分詞器的執(zhí)行流程Character Filter字符過濾器 → Tokenizer切詞器 → Token Filter詞條過濾器字符過濾器Character Filter操作對象原始完整字符串還沒切詞工作字符層面替換、刪除、清洗。例子去掉 HTML 標簽、全角轉(zhuǎn)半角、正則替換。切詞器Tokenizer操作對象經(jīng)過字符過濾器處理后的字符串工作把連續(xù)字符串切割成一個個獨立的token同時生成term詞條文本position詞位置match_phrase 依賴start_offset /end_offset字符起止偏移例如 standard tokenizer 按單詞邊界切分。詞條過濾器Token Filter操作對象已經(jīng)切好的單個 token工作對每個 token 里面的 term 做修改、刪除、新增不會改變 token 的 position 和 offset。常見操作小寫轉(zhuǎn)換、去停用詞、同義詞、詞干提取。文本正?；裻oken做標準化處理消除無關(guān)差異讓語義相同、寫法不同的文本分詞后得到一樣的 term。常見的正常化操作standard 分詞器自帶大小寫轉(zhuǎn)換全部轉(zhuǎn)為小寫Xiaomi→xiaomi這樣match搜Xiaomi和xiaomi能命中同一文檔。去掉變音符號重音café→cafe法語、西班牙語的重音符號剝離。刪除停用詞可選stop token filter英文the、a、is這類無實義虛詞直接移除減少索引體積。同義詞替換synonym filter手機、移動電話→ 統(tǒng)一映射成同一個 term。去除多余符號、特殊字符、空白自定義分詞器在settings里面定義analyzer由三部分組成char_filter可選 tokenizer必須只能 1 個 filter可選token filter# 自定義分詞器支持字符映射和同義詞過濾PUTmy_index{settings:{analysis:{char_filter:{my_mapping:{type:mapping,mappings:[$ yuan, youjian]}},filter:{my_synonym:{type:synonym,synonyms:[xiaomi,pianyi,phone,dianhua]}},analyzer:{my_analyzer:{type:custom,char_filter:[my_mapping],tokenizer:standard,filter:[lowercase,my_synonym]}}}}}# 測試GET/my_index/_analyze{text:[xiaomi shouji $,phone],analyzer:my_analyzer}其中字符通過映射轉(zhuǎn)化$ yuanphone新增了近義詞dianhua。分詞器插件中文使用默認的standard分詞器文本將被拆分成單個字符中文一般使用ik分詞器。ik分詞器插件安裝插件版本需和es版本對應(yīng)下載地址https://release.infinilabs.com/analysis-ik/stable/得到對應(yīng)版本的下載地址后在容器內(nèi)執(zhí)行./bin/elasticsearch-plugin install https://release.infinilabs.com/analysis-ik/stable/elasticsearch-analysis-ik-8.15.0.zip安裝后重啟es測試添加擴展詞典若有自定義的詞組或停頓詞未被正常識別可添加自定義的拓展詞典然后再ik插件目錄的文件中進行配置。1、新增自定義詞典my_ext.dic小米手機 鴻蒙系統(tǒng) 豆包大模型2、將文件放入到配置目錄目錄地址/usr/share/elasticsearch/config/analysis-ik3、配置文件中指定自定義的詞典4、重啟es驗證同樣的方法也可以配置指定義停頓詞在停頓詞文件中的詞條分詞時會被去掉。配置遠程詞庫本地擴展詞庫每次修改需要重啟es服務(wù)才能生效es支持配置遠程詞庫通過接口請求的方式熱更新擴展詞庫。核心IK 內(nèi)置Monitor 定時線程每隔1 分鐘向遠程 URL 發(fā)起HEAD請求校驗Last-Modified/ETag任意一個發(fā)生變化則GET拉取詞庫內(nèi)存重載詞典不需要重啟 ES。可以通過搭建服務(wù)或使用nginx返回對應(yīng)擴展文件。1、使用nginx返回詞典數(shù)據(jù)nginx配置靜態(tài)服務(wù)# 服務(wù)1IK遠程詞典8002端口 server{listen8002;# 指定靜態(tài)資源目錄 root/usr/share/nginx/html;# 本server下所有返回文本默認標記utf-8charset utf-8;# 關(guān)鍵讓txt文件也帶上charset默認charset只對html生效 charset_types text/plain;location/ikdict/{# 設(shè)置文件不緩存 add_headerCache-Controlno-cache;}}2、在資源目錄下添加remote_dict.txt和remote_stop.txtremote_dict.txt 渣男 渣女remote_stop.txt 分割3、配置文件中配置遠程地址保存后重啟一次es后續(xù)只要遠程文件有改動詞庫會自動更新。4、驗證添加遠程詞庫前詞庫生效前‘渣男’、‘渣女’被單獨拆分‘分割’也被識別為了詞條。當檢測到遠程文件變動時es會重新加載文件控制臺有日志打印生效后