es拼音分词器（仅供自己参考）

铁板鱿鱼1402024-11-02 10:12

github地址：https://github.com/infinilabs/analysis-pinyin（各种版本，对接es版本）

拼音分词器存在的问题：

1、是直接将每个字的拼音返回和一段话的拼音首字母返回，不能很好的分词。

2、不会保留中文，转为拼音之后，没有中文存在。

自定义分词器

默认的拼音分词器会将每个汉字单独分为拼音，而我们希望的是每个词条形成一组拼音，需要对拼音分词器做个性化定制，形成自定义分词器。

elasticsearch中分词器（analyzer）的组成包含三部分：

1、 character filters：在tokenizer之前对文本进行处理。例如删除字符、替换字符

2、tokenizer：将文本按照一定的规则切割成词条（term）。例如keyword，就是不分词；还有ik_smart

3、tokenizer filter：将tokenizer输出的词条做进一步处理。例如大小写转换、同义词处理、拼音处理等

文档分词时会依次由这三部分来处理文档：

自定义分词器的配置：（只能是相应的索引库使用，创建了test索引库，那么自定义的只能在这个索引库中使用。不能在其他索引库中使用）

bash 复制代码

#自定义分词器，在ik和py的基础上自定义
PUT /test
{
  "settings": {
    "analysis": {
      "analyzer": { 
        "my_analyzer": { 
          "tokenizer": "ik_max_word",        #分词用ik
          "filter": "py"            #配置拼音分词器
        }
      },
      "filter": {
        "py": { 
          "type": "pinyin",        #拼音分词器
          "keep_full_pinyin": false,         #   关闭了单个字符的转为拼音
          "keep_joined_full_pinyin": true,    #开启了词语的拼音转换
          "keep_original": true,                #保留中文
          "limit_first_letter_length": 16,        #首字母的长度小于16
          "remove_duplicated_term": true,        #去除重复的
          "none_chinese_pinyin_tokenize": false    #禁止除中文以为的其他语言转为拼音
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "name":{
        "type": "text",
        "analyzer": "my_analyzer",
        "search_analyzer": "ik_smart"
      }
    }
  }
}

为了避免搜索的时候使用拼音搜到同音词，所以在搜索的时候使用ik分词器"search_analyzer": "ik_smart"