查看原文
其他

Elasticsearch 如何自定义扩展词库?

铭毅天下 铭毅天下Elasticsearch 2022-10-14


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

由于:分段的不可修改性,新扩展的词典只对扩展后的那一刻之后的写入数据生效。
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。
比如:微信文章分词发现的新词库如下:

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://spaces.ac.cn/archives/4256

2.2 互联网开源词库

仅以搜狗输入法为例,有个“细胞词库”的概念。

搜狗官方释义如下:
  • 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=3
细胞词库样例截图如下,各分类词库均支持下载。

2.3 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。
仅以万方数据库为例:

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。
针对搜狗词库为例的互联网词库的使用步骤如下:

3.1 步骤 1:下载词库

若需全量,爬虫实现即可。

全量词库的地址:
https://pinyin.sogou.com/dict/cate/index/403

3.2 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。
参考如下:

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

如上修改对应的IK 插件配置文件地址:
./config/analysis-ik/IKAnalyzer.cfg.xml

3.5 步骤 5:重新启动 Elasticsearch 节点

对比一下,更新词库前和更新词库后的分词结果如下:


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。
由于类似方案已经非常成熟,这里只给出实现思路。

4.1 步骤 1:下载 IK 插件源码

4.2 步骤 2:修改 IK 插件源码

加上 Mysql 驱动以及相关更新实现操作。
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
插件位置为:
./plugins/analysis-ik/elasticsearch-analysis-ik-7.13.0.jar
如下配置是最容易忽略和出错的地方,强调一下:
  • 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。
欢迎大家留言交流下自己的词库更新实现方式。

推荐

1、Elasticsearch 7.X 进阶实战私训课2、如何系统的学习 Elasticsearch ?3、全网首发!《 Elasticsearch 最少必要知识教程 V1.0 》低调发布更短时间更快习得更多干货!
中国50%+Elastic认证工程师出自于此!比同事抢先一步学习进阶干货!

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存