15T14:12:12", "message" : "trying out Elasticsearch" }'

查询索引

浏览器访问:

http://127.0.0.1:9200/test/test/_search?q=name:%E4%B8%AD%E5%9B%BD

如果你想把ansj作为你的默认分词需要在elasticsearch.yml加入如下配置:

#默认分词器,索引 index.analysis.analyzer.default.type: index_ansj #默认分词器,查询 index.analysis.analyzer.default_search.type: query_ansj 

关于分词器不得不说的那点小事

目前默认内置三个分词器

当然如果你有心仔细观察日志看到了实例化了n多分词器如下

 regedit analyzer named : index_ansj regedit analyzer named : query_ansj regedit analyzer named : to_ansj regedit analyzer named : dic_ansj regedit analyzer named : user_ansj regedit analyzer named : search_ansj why????

额 只有三个其他都是别名
索引分词

index_ansj 是索引分词,尽可能分词处所有结果 example

http://127.0.0.1:9200/_cat/test/analyze?text=%E5%85%AD%E5%91%B3%E5%9C%B0%E9%BB%84%E4%B8%B8%E8%BD%AF%E8%83%B6%E5%9B%8A&analyzer=index_ansj 六味 0 2 0 word 地 2 3 1 word 黄丸软 3 6 2 word 胶囊 6 8 3 word 六味地黄 0 4 4 word 地黄 2 4 5 word 地黄丸 2 5 6 word 软胶 5 7 7 word 软胶囊 5 8 8 word 搜索分词 (search_ansj=to_ansj=query_ansj) 

query_ansj 是搜索分词,是索引分词的子集,保证了准确率 example

http://127.0.0.1:9200/_cat/test/analyze?text=%E5%85%AD%E5%91%B3%E5%9C%B0%E9%BB%84%E4%B8%B8%E8%BD%AF%E8%83%B6%E5%9B%8A&analyzer=query_ansj 六味 0 2 0 word 地 2 3 1 word 黄丸软 3 6 2 word 胶囊 6 8 3 word

用户自定义词典优先的分词方式 (user_ansj=dic_ansj)

dic_ansj 是用户自定义词典优先策略

http://127.0.0.1:9200/_cat/test/analyze?text=%E5%85%AD%E5%91%B3%E5%9C%B0%E9%BB%84%E4%B8%B8%E8%BD%AF%E8%83%B6%E5%9B%8A&analyzer=dic_ansj 六味地黄 0 4 0 word 丸 4 5 1 word 软胶囊 5 8 2 word 

====================================分割线================================
文章转载自 开源中国社区[http://www.oschina.net]