使用HanLP增强Elasticsearch分词功能

hanlp-ext 插件源码地址：http://git.oschina.net/hualongdata/hanlp-ext 或 https://github.com/hualongdata/hanlp-ext

Elasticsearch 默认对中文分词是按“字”进行分词的，这是肯定不能达到我们进行分词搜索的要求的。官方有一个 SmartCN 中文分词插件，另外还有一个 IK 分词插件使用也比较广。但这里，我们采用 HanLP 这款 自然语言处理工具 来进行中文分词。

Elasticsearch

Elasticsearch 的默认分词效果是惨不忍睹的。

    GET /_analyze?pretty
    {      "text" : ["重庆华龙网海数科技有限公司"]
    }

输出：

{  "tokens": [
    {      "token": "重",      "start_offset": 0,      "end_offset": 1,      "type": "",      "position": 0
    },
    {      "token": "庆",      "start_offset": 1,      "end_offset": 2,      "type": "",      "position": 1
    },
    {      "token": "华",      "start_offset": 2,      "end_offset": 3,      "type": "",      "position": 2
    },
    {      "token": "龙",      "start_offset": 3,      "end_offset": 4,      "type": "",      "position": 3
    },
    {      "token": "网",      "start_offset": 4,      "end_offset": 5,      "type": "",      "position": 4
    },
    {      "token": "海",      "start_offset": 5,      "end_offset": 6,      "type": "",      "position": 5
    },
    {      "token": "数",      "start_offset": 6,      "end_offset": 7,      "type": "",      "position": 6
    },
    {      "token": "科",      "start_offset": 7,      "end_offset": 8,      "type": "",      "position": 7
    },
    {      "token": "技",      "start_offset": 8,      "end_offset": 9,      "type": "",      "position": 8
    },
    {      "token": "有",      "start_offset": 9,      "end_offset": 10,      "type": "",      "position": 9
    },
    {      "token": "限",      "start_offset": 10,      "end_offset": 11,      "type": "",      "position": 10
    },
    {      "token": "公",      "start_offset": 11,      "end_offset": 12,      "type": "",      "position": 11
    },
    {      "token": "司",      "start_offset": 12,      "end_offset": 13,      "type": "",      "position": 12
    }
  ]
}

可以看到，默认是按字进行分词的。

elasticsearch-hanlp

HanLP

HanLP 是一款使用 Java 实现的优秀的，具有如下功能：

• 中文分词

• 词性标注

• 命名实体识别

• 关键词提取

• 自动摘要

• 短语提取

• 拼音转换

• 简繁转换

• 文本推荐

• 依存句法分析

• 语料库工具

安装 elasticsearch-hanlp（安装见：https://github.com/hualongdata/hanlp-ext/tree/master/es-plugin）插件以后，我们再来看看分词效果。

    GET /_analyze?pretty
    {      "analyzer" : "hanlp",      "text" : ["重庆华龙网海数科技有限公司"]
    }

输出：

{  "tokens": [
    {      "token": "重庆",      "start_offset": 0,      "end_offset": 2,      "type": "ns",      "position": 0
    },
    {      "token": "华龙网",      "start_offset": 2,      "end_offset": 5,      "type": "nr",      "position": 1
    },
    {      "token": "海数",      "start_offset": 5,      "end_offset": 7,      "type": "nr",      "position": 2
    },
    {      "token": "科技",      "start_offset": 7,      "end_offset": 9,      "type": "n",      "position": 3
    },
    {      "token": "有限公司",      "start_offset": 9,      "end_offset": 13,      "type": "nis",      "position": 4
    }
  ]
}

HanLP 的功能不止简单的中文分词，有很多功能都可以集成到 Elasticsearch 中。

文章来源于羊八井的博客