elasticsearch hanlp插件远程词典配置
背景
在使用elasticsearch的过程中，总会遇到与分词相关的需求，这里将针对常用的elasticsearch hanlp（后面统称为 es hanlp）分词插件进行讲解演示配置自定义业务字典，提高es hanlp分词的准确性，同时也提高查询效率。关于es hanlp通过更改关键词文件配置自定义词典的内容可以参考文章：https://developer.aliyun.com/article/1163240，本文主要是讲述另外一种自定义词典内容的操作，配置远程词典。
远程词典配置
新增远程词典文件
es hanlp关于远程词典的文件配置方式参考官方文档即可，文档地址：https://github.com/KennFalcon/elasticsearch-analysis-hanlp/tree/master，这里我把远程词典文件放在我们的腾讯云上面，主要是因为es hanlp 在加载远程词典文件时需要通过response header判断Last-Modified和 ETag来确定远程文件是否有变动，进而决定是否需要加载更新；而腾讯云返回的文件是直接带有Last-Modified和 ETag，这里可以看一下我的文件响应的response
符合官方文档要求的远程词典文件返回两个头部(header)，一个是 Last-Modified，一个是 ETag
说明：这里说明一下，如果这两个属性都没有变化的话，es hanlp插件是不会热更新关键词的；
另外，如果大家想要使用腾讯云COS作为远程词典文件存放位置的话，需要注意必须要用文件的原始请求地址，不能用有CDN缓存的地址，这样才能达到1分钟热更新的目的。比如
http://存储桶名.cos.ap-beijing.myqcloud.com/ei-dongao/mywords.txt远程词典文件准备好之后就可以修改es hanlp 远程配置文件hanlp-remote.xml了
修改hanlp-remote.xml
找到hanlp-remote.xml配置文件路径ES_HOME/config/analysis-hanlp
修改hanlp-remote.xml，增加远程词典配置
这里配置好远程词典路径之后需要重启es，因为改动了配置文件嘛，后续更改远程配置文件的内容时就无需重启es了，因为你没有改动es的配置文件。
自动加载词典
配置完成远程词典内容后，无需重启es，等待1分钟后，词典自动加载。
[2023-04-24T13:29:16,636][INFO ][c.h.d.ExtMonitor ] [ei-test-es-node190] hanlp custom dictionary isn't modified, so no need reload
[2023-04-24T13:29:17,163][INFO ][c.h.d.RemoteMonitor ] [ei-test-es-node190] load hanlp remote custom dict path: http://存储桶名.cos.ap-beijing.myqcloud.com/ei-dongao/mywords.txt
[2023-04-24T13:29:17,623][INFO ][c.h.d.RemoteMonitor ] [ei-test-es-node190] finish load hanlp remote custom dict path: http://存储桶名.cos.ap-beijing.myqcloud.com/ei-dongao/mywords.txt比如我在远程词典中增加关键词
腾讯云文件管理加载完成之后我们可以开始测试是否生效。
注：多台es服务器配置时，需保证指向相同的远程词典路径，保证加载关键词文件的一致
远程词典测试
在远程词典测试之前，我们需要对我们的索引开启远程词典，这需要配置自定义分词，并开启远程词典加载开关，es hanlp 自定义分词配置参考博文：https://developer.aliyun.com/article/1163285
1.当我们使用hanlp默认词典配置的时候我们测试
shell
POST _analyze
{
"text": "初级会计指南在这里",
"analyzer": "hanlp"
}返回结果是
shell
{
"tokens" : [
{
"token" : "初级",
"start_offset" : 0,
"end_offset" : 2,
"type" : "b",
"position" : 0
},
{
"token" : "会计",
"start_offset" : 2,
"end_offset" : 4,
"type" : "nnt",
"position" : 1
},
{
"token" : "指南",
"start_offset" : 4,
"end_offset" : 6,
"type" : "n",
"position" : 2
},
{
"token" : "在",
"start_offset" : 6,
"end_offset" : 7,
"type" : "p",
"position" : 3
},
{
"token" : "这里",
"start_offset" : 7,
"end_offset" : 9,
"type" : "rzs",
"position" : 4
}
]
}2.我们使用自定义分词配置，开启远程词典
shell
PUT test
{
"settings": {
"analysis": {
"analyzer": {
"hanlp_dongao": {
"tokenizer": "hanlp_analyzer"
}
},
"tokenizer": {
"hanlp_analyzer": {
"type": "hanlp",
"enable_stop_dictionary": true,
"enable_custom_config":true,
"enable_remote_dict":true
}
}
}
}
}然后配置关键词
初级会计等待远程词典加载完成后再次用开启了远程词典的索引测试
加载完成之后再次验证
shell
POST test/_analyze
{
"text": "初级会计指南在这里",
"analyzer": "hanlp_dongao"
}分词结果
shell
{
"tokens" : [
{
"token" : "初级会计",
"start_offset" : 0,
"end_offset" : 4,
"type" : "n",
"position" : 0
},
{
"token" : "指南",
"start_offset" : 4,
"end_offset" : 6,
"type" : "n",
"position" : 1
}
]
}可以看到已经将【初级会计】分成一个词了。
这里有一点需要说明，新增加关键词的话，热加载完成之后es分词就可以按照增加的关键词进行分词，但是删除关键词的话，还是会按之前增加的关键词进行分词，可能是es hanlp插件有缓存机制，也可能是插件版本的问题，我用的是匹配es版本6.7.1的hanlp插件，最新的版本可能不会存在这个问题，但是鉴于升级es改动较大，为了不影响业务只能采用当下版本对应的hanlp插件。这一点在使用es hanlp插件时需要考虑在内。