31彻底掌握IK中文分词_IK分词器配置文件讲解以及自定义词库实战

1、ik配置文件

ik配置文件地址：es/plugins/ik/config目录

IKAnalyzer.cfg.xml：用来配置自定义词库

main.dic：ik原生内置的中文词库，总共有27万多条，只要是这些单词，都会被分在一起 quantifier.dic：放了一些单位相关的词 suffix.dic：放了一些后缀名 surname.dic：中国的姓氏 stopword.dic：英文停用词

ik原生最重要的两个配置文件

1.main.dic：包含了原生的中文词语，会按照这个里面的词语去分词 2.stopword.dic：包含了英文的停用词

停用词stopword：比如a the and at but

一般像停用词，会在分词的时候，直接被干掉，不会建立在倒排索引中

2、自定义词库

（1）自己建立词库：每年都会涌现一些特殊的流行词，网红，蓝瘦香菇，喊麦，鬼畜，一般不会在ik的原生词典里

GET _analyze
{
  "text": "网红",
  "analyzer": "ik_max_word"
}

响应结果

{
  "tokens": [
    {
      "token": "网",
      "start_offset": 0,
      "end_offset": 1,
      "type": "CN_CHAR",
      "position": 0
    },
    {
      "token": "红",
      "start_offset": 1,
      "end_offset": 2,
      "type": "CN_CHAR",
      "position": 1
    }
  ]
}

需要自己补充自己的最新的词语，到ik的词库里面去

IKAnalyzer.cfg.xml：ext_dict设置custom/mydict.dic

custom在IK旧版本是有这个包的，如果新版本没有可以自己创建

创建

添加

补充自己的词语，然后需要重启es，才能生效

GET _analyze
{
  "text": "网红",
  "analyzer": "ik_max_word"
}

响应结果

{
  "tokens": [
    {
      "token": "网红",
      "start_offset": 0,
      "end_offset": 2,
      "type": "CN_WORD",
      "position": 0
    }
  ]
}

（2）自己建立停用词库：比如了，的，啥，么，我们可能并不想去建立索引，让人家搜索

custom/ext_stopword.dic，已经有了常用的中文停用词没有可以自己创建，可以补充自己的停用词，然后重启es

GET _analyze
{
  "text": "啥网红",
  "analyzer": "ik_max_word"
}

响应

{
  "tokens": [
    {
      "token": "啥",
      "start_offset": 0,
      "end_offset": 1,
      "type": "CN_CHAR",
      "position": 0
    },
    {
      "token": "网红",
      "start_offset": 1,
      "end_offset": 3,
      "type": "CN_WORD",
      "position": 1
    }
  ]
}

将啥作为一个停用词

重启es

GET _analyze
{
  "text": "啥网红",
  "analyzer": "ik_max_word"
}

响应结果

{
  "tokens": [
    {
      "token": "网红",
      "start_offset": 1,
      "end_offset": 3,
      "type": "CN_WORD",
      "position": 0
    }
  ]
}