Elasticsearch 入门到精通

入门到精通"/>

Elasticsearch 入门到精通

一、版本和对应关系

Plugin version	Branch version
7.x	7.x
6.x	6.x

二、安装步骤

1、下载安装ES对应Plugin Release版本

        a. 下载对应的release安装包，最新release包可从baidu盘下载（链接:百度网盘 请输入提取码 密码:i0o7）

        b. 执行如下命令安装，其中PATH为插件包绝对路径：

  ./bin/elasticsearch-plugin install file://${PATH}

2、安装数据包

release包中存放的为HanLP源码中默认的分词数据，若要下载完整版数据包，请查看HanLP Release。

数据包目录：ES_HOME/plugins/analysis-hanlp

注：因原版数据包自定义词典部分文件名为中文，这里的hanlp.properties中已修改为英文，请对应修改文件名

3、重启Elasticsearch

注：上述说明中的ES_HOME为自己的ES安装路径，需要绝对路径

4、热更新

在本版本中，增加了词典热更新，修改步骤如下：

a. 在ES_HOME/plugins/analysis-hanlp/data/dictionary/custom目录中新增自定义词典

b. 修改hanlp.properties，修改CustomDictionaryPath，增加自定义词典配置

c. 等待1分钟后，词典自动加载

注：每个节点都需要做上述更改

提供的分词方式说明

hanlp: hanlp	默认分词
hanlp_standard	标准分词
hanlp_index	索引分词
hanlp_nlp	NLP分词
hanlp_crf	CRF分词
hanlp_n_short	N-最短路分词
hanlp_dijkstra	最短路分词
hanlp_speed	极速词典分词

5、样例

POST _analyze
{"text": ["美国阿拉斯加州发生8.0级地震"],"analyzer": "hanlp_index"
}

结果

{"tokens" : [{"token" : "美国","start_offset" : 0,"end_offset" : 2,"type" : "nsf","position" : 0},{"token" : "阿拉斯加州","start_offset" : 2,"end_offset" : 7,"type" : "nsf","position" : 1},{"token" : "阿拉斯加","start_offset" : 2,"end_offset" : 6,"type" : "nsf","position" : 2},{"token" : "阿拉斯","start_offset" : 2,"end_offset" : 5,"type" : "nsf","position" : 3},{"token" : "阿拉","start_offset" : 2,"end_offset" : 4,"type" : "r","position" : 4},{"token" : "拉斯","start_offset" : 3,"end_offset" : 5,"type" : "nrf","position" : 5},{"token" : "加州","start_offset" : 5,"end_offset" : 7,"type" : "ns","position" : 6},{"token" : "发生","start_offset" : 7,"end_offset" : 9,"type" : "v","position" : 7},{"token" : "8.0","start_offset" : 9,"end_offset" : 12,"type" : "m","position" : 8},{"token" : "级","start_offset" : 12,"end_offset" : 13,"type" : "q","position" : 9},{"token" : "地震","start_offset" : 13,"end_offset" : 15,"type" : "n","position" : 10}]
}

三、远程词典配置

配置文件为ES_HOME/config/analysis-hanlp/hanlp-remote.xml

<properties><comment>HanLP Analyzer 扩展配置</comment><!--用户可以在这里配置远程扩展字典 --><entry key="remote_ext_dict">words_location</entry><!--用户可以在这里配置远程扩展停止词字典--><entry key="remote_ext_stopwords">stop_words_location</entry>
</properties>

1. 远程扩展字典

其中words_location为URL或者URL+" "+词性，如：

1. http://localhost:8080/mydic2. http://localhost:8080/mydic nt

第一个样例，是直接配置URL，词典内部每一行代表一个单词，格式遵从[单词] [词性A] [A的频次] [词性B] [B的频次] ... 如果不填词性则表示采用词典的默认词性n。

第二个样例，配置词典URL，同时配置该词典的默认词性nt，当然词典内部同样遵循[单词] [词性A] [A的频次] [词性B] [B的频次] ... 如果不配置词性，则采用默认词性nt。

2. 远程扩展停止词字典

其中stop_words_location为URL，如：

1. http://localhost:8080/mystopdic

样例直接配置URL，词典内部每一行代表一个单词，不需要配置词性和频次，换行符用 \n 即可。

注意，所有的词典URL是需要满足条件即可完成分词热更新：

• 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。

• 可以配置多个字典路径，中间用英文分号;间隔

• URL每隔1分钟访问一次

• 保证词典编码UTF-8

3、自定义分词配置

HanLP在提供了各类分词方式的基础上，也提供了一系列的分词配置，分词插件也提供了相关的分词配置，我们可以在通过如下配置来自定义自己的分词器：

Config	Elastic version
enable_custom_config	是否开启自定义配置
enable_index_mode	是否是索引分词
enable_number_quantifier_recognize	是否识别数字和量词
enable_custom_dictionary	是否加载用户词典
enable_translated_name_recognize	是否识别音译人名
enable_japanese_name_recognize	是否识别日本人名
enable_organization_recognize	是否识别机构
enable_place_recognize	是否识别地名
enable_name_recognize	是否识别中国人名
enable_traditional_chinese_mode	是否开启繁体中文
enable_stop_dictionary	是否启用停用词
enable_part_of_speech_tagging	是否开启词性标注
enable_remote_dict	是否开启远程词典
enable_normalization	是否执行字符正规化
enable_offset	是否计算偏移量

注意： 如果要采用如上配置配置自定义分词，需要设置enable_custom_config为true

例如：

PUT test
{"settings": {"analysis": {"analyzer": {"my_hanlp_analyzer": {"tokenizer": "my_hanlp"}},"tokenizer": {"my_hanlp": {"type": "hanlp","enable_stop_dictionary": true,"enable_custom_config": true}}}}
}

POST test/_analyze
{"text": "美国,|=阿拉斯加州发生8.0级地震","analyzer": "my_hanlp_analyzer"
}

结果：

{"tokens" : [{"token" : "美国","start_offset" : 0,"end_offset" : 2,"type" : "nsf","position" : 0},{"token" : ",|=","start_offset" : 0,"end_offset" : 3,"type" : "w","position" : 1},{"token" : "阿拉斯加州","start_offset" : 0,"end_offset" : 5,"type" : "nsf","position" : 2},{"token" : "发生","start_offset" : 0,"end_offset" : 2,"type" : "v","position" : 3},{"token" : "8.0","start_offset" : 0,"end_offset" : 3,"type" : "m","position" : 4},{"token" : "级","start_offset" : 0,"end_offset" : 1,"type" : "q","position" : 5},{"token" : "地震","start_offset" : 0,"end_offset" : 2,"type" : "n","position" : 6}]
}

 三、遇到问题

1、java.io.FilePermission" “data/dictionary/CoreNatureDictionary.tr.txt” "read"错误

 编辑插件目录下 plugin-security.policy 文件

添加

// HanLP data directories permission java.io.FilePermission "<<ALL FILES>>", "read,write,delete";

重启 Elasticsearch集群

注意：每个节点都需要安装哦