写点什么

一起学 Elasticsearch 系列 - 分词器

作者:码农BookSea
  • 2023-11-27
    浙江
  • 本文字数:10257 字

    阅读完需:约 34 分钟

一起学Elasticsearch系列-分词器

本文已收录至 Github,推荐阅读 👉 Java随想录

微信公众号:Java随想录


在 Elasticsearch 中,分词器是用于将文本数据划分为一系列的单词(或称之为词项、tokens)的组件。这个过程是全文搜索中的关键步骤。


一个分词器通常包含以下三个部分:


  • 字符过滤器(Character Filters):它接收原始文本作为输入,然后可以对这些原始文本进行各种转换,如去除 HTML 标签,将数字转换为文字等。

  • 分词器(Tokenizer):它将经过字符过滤器处理后的文本进行切分,生成一系列词项。例如,标准分词器会按照空格将文本切分成词项。

  • 词项过滤器(Token Filters):它对词项进行进一步的处理。比如小写化,停用词过滤(移除常见而无意义的词汇如"and", "the"),同义词处理,stemming(提取词根)等。


Elasticsearch 提供了许多内置的分词器,如标准分词器(Standard Tokenizer)、简单分词器(Simple Tokenizer)、空白分词器(Whitespace Tokenizer)、关键字分词器(Keyword Tokenizer)等。每种分词器都有其特定的应用场景,并且用户也可以自定义分词器以满足特殊需求。

规范化:Normalization

在 Elasticsearch 中,"Normalization" 是指将文本数据转化为一种标准形式的步骤。这种处理主要发生在索引时,包括以下操作:


  • Lowercasing:将所有字符转换为小写。这是最常见的标准化形式,因为搜索常常是不区分大小写的。

  • Removing diacritical marks:移除重音符号或其他变音记号。例如,将 "résumé" 转换为 "resume"。

  • Converting characters to their ASCII equivalent:将非 ASCII 字符转换为等效的 ASCII 字符。例如,将 "ë" 转换为 "e"。


这些转换有助于提高搜索的准确性,因为用户可能以各种不同的方式输入同一个词语。通过将索引和搜索查询都转换为相同的形式,可以更好地匹配相关结果。


normalization 的作用就是将文档规范化,提高召回率


举个例子:


假设我们希望在 Elasticsearch 中创建一个新的索引,该索引包含一个自定义分析器,该分析器将文本字段转换为小写并移除变音符号。示例如下:


PUT /my_index{  "settings": {    "analysis": {      "analyzer": {        "my_custom_analyzer": {           "type": "custom",          "tokenizer": "standard",          "filter": ["lowercase", "asciifolding"]        }      }    }  },  "mappings": {    "properties": {      "my_field": {        "type": "text",        "analyzer": "my_custom_analyzer"      }    }  }}
复制代码


在这个例子中,我们首先使用 PUT 请求创建了一个名为 "my_index" 的新索引。然后,在 settings 对象中定义了一个名为 "my_custom_analyzer" 分析器。


这个分析器包括三部分:


  • "type": "custom": 这表示我们正在创建一个自定义分析器。

  • "tokenizer": "standard": 这设置了标准分词器,它按空格和标点符号将文本拆分为单词。

  • "filter": ["lowercase", "asciifolding"]: 这是一个过滤器链,将所有文本转为小写 (lowercasing) 并移除所有的变音符号(如 accented characters)。


最后,在 mappings 对象中,我们指定 "my_field" 字段要使用这个自定义分析器。


现在,当我们索引包含像 "Résumé" 这样的文本时,它会被标准化为"resume",这样无论用户输入 "resume" 还是 "résumé" 或者 "RESUME", 都能匹配到正确的结果。


POST /my_index/_doc{  "my_field": "Méditerranéen RÉSUMÉ"}
复制代码


Elasticsearch 在索引这个文档时会将 "Méditerranéen RÉSUMÉ" 转换成 "mediterraneen resume"。这样,无论搜索查询是 "Méditerranéen", "méditerranéen", "MEDITERRANÉEN", "Resume", "résumé" 或 "RESUME",都能找到这个文档。

字符过滤器:Character Filter

Character Filters 就是在分词之前过滤掉一些无用的字符, 是 Elasticsearch 中的一种文本处理组件,它可以在分词前先对原始文本进行处理。这包括删除 HTML 标签、转换符号等。


下面是一些常用的 Character Filter:


  • HTML Strip Character Filter:从输入中去除 HTML 元素,只保留文本内容。例如,<p>Hello World</p> 被处理为 "Hello World"

  • Mapping Character Filter:通过一个预定义的映射关系,将指定的字符或字符串替换为其他字符或字符串。例如,你可以定义一个规则将 "&" 替换为 "and"。

  • Pattern Replace Character Filter:使用正则表达式匹配和替换字符。

HTML Strip Character Filter

HTML Strip Character Filter 是 Elasticsearch 中的一种 Character Filter,其功能是从输入的文本中去除 HTML 元素。这对于处理包含 HTML 标签的文本十分有用。


下面的例子展示了如何创建一个使用 HTML Strip Character Filter 的索引:


PUT /my_index{  "settings": {    "analysis": {      "analyzer": {        "my_html_analyzer": {           "tokenizer": "standard",          "char_filter": ["html_strip"]        }      }    }  },  "mappings": {    "properties": {      "my_field": {        "type": "text",        "analyzer": "my_html_analyzer"      }    }  }  }
复制代码


在这个例子中,我们首先创建了一个新的索引 "my_index"。然后,在分析器配置中,我们创建了一个名为 "my_html_analyzer" 的分析器,并在此分析器中使用了名为 "html_strip" 的内置 character filter。这将会移除 "my_field" 字段中任何的 HTML 标记,只保留纯文本内容。


如果你现在往该索引插入一个包含 HTML 标签的文档,例如:


POST /my_index/_doc{  "my_field": "<p>Hello World</p>"}
复制代码


Elasticsearch 将会把 "<p>Hello World</p>" 看作是 "Hello World" 进行索引。这样无论搜索者输入 "Hello World" 还是 "<p>Hello World</p>",都可以找到这个文档。

Mapping Character Filter

在 Elasticsearch 中,Mapping Character Filter 允许通过创建自定义字符映射来预处理文本。这意味着在进行索引或搜索时,可以将特定的字符或字符序列替换为其他字符。


例如,如果你正在处理法语文本并希望统一所有形式的“è”,你可能会创建一个映射,将“è”映射为“e”。或者,如果你正在处理包含特定公司名称的文本,并希望将所有变体都映射到一个常见形式,可以使用此过滤器。


具体的配置如下:


PUT /my_index{  "settings": {    "analysis": {      "analyzer": {        "my_analyzer": {          "tokenizer": "keyword",          "char_filter": ["my_char_filter"]        }      },      "char_filter": {        "my_char_filter": {          "type": "mapping",          "mappings": ["&=> and ", "è => e"]        }      }    }  },  "mappings": {    "properties": {      "text": {        "type": "text",        "analyzer": "my_analyzer"      }    }  }}
复制代码


在这个例子中,我们创建了一个新的 char_filter,命名为 my_char_filter。然后在分析器 my_analyzer 中引用了这个字符过滤器。最后,我们定义了两个映射:“&”映射为“and ”,以及“è”映射为“e”。


总的来说,Mapping Character Filter 提供了一种灵活的方式,让你能够根据需求修改和控制如何处理文本数据。


当你配置了索引并创建了特定的字符映射规则后,你可以往该索引中插入文档。以下是一个例子:


PUT /my_index/_doc/1{  "text": "M&M's are delicious!"}
复制代码


在这个例子中,我们向 my_index 索引中的 text 字段添加了一条记录:"M&M's are delicious!"。因为我们之前在 my_analyzer 中定义了一个映射规则,它会自动把 "&" 替换成 "and"。


所以,在 Elasticsearch 中,无论用户搜索 "M and M's are delicious!" 还是原始的 "M&M's are delicious!",都能找到这条记录。同时,如果你检索这个文档,例如 GET /my_index/_doc/1,返回的结果中 text 字段仍为原始输入: "M&M's are delicious!",因为 character filter 只对搜索和索引过程生效,不会改变实际存储的文档内容。


Mapping Character Filter 还有一个使用场景,比如平时我们网上发送弹幕或者游戏中公屏聊天的时候,要是说脏话,脏话内容会被替代为:*。

Pattern Replace Character Filter

Pattern Replace Character Filter 是 Elasticsearch 中一个强大的工具,它允许使用正则表达式来匹配文本,并将匹配的内容替换为指定的字符串。这对于处理有复杂需求的文本非常有用。


例如,假设你需要在索引或搜索时删除所有的数字,可以使用 Pattern Replace Character Filter,并设置一个匹配所有数字的正则表达式 [0-9],然后将其替换为空字符串或其他所需的字符。


示例如下:


PUT /my_index{  "settings": {    "analysis": {      "analyzer": {        "my_analyzer": {          "tokenizer": "keyword",          "char_filter": ["my_pattern_replace_char_filter"]        }      },      "char_filter": {        "my_pattern_replace_char_filter": {          "type": "pattern_replace",          "pattern": "[0-9]",          "replacement": ""        }      }    }  },  "mappings": {    "properties": {      "text": {        "type": "text",        "analyzer": "my_analyzer"      }    }  }}
复制代码


在这个例子中,我们定义了一个名为 my_pattern_replace_char_filter 的字符过滤器,该过滤器将所有数字(匹配正则表达式 [0-9])替换为一个空字符串("")。然后,在我们的分析器 my_analyzer 中使用了这个字符过滤器。最后,在映射中我们指定了字段 "text" 使用这个分析器。因此,当你向 "text" 字段存储含有数字的文本时,所有的数字会被移除。


当你配置好索引并设定了特定的字符过滤规则后,你可以向这个索引插入文档。例如:


PUT /my_index/_doc/1{  "text": "I have 10 apples."}
复制代码


在这个例子中,我们向my_index索引的text字段添加了一条记录:"I have 10 apples."。因为我们之前在 my_analyzer 中定义了一个正则表达式替换规则,它会自动把数字("[0-9]")替换为空字符串。


所以,在 Elasticsearch 中,无论用户搜索 "I have apples." 还是原始的 "I have 10 apples.",都能找到这条记录。同时,如果你检索这个文档,例如 GET /my_index/_doc/1,返回的结果中 text 字段仍为原始输入: "I have 10 apples.",因为 character filter 只对搜索和索引过程生效,不会改变实际存储的文档内容。


Pattern Replace Character Filter 有一个常用的场景就是手机号脱敏,比如:假设我们希望将电话号码中的某几位数字替换为星号 "*" 来进行脱敏处理。可以使用 Pattern Replace Character Filter 进行配置,如下:


PUT /my_index{  "settings": {    "analysis": {      "analyzer": {        "my_analyzer": {          "tokenizer": "keyword",          "char_filter": ["my_pattern_replace_char_filter"]        }      },      "char_filter": {        "my_pattern_replace_char_filter": {          "type": "pattern_replace",          "pattern": "(\d{3})(\d{4})(\d{4})",          "replacement": "$1****$3"        }      }    }  },  "mappings": {    "properties": {      "text": {        "type": "text",        "analyzer": "my_analyzer"      }    }  }} 
复制代码


在这个示例中,我们创建的 my_pattern_replace_char_filter 将匹配任意连续 10 位数字的电话号码,并将其中的第 4 至第 7 位替换为四个星号 "*"。


然后插入一条包含手机号的文档:


PUT /my_index/_doc/1{  "text": "My phone number is 12345678901."}
复制代码


Elasticsearch 在索引这个文档时,会按照我们设置的规则将手机号码脱敏,所以无论用户搜索 "My phone number is 12345678901." 还是 "My phone number is 123****8901." 都能找到这条记录。

令牌过滤器(Token Filter)

在 Elasticsearch 中,Token Filter 负责处理 Analyzer 的 Tokenizer 输出的单词或者 tokens。这些处理操作包括:转换为小写、删除停用词、添加同义词等。

大小写和停用词

以下是一个例子,我们创建一个自定义分析器来演示如何使用 lowercasestop token filter


PUT /my_index{  "settings": {    "analysis": {      "analyzer": {        "my_analyzer": {          "tokenizer": "standard",          "filter": ["lowercase", "english_stop"]        }      },      "filter": {        "english_stop": {          "type": "stop",          //这里的 _english_ 是一个预设的停用词列表,          //它包含了一些常用的英语停用词,如 "and", "is", "the" 等。          "stopwords": "_english_"        }      }    }  },  "mappings": {    "properties": {      "text": {        "type": "text",        "analyzer": "my_analyzer"      }    }  }}
复制代码


在这个例子中,我们创建了一个名为 my_analyzer 的自定义分析器,它首先使用 standard 分词器将文本分割成 tokens,然后使用 lowercase 将所有 tokens 转换为小写形式,并使用 english_stop 过滤器移除英文停用词。


现在插入一条记录来测试:


PUT /my_index/_doc/1{  "text": "The Quick BROWN Fox Jumps Over THE Lazy Dog"}
复制代码


上述例子中的文本 "The Quick BROWN Fox Jumps Over THE Lazy Dog",运用我们自定义的 my_analyzer 分析器后,停用词(如 "The", "Over")将被剔除,并且所有的单词都会被转化为小写。所以这句话在进行索引和搜索时,实际上会被处理成:["quick", "brown", "fox", "jumps", "lazy", "dog"]。

同义词

synonym token filter 可以帮助我们处理同义词。它可以将某个词或短语映射到其它的同义词。


例如,假设你有一个电子商务网站,并且你想让搜索 "cellphone" 的用户也能看到所有包含 "mobile", "smartphone" 的商品。你可以使用 synonym token filter 来实现这一目标。


以下是一个使用 synonym token filter 的例子:


PUT /my_index{  "settings": {    "analysis": {      "filter": {        "my_synonym_filter": {          "type": "synonym",          // "synonyms": ["赵,钱,孙,李=>吴", "周=>王"]          //也可以像上面这种写法          //当字段中出现"赵"、"钱"、"孙"或"李"时,会被替换成"吴"进行索引;          //当字段中出现"周"时,会被替换成"王"进行索引。          "synonyms": [            "cellphone, mobile, smartphone"          ]        }      },      "analyzer": {        "my_synonyms": {          "tokenizer": "standard",          "filter": [            "lowercase",            "my_synonym_filter"          ]        }      }    }  },   "mappings": {    "properties": {      "text": {        "type": "text",        "analyzer": "my_synonyms"      }    }  }}
复制代码


在这个设置中,我们创建了一个名为 my_synonym_filter 的同义词过滤器,并定义了 "cellphone", "mobile", "smartphone" 是互为同义词。然后我们在 my_synonyms 分析器中使用了该过滤器。


所以现在,无论你是输入 "cellphone", "mobile", 还是 "smartphone" 搜索,Elasticsearch 都会将其视为相同的查询。


我们可以使用synonyms_path 指定同义词规则路径,这个文件中列出了所有你定义的同义词,每行都是一组同义词,各词之间用逗号分隔。


使用 synonyms_path 参数的主要优点是,你可以在不重启 Elasticsearch 或重新索引数据的情况下,通过更新这个文件来动态地改变同义词规则。


假设你有一个名为 synonyms.txt 的文件,内容如下:


cellphone, mobile, smartphone tv, telly, television 
复制代码


然后你可以这样配置你的 index:


PUT /my_index{  "settings": {    "index" : {      "analysis" : {        "analyzer" : {          "my_analyzer" : {            "tokenizer" : "standard",            "filter" : ["lowercase", "my_synonym_filter"]          }        },        "filter" : {          "my_synonym_filter" : {            "type" : "synonym",            "synonyms_path" : "analysis/synonyms.txt"          }        }      }    }     },     "mappings": {    "properties": {      "text": {        "type": "text",        "analyzer": "my_analyzer"      }    }  }}
复制代码


在这个设置中,我们创建了一个自定义分析器 my_analyzer ,并使用了一个自定义的同义词过滤器 my_synonym_filter。过滤器中的 synonyms_path 参数指向了存放同义词的 synonyms.txt 文件。


注意:synonyms_path 是相对于 config 目录的路径。例如,如果你的 config 目录在 /etc/elasticsearch/,那么 synonyms.txt 文件应该放在 /etc/elasticsearch/analysis/synonyms.txt

分词器(Tokenizer)

在 Elasticsearch 中,分词器是用于将文本字段分解成独立的关键词(或称为 token)的组件。这是全文搜索中的一个重要过程。Elasticsearch 提供了多种内建的 tokenizer。


以下是一些常用的 tokenizer:


  • Standard Tokenizer:它根据空白字符和大部分标点符号将文本划分为单词。这是默认的 tokenizer。

  • Whitespace Tokenizer:仅根据空白字符(包括空格,tab,换行等)进行切分。

  • Language Tokenizers:基于特定语言的规则来进行分词,如 englishfrench 等。

  • Keyword Tokenizer:它接收任何文本并作为一个整体输出,没有进行任何分词。

  • Pattern Tokenizer:使用正则表达式来进行分词,可以自定义规则。


你可以根据不同的数据和查询需求,选择适当的 tokenizer。另外,也可以通过定义 custom analyzer 来混合使用 tokenizer 和 filter(比如 lowercase filter,stop words filter 等)以达到更复杂的分词需求。

自定义分词器:Custom Analyzer

在 Elasticsearch 中,你可以创建自定义分词器(Custom Analyzer)。一个自定义分词器由一个 tokenizer 和零个或多个 token filters 组成。tokenizer 负责将输入文本划分为一系列 token,然后 token filters 对这些 token 进行处理,比如转换成小写、删除停用词等。


以下是一个自定义分析器的例子:


PUT /my_index{  "settings": {    "analysis": {      "filter": {        "my_stopwords": {          "type": "stop",          "stopwords": ["the", "and"]        }      },      "analyzer": {        "my_custom_analyzer": {          "type": "custom",          "tokenizer": "standard",          "filter": [            "lowercase",            "my_stopwords"          ]        }      }    }  },  "mappings": {    "properties": {      "text": {        "type": "text",        "analyzer": "my_custom_analyzer"      }    }  }}
复制代码


在这个配置中,我们首先定义了一个名为 my_stopwords 的停用词过滤器,包含两个停用词 "the" 和 "and"。然后我们创建了一个名为 my_custom_analyzer 的自定义分析器,其中使用了 standard tokenizer 以及 lowercase filtermy_stopwords filter


因此,在为字段 text 索引文本时,Elasticsearch 会首先使用 standard tokenizer 将文本切分为 tokens,然后将这些 tokens 转换为小写,并移除其中的 "the" 和 "and"。对于搜索查询也同样适用此规则。

中文分词器:ik 分词

elasticsearch 默认的内置分词器对中文的分词效果可能并不理想,因为它们主要是针对英文等拉丁语系的文本设计的。如果要在中文文本上获得更好的分词效果,我们可以考虑使用中文专用的分词器。


IK 分词器是一个开源的中文分词器插件,特别为 Elasticsearch 设计和优化。它在中文文本的分词处理上表现出色,能够根据中文语言习惯进行精细的分词。

安装和部署

  • ik 下载地址:https://github.com/medcl/elasticsearch-analysis-ik

  • 创建插件文件夹 cd your-es-root/plugins/ && mkdir ik

  • 将插件解压缩到文件夹 your-es-root/plugins/ik

  • 重新启动 es

ik 文件描述

  • IKAnalyzer.cfg.xml:IK 分词配置文件。

  • main.dic:主词库。

  • stopword.dic:英文停用词,不会建立在倒排索引中。

  • quantifier.dic:特殊词库:计量单位等。

  • suffix.dic:特殊词库:行政单位。

  • surname.dic:特殊词库:百家姓。

  • preposition:特殊词库:语气词。

ik 提供的两种 analyzer

  • ik_max_word:会将文本做最细粒度的拆分,比如会将“中华人民共和国国歌”拆分为“中华人民共和国,中华人民,中华,华人,人民共和国,人民,人,民,共和国,共和,和,国国,国歌”,会穷尽各种可能的组合,适合 Term Query。

  • ik_smart:会做最粗粒度的拆分,比如会将“中华人民共和国国歌”拆分为“中华人民共和国,国歌”,适合 Phrase 查询。

ik 自定义词库

要使用 IK 分词器的自定义词库,需要对 IK 插件的配置文件进行修改。步骤如下:


  1. 找到你 Elasticsearch 安装目录下的 plugins 文件夹,然后打开 ik 目录。

  2. ik 目录中,你会找到名为 config 的文件夹,这就是 IK 配置的位置。

  3. config 文件夹中新建一个文本文件,比如叫做 my_dict.dic,然后在这个文件中加入你自己的词汇,每行一个词。

  4. 接着打开 IKAnalyzer.cfg.xml 配置文件,在 <properties> 标签内添加一行 <property name="ext_dict">my_dict.dic</property>,告诉 IK 分词器你的自定义词库在哪里。

  5. 保存修改并重启 Elasticsearch,这时就可以使用自定义的词库了。


<?xml version="1.0" encoding="UTF-8"?><!DOCTYPE properties SYSTEM "[http://java.sun.com/dtd/properties.dtd](http://java.sun.com/dtd/properties.dtd)"><properties>  <comment>IK Analyzer 扩展配置</comment>  <property name="ext_dict">my_dict.dic</property>  <!--用户可以在这里配置自己的扩展字典 -->  <property name="ext_stopwords"></property>  <!--用户可以在这里配置自己的扩展停止词字典--></properties>
复制代码


上述配置告诉 IK 分词器使用 my_dict.dic 作为扩展字典,但没有设置扩展的停用词字典。


注意这种方式只支持静态词库,一旦词库文件更改,则需要重启 Elasticsearch 才能加载新的词条。

热更新

要修改词库,必须重启 ES 才能生效,有时我们会频繁更新词库,比较麻烦,更致命的是,es 肯定是分布式的,可能有数百个节点,我们不能每次都一个一个节点上面去修改。基于这种场景,我们可以使用热更新功能。


实现热更新有两种办法:基于远程词库和基于数据库。

基于远程词库

IK 分词器支持从远程 URL 下载扩展字典,这就可以用来实现词库的热更新。


IKAnalyzer.cfg.xml 配置文件中,你可以设置 ext_dictext_stopwords 属性为一个指向你的在线词库文件的 URL:


<?xml version="1.0" encoding="UTF-8"?><!DOCTYPE properties SYSTEM "[http://java.sun.com/dtd/properties.dtd](http://java.sun.com/dtd/properties.dtd)"><properties>  <comment>IK Analyzer 扩展配置</comment>  <property name="ext_dict">[http://myserver.com/my_dict.dic](http://myserver.com/my_dict.dic)</property>  <!--用户可以在这里配置远程扩展字典 -->  <property name="ext_stopwords">[http://myserver.com/my_stopwords.dic](http://myserver.com/my_stopwords.dic)</property>  <!--用户可以在这里配置远程扩展停止词字典--></properties>
复制代码


此设置告诉 IK 分词器从指定的 URL 下载词库。它会周期性地(默认每 60 秒)检查这些 URL,如果发现有更新,就重新下载并加载新的词库。


根据官方文档,该请求需要满足下列 2 点:


  • 该 http 请求需要返回两个头部(header),一个是 Last-Modified,一个是 ETag,这两者都是字符串类型,只要有一个发生变化,该插件就会去抓取新的分词进而更新词库。

  • 该 http 请求返回的内容格式是一行一个分词,换行符用 \n 即可。


满足上面两点要求就可以实现热更新分词了,不需要重启 ES 实例。


可以将需要自动更新的热词放在一个 UTF-8 编码的 .txt 文件里,放在 nginx 或其他简易 http server 下,当 .txt 文件修改时,http server 会在客户端请求该文件时自动返回相应的 Last-Modified 和 ETag。可以另外做一个工具来从业务系统提取相关词汇,并更新这个 .txt 文件。


基于远程词库这种方式比较简单上手,但是也存在一些缺点:


缺点:


  1. 词库的管理不方便,要操作直接操作磁盘文件,检索页很麻烦。

  2. 文件的读写没有专门的优化性能不好。

  3. 多一层接口调用和网络传输。

基于数据库

另外一种方式是基于数据库,这种方式使用比较多,但需要修改 ik 插件源码,有一定复杂度。


基本思路是将词库维护在数据库(MySQL,Oracle 等),修改 ik 源码去数据库加载词库,然后将源码重新打包引入到我们的 elasticsearch 中。


大概操作步骤如下:


  1. 获取 IK 项目源码:首先从 GitHub 或其他地方获取 IK 分词器插件的源码。

  2. 设置数据库连接:在代码中设置好你的数据库连接参数,如数据库地址、用户名、密码等。

  3. 编写读取数据库词库的函数:编写一个可以从数据库读取词库数据并转换为 IK 分词器可以使用的格式(比如 ArrayList<String>)的函数。

  4. 修改字典加载部分的代码:找到 IK 源码中负责加载扩展字典的部分,原本这部分代码是将文件内容加载到内存中,现在改为调用你刚才编写的函数,从数据库中加载词库数据。

  5. 添加定时任务:添加一个定时任务,每隔一段时间重新执行一次上述加载操作,以实现词库的热更新。

  6. 编译和安装:完成上述修改后,按照 IK 插件的构建说明,使用 Maven 或其他工具将其编译成插件,然后安装到 Elasticsearch 中。

发布于: 刚刚阅读数: 2
用户头像

码农BookSea

关注

Java开发工程师 2021-12-26 加入

Java开发菜鸟工程师,写博客的初衷是为了沉淀我所学习,累积我所见闻,分享我所体验。希望和更多的人交流学习。

评论

发布
暂无评论
一起学Elasticsearch系列-分词器_Java_码农BookSea_InfoQ写作社区