Elasticsearch 外部词库文件更新

本文所使用的ES集群环境可在历史文章中获取，采用docker部署的方式。

Elasticsearch 是一个功能强大的搜索引擎，广泛用于构建复杂的全文搜索应用程序。在许多情况下，为了提高搜索引擎的性能和精度，我们可以使用外部词库来定制和扩展 Elasticsearch 的文本处理和搜索功能。本文将介绍外部词库的用途、优势以及如何在 Elasticsearch 中使用它们。

为什么需要外部词库？

Elasticsearch 默认提供了一套强大的文本处理工具，包括分词、标记过滤、同义词处理等。然而，在某些情况下，我们需要更多的控制权来适应特定的用例和需求。外部词库允许我们：

1. 自定义分词器：通过使用外部词库，您可以创建自定义分词器，以根据特定需求定义文本分割规则。这对于处理不同语言或行业的文本非常有用。

2. 扩展停用词列表 ：停用词（如and、the等）通常被排除在搜索索引之外。外部词库允许您将领域特定的停用词添加到索引中，以便更好地适应我们行业内的数据。

3. 同义词处理：创建同义词词库可确保相关词汇在搜索时被正确映射，提高搜索结果的准确性。

4. 专业术语：对于特定领域或行业，我们可以通过创建外部词库，以包含特定领域的专业术语，确保搜索引擎能够理解和处理这些术语。

使用外部词库的优势

使用外部词库有以下优势：

1. 提高搜索质量：通过自定义分词和停用词，可以确保搜索引擎更好地理解和处理文本，提高搜索质量。

2. 适应特定需求：外部词库允许根据特定用例和领域需求对搜索引擎进行定制，以满足工作要求。

3. 更好的用户体验：通过包含专业术语和扩展的同义词映射，用户能够更轻松地找到他们需要的内容。

如何在 Elasticsearch 中使用外部词库

在 Elasticsearch 中使用外部词库通常涉及以下步骤：

1. 创建外部词库文件：首先，我们需要准备一个外部词库文件，其中包含自定义的词汇、同义词或停用词列表。

2. 将词库上传到 Elasticsearch：上传词库文件到 Elasticsearch

3. 配置索引：将外部词库与索引相关联，以确保 Elasticsearch 在索引文档时使用这些词汇。

4. 搜索优化：根据需要在搜索查询中应用外部词库，以扩展或定制搜索行为。

示例：使用自定义词库分词

本文在 IK 分词器的基础上增加自定义分词，并配置本地词库文件，远程热更新词库文件。

本地词库

• 首先在启动的ES中对醉鱼两个字进行分词，IK 默认分为两个汉字

  GET _analyze
  {
    "analyzer": "ik_max_word",
    "text": ["醉鱼"]
  }

  结果如下

  {
    "tokens" : [
      {
        "token" : "醉",
        "start_offset" : 0,
        "end_offset" : 1,
        "type" : "CN_CHAR",
        "position" : 0
      },
      {
        "token" : "鱼",
        "start_offset" : 1,
        "end_offset" : 2,
        "type" : "CN_CHAR",
        "position" : 1
      }
    ]
  }

  而我们的需求是让其能分为一次词语，而不是两个汉字，那么下面引入我们的自定义分词文件

• 在 ES 的 plugins/ik/config 目录下创建自定义词库文件 zuiyu.dic，文件内容如下，格式为一个词语为一行。

  醉鱼

• 修改 IK 的配置，支持自定义分词文件 ，修改plugins/ik/config 目录下的IKAnalyzer.cfg.xml，修改其中<entry key="ext_dict"></entry>的值，为本地文件路径，配置为相对路径，直接填写上一步创建的zuiyu.dic，结果如下

  <entry key="ext_dict">zuiyu.dic</entry>

  <?xml version="1.0" encoding="UTF-8"?>
  <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
  <properties>
  	<comment>IK Analyzer 扩展配置</comment>
  	<!--用户可以在这里配置自己的扩展字典 -->
  	<entry key="ext_dict">zuiyu.dic</entry>
  	 <!--用户可以在这里配置自己的扩展停止词字典-->
  	<entry key="ext_stopwords"></entry>
  	<!--用户可以在这里配置远程扩展字典 -->
  	<!--<entry key="remote_ext_dict"></entry>-->
  	<!--用户可以在这里配置远程扩展停止词字典-->
  	<!-- <entry key="remote_ext_stopwords">words_location</entry> -->
  </properties>

• 如果是启动的ES集群，需要复制当前两个文件到所有的集群中

  1、当前集群有三个节点，其中都配置本地词库文件，但是node1，node2中都没有增加醉鱼这词语，只有node3有，此时使用分词是无法达到预期效果的。

  2、node1中配置正常的<entry key="ext_dict">zuiyu.dic</entry>，zuiyu.dic中也包含醉鱼这个词语。node2，node3都不配置ext_dict，此时当前这个环境是可以进行正确分词，达到预期的结果的。

• 重启 ES

• 测试分词效果，使用同样的分词语句

  GET _analyze
  {
    "analyzer": "ik_max_word",
    "text": ["醉鱼"]
  }

  结果如下

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

  一般来说，词语肯定不是固定的，随着工作的长期积累，不断地发现新的专业术语，那么热更新，动态更新词库，不在每次更新词库之后重启ES就是非常有必要的了，下面来看一下热更新词库。

远程词库（热更新）

热更新词库的区别就是IKAnalyzer.cfg.xml文件中的一个配置的问题。不过核心还是需要一个词库文件，刚才是通过路径访问的，但是无法热更新，所以现在需要改为URL访问，也就是 HTTP 请求可以读取到的形式。一个词语一行返回即可。

此处使用 Nginx 来做演示。Nginx 中的配置如下

• nginx.conf

          location /dic/zuiyu.dic {
              alias   html/dic/zuiyu.dic;   
          }

• zuiyu.dic 文件内容如下

  醉鱼

• IKAnalyzer.cfg.xml配置修改如下,IP为部署的 Nginx 的 IP ，端口也是根据自己 Nginx 监听的端口修改

  <entry key="remote_ext_dict">http://192.168.30.240:8088/dic/zuiyu.dic</entry>

  完整的配置如下

  <?xml version="1.0" encoding="UTF-8"?>
  <!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
  <properties>
  	<comment>IK Analyzer 扩展配置</comment>
  	<!--用户可以在这里配置自己的扩展字典 -->
  	<entry key="ext_dict">zuiyu.dic</entry>
  	 <!--用户可以在这里配置自己的扩展停止词字典-->
  	<entry key="ext_stopwords"></entry>
  	<!--用户可以在这里配置远程扩展字典 -->
  	<entry key="remote_ext_dict">http://192.168.30.240:8088/dic/zuiyu.dic</entry>
  	<!--用户可以在这里配置远程扩展停止词字典-->
  	<!-- <entry key="remote_ext_stopwords">words_location</entry> -->
  </properties>

• 验证URL访问结果，使用浏览器或者postman等工具访问 http://192.168.30.240:8088/dic/zuiyu.dic 可以返回我们的文件内容即可，也是一个词语一行的形式。

• 复制IKAnalyzer.cfg.xml 到集群的每个节点中

• 重启ES

• 测试对 醉鱼 分词，可以看到与上面本地词库时是同样的效果

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

• 测试对我爱你醉鱼进行分词

  GET _analyze
  {
    "analyzer": "ik_max_word",
    "text": ["我爱你醉鱼"]
  }

  结果如下

  {
    "tokens" : [
      {
        "token" : "我爱你",
        "start_offset" : 0,
        "end_offset" : 3,
        "type" : "CN_WORD",
        "position" : 0
      },
      {
        "token" : "爱你",
        "start_offset" : 1,
        "end_offset" : 3,
        "type" : "CN_WORD",
        "position" : 1
      },
      {
        "token" : "醉鱼",
        "start_offset" : 3,
        "end_offset" : 5,
        "type" : "CN_WORD",
        "position" : 2
      }
    ]
  }

• 在zuiyu.dic中增加我爱你醉鱼，最终的文件内容如下

  醉鱼
  我爱你醉鱼

• 增加完成之后，这5个字已经成为一个词语，分词结果如下

  {
    "tokens" : [
      {
        "token" : "我爱你醉鱼",
        "start_offset" : 0,
        "end_offset" : 5,
        "type" : "CN_WORD",
        "position" : 0
      },
      {
        "token" : "我爱你",
        "start_offset" : 0,
        "end_offset" : 3,
        "type" : "CN_WORD",
        "position" : 1
      },
      {
        "token" : "爱你",
        "start_offset" : 1,
        "end_offset" : 3,
        "type" : "CN_WORD",
        "position" : 2
      },
      {
        "token" : "醉鱼",
        "start_offset" : 3,
        "end_offset" : 5,
        "type" : "CN_WORD",
        "position" : 3
      }
    ]
  }

  仅在一个节点 node1 中配置了远程词库，node2 与 node3 都没有配置任何的词库，此时当前环境无法达到我们的预期分词效果

总结

通过上面我们的试验，可以发现结合 IK分词器，使用自定义词库，可以满足我们专业内的词语分词，实现更好的分词效果，再加上动态词库的更新，对我们的工作还是很有必要的，配置过程是不是很简单，下面就赶紧用起来吧。