Elasticsearch 实战项目中势必会用到中文分词,而中文分词器的选型包含但不限于如下开源分词器: IK 分词器 https://github.com/medcl/elasticsearch-analysis-ik Ansj 分词器 https://github.com/NLPchina/elasticsearch-analysis-ansj jieba 分词器 https://github.com/sing1ee/elasticsearch-jieba-plugin 清华大学 thulac 分词器 https://github.com/microbun/elasticsearch-thulac-plugin icu 分词器 https://github.com/elastic/elasticsearch-analysis-icu
还有华为的未开源的:泊松分词器;阿里未开源的:达摩院定制的分词器。 但,不论选择何种分词器,尤其选型开源分词器,到头来都会遇到:已有词库词典数据无法满足定制化项目需求的情况。 那么,实战中如何解决词典扩展问题呢?本文给出实战思路。 1 认知前提1.1 分词器选型本文验证使用的 IK 分词器,其他分词器原理相同。1.2 新扩充词典对历史索引数据无效如果想让历史索引数据生效,需要重新导入数据或者 reindex 将历史索引迁移到新索引。迁移过程中,可以以别名统一对外服务,以确保用户无感知。2、新词库从哪里来?2.1 平时积累或算法团队提供的新词库这个得靠平时项目的积累、互联网搜集、或者公司算法团队自研新词发现算法。自然语言处理 NLP 领域新词发现是个领域和方向,感兴趣的可以搜索查看“新词发现”相关资料。推荐阅读:https:///archives/42562.2 互联网开源词库- 系统词库——输入法自带的词库,为您的输入提供基本的字词。
- 细胞词库——全部由网友来贡献。搜狗鼓励用户积极上传或编辑细胞词库,为中文输入的演变做出自己的贡献。
https://pinyin.sogou.com/help.php?list=6&q=32.3 爬取特定领域词库
比如:“亚硝酸盐”领域,非专业不知道有哪些关键词,客户也不一定提供。通过学术搜索,找相关文章的关键词,下载后去重导入词典就是很好的扩展方案。3 静态扩展词典静态指:在 Elasticsearch 集群部署完毕后,安装 ik 分词器的时候,不仅使用 ik 开源自带的分词器,而且加上满足自身项目要求的词典。这种词典的添加或更新,必须重新启动 Elasticsearch 才能生效。3.1 步骤 1:下载词库https://pinyin.sogou.com/dict/cate/index/4033.2 步骤 2:将.scel 转为 txt 文本格式可以借助 python 脚本实现,或者借助第三方工具,如:深蓝词库转换工具。3.3 步骤 3:将生成的文本文件去重借助:shell 脚本 sort、uniq 即可实现,比如生成sogou_ext.dic文件。3.4 步骤 4:将生成待添加词库添加到 IK 配置文件中./config/analysis-ik/IKAnalyzer.cfg.xml
3.5 步骤 5:重新启动 Elasticsearch 节点 显然,更新词库后,“云南省红河哈尼族彝族自治州”作为一个完整的词分词了,说明更新词库已生效。4 动态扩展词典以 IK 分词器为例,采用修改 IK 插件源码,动态词库结合更新 Mysql 库表实现。4.1 步骤 1:下载 IK 插件源码4.2 步骤 2:修改 IK 插件源码在elasticsearch安装目录config目录下,需要在jdbc-reload.properties 配置文件中配置更新热词的mysql的地址。数据库连接要加上时间格式和ssl的声明,否则会报时间格式的错误和数据库连接缺少ssl证书的错误。jdbc:mysql://192.168.1.15:3306/sogou_ext?useSSL=false&serverTimezone=GMT
4.3 步骤 3:将修改后源码重新打包4.4 步骤 4:原有插件包替换为新插件包将打包后插件更新到 Elasticsearch 插件部署位置./plugins/analysis-ik/elasticsearch-analysis-ik-7.13.0.jar
- 将mysql驱动的jar包复制到系统java目录的jre/lib/ext文件夹中。
- 修改/jre/lib/security/java.policy文件在grant下添加如下两行代码:
permission java.lang.RuntimePermission createClassLoader; permission java.lang.RuntimePermission getClassLoader;
4.5 步骤 5:重启 Elasticsearch 节点,以使新插件生效重启后,动态添加方式可以通过脚本更新 Mysql 数据库表的方式实现。Elasticsearch 会动态捕获 Mysql 的更新,以实现动态添加词库。再次强调一下:词库只对新索引数据生效,若想对历史索引生效,需要重新导入数据或者借助 reindex 实现。5 小结本文以实战环节经常遇到的词库、词典更新问题出发,从新词库的三种来源方式、静态添加词库、动态添加词库三个问题展开探讨,目的是给大家一些实战参考思路。本文仅是抛砖引玉,相信词库的获取和更新肯定还有更多、更优秀的实现方式。
|