ES全文检索支持拼音和繁简检索

周全全2024-04-30 23:43

ES全文检索支持拼音和繁简检索

  • [1. 实现目标](#1. 实现目标)
  • [2. 引入pinyin插件](#2. 引入pinyin插件)
    • [2.1 编译 elasticsearch-analysis-pinyin 插件](#2.1 编译 elasticsearch-analysis-pinyin 插件)
    • [2.2 安装拼音插件](#2.2 安装拼音插件)
  • [3. 引入ik分词器插件](#3. 引入ik分词器插件)
    • [3.1 已有作者编译后的包文件](#3.1 已有作者编译后的包文件)
    • [3.2 只有源代码的版本](#3.2 只有源代码的版本)
    • [3.3 安装ik分词插件](#3.3 安装ik分词插件)
  • [4. 建立es索引](#4. 建立es索引)
  • 5.测试检索
  • [6. 繁简转换](#6. 繁简转换)

1. 实现目标

ES检索时无论输入简体还是繁体都要能够被检索到，例如检索时输入"語法"或者"语法"，检索结果中无论是简体繁体都务必要被命中。

并且也要正确的高亮返回

2. 引入pinyin插件

拼音分词器（pinyin analyzer）通常需要自行引入，因为它不是 Elasticsearch 的默认分词器。可以使用 Elasticsearch 的插件来引入 pinyin 分词器，以便在索引中使用它。

2.1 编译 elasticsearch-analysis-pinyin 插件

选择与自己版本一致的版本，插件地址：

https://github.com/medcl/elasticsearch-analysis-pinyin/releases

elasticsearch-analysis-pinyin分词器目前没有下载即可使用的安装包，需要自己下载源码进行编译。可以在项目目录elasticsearch-analysis-pinyin\target\releases看到编译后的结果elasticsearch-analysis-pinyin-7.17.11.zip

2.2 安装拼音插件

然后在es的安装目录下plugins目录下新建pinyin目录，并将解压后的文件复制到该目录下

重启es，启动日志中已经加载了拼音插件

3. 引入ik分词器插件

GitHub下载地址：Releases · infinilabs/analysis-ik · GitHub

3.1 已有作者编译后的包文件

选择与所需es版本相同的ik分词器，下载已经打包后的.zip文件

3.2 只有源代码的版本

首先下载源码解压后使用idea打开，修改es版本与分词器版本相同

使用 mvn clean install 打包时报错：

[ERROR] Failed to execute goal org.apache.maven.plugins:maven-compiler-plugin:3.5.1:compile (default-compile) on project elasticsearch-analysis-ik: Compilation failure
[ERROR] /D:/PersonalProjects/analysis-ik-7.17.11/analysis-ik-7.17.11/src/main/java/org/elasticsearch/index/analysis/IkAnalyzerProvider.java:[13,9] 无法将类 org.elasticsearch.index.analysis.AbstractIndexAnalyzerProvider<T>中的构造器 
AbstractIndexAnalyzerProvider应用到给定类型;
[ERROR]   需要: org.elasticsearch.index.IndexSettings,java.lang.String,org.elasticsearch.common.settings.Settings
[ERROR]   找到: java.lang.String,org.elasticsearch.common.settings.Settings

修改代码报错部分：增加indexSetting参数到super入参的第一个位置

使用mvn clean install进行打包，注意我们所需的是/target/release目录下的.zip压缩包

3.3 安装ik分词插件

将下载或者编译后的.zip文件解压到es的安装目录下的plugins目录下，并重命名为ik

然后启动es，查看日志可发现已经加载的ik分词器

常规的最常用的使用方式就是，数据插入存储时用 ik_max_word模式分词，而检索时，用ik_smart模式分词，即：索引时最大化的将文章内容分词，搜索时更精确的搜索到想要的结果。

建立映射示例如下：在数据被索引时我们设置"analyzer": "ik_max_word"，在检索时指定"search_analyzer": "ik_smart"

4. 建立es索引

setting.json

json 复制代码 
{
  "aliases": {
  },
  "settings": {
    "index": {
      "refresh_interval": "3s",
      "number_of_shards": "3",
      "number_of_replicas": "1",
      "max_inner_result_window": "10000",
      "max_result_window": "20000",
      "analysis": {
        "filter": {
          "pinyin_full_filter": {
            "keep_joined_full_pinyin": "true",
            "lowercase": "true",
            "keep_original": "false",
            "keep_first_letter": "false",
            "keep_separate_first_letter": "false",
            "type": "pinyin",
            "keep_none_chinese": "false",
            "limit_first_letter_length": "50",
            "keep_full_pinyin": "true"
          },
          "pinyin_simple_filter": {
            "keep_joined_full_pinyin": "true",
            "lowercase": "true",
            "none_chinese_pinyin_tokenize": "false",
            "padding_char": " ",
            "keep_original": "true",
            "keep_first_letter": "true",
            "keep_separate_first_letter": "false",
            "type": "pinyin",
            "keep_full_pinyin": "false"
          }
        },
        "analyzer": {
          "pinyinFullIndexAnalyzer": {
            "filter": [
              "asciifolding",
              "lowercase",
              "pinyin_full_filter"
            ],
            "type": "custom",
            "tokenizer": "ik_max_word"
          },
          "pinyinSimpleIndexAnalyzer": {
            "filter": [
              "pinyin_simple_filter",
              "lowercase"
            ],
            "type": "custom",
            "tokenizer": "ik_max_word"
          },
          "ik_pinyin_analyzer": {
            "filter": [
              "asciifolding",
              "lowercase",
              "pinyin_full_filter",
              "word_delimiter"
            ],
            "type": "custom",
            "tokenizer": "ik_smart"
          },
          "ikIndexAnalyzer": {
            "filter": [
              "asciifolding",
              "lowercase",
              "pinyin_full_filter",
              "word_delimiter"
            ],
            "type": "custom",
            "tokenizer": "ik_max_word"
          }
        }
      }
    }
  },
  "mappings": {
    "dynamic": "false"
  }
}

mapping.json

json 复制代码 
{
  "properties": {
    "nickName": {
      "type": "text",
      "analyzer": "ikIndexAnalyzer",
      "search_analyzer": "ik_pinyin_analyzer",
      "fields": {
        "full": {
          "type": "text",
          "analyzer": "pinyinFullIndexAnalyzer"
        },
        "simple": {
          "type": "text",
          "analyzer": "pinyinSimpleIndexAnalyzer"
        }
      }
    }
  }
}

mapping.json 文件定义了 Elasticsearch 索引中的字段映射和分析器设置:

  1. analyzer ：定义了在索引时使用的分析器。在搜索时会用这个分析器来处理查询字符串，使之与索引中的文本数据匹配。ikIndexAnalyzer 分析器使用了 ik_max_word 分词器（tokenizer），并应用了一系列过滤器（filter），包括 ASCII 折叠、小写转换、拼音处理和词分割。

  2. search_analyzer ：定义了在搜索时使用的分析器。ik_pinyin_analyzer分析器用于处理查询字符串，在进行搜索时与索引中的数据进行匹配。

  3. fields ：定义了为同一个字段创建不同的索引方式。在这个示例中，为 nickName 字段创建了两个额外的索引方式：full 和 simple。

    • full ：使用了 pinyinFullIndexAnalyzer 分析器，它将 nickName 字段的文本进行全拼音分析，用于支持全拼音搜索。

    • simple ：使用了 pinyinSimpleIndexAnalyzer 分析器，它将 nickName 字段的文本进行简拼音分析，用于支持简拼音搜索。

5.测试检索

新增测试数据

json 复制代码 
PUT /zzt_works/_doc/2
{
 "nickName":"語法講義"
} 

PUT /zzt_works/_doc/3
{
 "nickName":"语法讲义"
}

中文简写查询

中文繁体查询

拼音全拼查询

拼音简拼查询

6. 繁简转换

如果需求只需要繁简转换，可使用以下设置和映射配置

index.json

json 复制代码 
{
  "aliases": {
  },
  "settings": {
    "index": {
      "refresh_interval": "3s",
      "number_of_shards": "3",
      "number_of_replicas": "1",
      "max_inner_result_window": "10000",
      "max_result_window": "20000",
      "analysis": {
        "filter": {
          "pinyin_full_filter": {
            "keep_joined_full_pinyin": "true",
            "lowercase": "true",
            "keep_original": "false",
            "keep_first_letter": "false",
            "keep_separate_first_letter": "false",
            "type": "pinyin",
            "keep_none_chinese": "false",
            "limit_first_letter_length": "50",
            "keep_full_pinyin": "true"
          }
        },
        "analyzer": {
          "ik_pinyin_analyzer": {
            "filter": [
              "asciifolding",
              "lowercase",
              "pinyin_full_filter",
              "word_delimiter"
            ],
            "type": "custom",
            "tokenizer": "ik_smart"
          },
          "ikIndexAnalyzer": {
            "filter": [
              "asciifolding",
              "lowercase",
              "pinyin_full_filter",
              "word_delimiter"
            ],
            "type": "custom",
            "tokenizer": "ik_max_word"
          }
        }
      }
    }
  },
  "mappings": {
    "dynamic": "false"
  }
}

mapping.json

json 复制代码 
{
  "properties": {
    "nickName": {
      "type": "text",
      "analyzer": "ikIndexAnalyzer",
      "search_analyzer": "ik_pinyin_analyzer"
    }
  }
}
相关推荐
FreeIPCC5 分钟前
谈一下开源生态对 AI人工智能大模型的促进作用
大数据·人工智能·机器人·开源
梦幻通灵16 分钟前
ES分词环境实战
大数据·elasticsearch·搜索引擎
Elastic 中国社区官方博客21 分钟前
Elasticsearch 中的热点以及如何使用 AutoOps 解决它们
大数据·运维·elasticsearch·搜索引擎·全文检索
天冬忘忧1 小时前
Kafka 工作流程解析：从 Broker 工作原理、节点的服役、退役、副本的生成到数据存储与读写优化
大数据·分布式·kafka
sevevty-seven2 小时前
幻读是什么？用什么隔离级别可以防止幻读
大数据·sql
Yz98763 小时前
hive复杂数据类型Array & Map & Struct & 炸裂函数explode
大数据·数据库·数据仓库·hive·hadoop·数据库开发·big data
那一抹阳光多灿烂4 小时前
Spark中的Stage概念
大数据·spark
北京鹏生科技有限公司5 小时前
EcoVadis审核是什么？EcoVadis审核流程包括什么？
大数据·百度
Moshow郑锴6 小时前
数据库、数据仓库、数据湖、数据中台、湖仓一体的概念和区别
大数据·数据库·数据仓库·数据湖·湖仓一体
小黑屋说YYDS6 小时前
ElasticSearch7.x入门教程之索引概念和基础操作（三）
elasticsearch
热门推荐
01(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明02PyTorch机器学习实现液态神经网络03【HarmonyOS】HUAWEI DevEco Studio 下载地址汇总04玄机平台应急响应—webshell查杀05Coze扣子平台完整体验和实践（附国内和国际版对比）06RAG 实践- Ollama+RagFlow 部署本地知识库0704 - matlab m_map地学绘图工具基础函数 - 设置网格08Unity中PICO实现 隔空取物 和 接触抓取物体09Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO10【目标跟踪】相机运动补偿