Elasticsearch 如何自定义扩展词库?

发布于 2022-4-21 10:59
浏览
0收藏

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:

Elasticsearch 如何自定义扩展词库?-开源基础软件社区
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。

 

Elasticsearch 如何自定义扩展词库?-开源基础软件社区
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。

 

Elasticsearch 如何自定义扩展词库?-开源基础软件社区
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:
 Elasticsearch 如何自定义扩展词库?-开源基础软件社区

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。
 Elasticsearch 如何自定义扩展词库?-开源基础软件社区

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。
 Elasticsearch 如何自定义扩展词库?-开源基础软件社区

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:
 

Elasticsearch 如何自定义扩展词库?-开源基础软件社区


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。
 Elasticsearch 如何自定义扩展词库?-开源基础软件社区

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:
 Elasticsearch 如何自定义扩展词库?-开源基础软件社区
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
 Elasticsearch 如何自定义扩展词库?-开源基础软件社区
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:

Elasticsearch 如何自定义扩展词库?-开源基础软件社区

 

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。


Elasticsearch 如何自定义扩展词库?-开源基础软件社区


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。
 Elasticsearch 如何自定义扩展词库?-开源基础软件社区

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。

Elasticsearch 如何自定义扩展词库?-开源基础软件社区

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。

 

Elasticsearch 如何自定义扩展词库?-开源基础软件社区
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。

收藏
回复
举报
回复
添加资源
添加资源将有机会获得更多曝光,你也可以直接关联已上传资源 去关联
    相关推荐