当前位置：首页 > news >正文

大数据-172 Elasticsearch 索引操作与 IK 分词器自定义停用词 Nginx 服务

news 2025/7/24 12:04:38

点一下关注吧！！！非常感谢！！持续更新！！！

目前已经更新到了：

Hadoop（已更完）
HDFS（已更完）
MapReduce（已更完）
Hive（已更完）
Flume（已更完）
Sqoop（已更完）
Zookeeper（已更完）
HBase（已更完）
Redis （已更完）
Kafka（已更完）
Spark（已更完）
Flink（已更完）
ClickHouse（已更完）
Kudu（已更完）
Druid（已更完）
Kylin（已更完）
Elasticsearch（正在更新…）

章节内容

上节我们完成了如下的内容：

ES-head 插件配置使用
Kibana 插件配置使用

在这里插入图片描述

索引操作

创建索引库

Elasticsearch采用Rest风格API，因此其API就是一次HTTP请求，你可以用任何工具来发起HTTP请求。
语法：

PUT /索引名称
{"settings": {"属性名": "属性值"}
}

settings：就是索引库设置，其中可以索引库的各种属性，比如分片数、副本数等。目前我们不设置，先默认即可。
示例：

PUT /wzkicu-index

执行结果如下图：
在这里插入图片描述

判断索引是否存在

单个索引

语法：

GET /索引名称

示例：

GET /wzkicu-index

执行结果如下图所示：
在这里插入图片描述

多个索引

语法：

GET /索引名称1,2,3,4,5...

示例：

GET /wzkicu-index,wzkicu,wzk

执行结果如下图所示：（这里有不存在的索引，所以404了）
在这里插入图片描述

所有索引

方式1：

GET _all

执行结果如下图所示：
在这里插入图片描述
方式2：

GET /_cat/indices?v

执行结果如下图所示：
在这里插入图片描述
这里的health列，表示：

绿色：索引的所有分片都正常分配
黄色：至少有一个副本没有得到正确的分配
红色：至少有一个主分片没有得到正常的分配

打开索引

语法：

POST /索引名称/_open

示例：

POST /wzkicu-index/_open

执行结果如下图：
在这里插入图片描述

关闭索引

语法：

POST /索引名称/_close

示例：

POST /wzkicu-index/_close

执行结果如下图：
在这里插入图片描述

删除索引

语法：

DELETE /索引名称1,2,3,4,5...

示例：

DELETE /wzkicu-index

执行结果如下图所示：
在这里插入图片描述

IK分词器

下载项目

官方地址在这里，是GitHub开源的项目，安装方式很多，我这里就直接用官方的方式安装了：

https://github.com/infinilabs/analysis-ik/releases/tag/Latest

页面是这样的：
在这里插入图片描述

安装插件

cd /opt/servers/elasticsearch-7.3.0/
bin/elasticsearch-plugin install https://get.infini.cloud/elasticsearch/analysis-ik/7.3.0

执行结果如下图所示，我们需要重启ES：
在这里插入图片描述

重启ES

重启过程，启动完毕：
在这里插入图片描述

分词测试

IK分词器两种分词模式：

ik_max_word 模式（最常用）（会将文本最细粒度的拆分）
ik_smart 模式（会做最粗粒度的拆分）

暂时不细追究语法，先学习测试，再后续研究。

ik_max_word

POST _analyze
{"analyzer": "ik_max_word","text": "山东省青岛市黄岛区"
}

我们的到的结果是：

{"tokens": [{"token": "山东省","start_offset": 0,"end_offset": 3,"type": "CN_WORD","position": 0},{"token": "山东","start_offset": 0,"end_offset": 2,"type": "CN_WORD","position": 1},{"token": "省","start_offset": 2,"end_offset": 3,"type": "CN_CHAR","position": 2},{"token": "青岛市","start_offset": 3,"end_offset": 6,"type": "CN_WORD","position": 3},{"token": "青岛","start_offset": 3,"end_offset": 5,"type": "CN_WORD","position": 4},{"token": "市","start_offset": 5,"end_offset": 6,"type": "CN_CHAR","position": 5},{"token": "黄岛区","start_offset": 6,"end_offset": 9,"type": "CN_WORD","position": 6},{"token": "黄岛","start_offset": 6,"end_offset": 8,"type": "CN_WORD","position": 7},{"token": "区","start_offset": 8,"end_offset": 9,"type": "CN_CHAR","position": 8}]
}

执行的结果如下图所示：
在这里插入图片描述

ik_smart

POST _analyze
{"analyzer": "ik_smart","text": "山东省青岛市黄岛区"
}

执行的结果是：

{"tokens": [{"token": "山东省","start_offset": 0,"end_offset": 3,"type": "CN_WORD","position": 0},{"token": "青岛市","start_offset": 3,"end_offset": 6,"type": "CN_WORD","position": 1},{"token": "黄岛区","start_offset": 6,"end_offset": 9,"type": "CN_WORD","position": 2}]
}

执行的结果如下图所示：
在这里插入图片描述

提出问题

在实际环境中，有很多时候并不能够准确的理解我们断词断句，有时候有些词我们想要它拆分，有些词我们希望它不拆分。
那我们怎么办呢？

词典使用

扩展词

不进行分词，告诉引擎这是一个词。

停用词

有些词在文本中出现的频率非常高，但对本文的语义会产生很大的影响，例如：呢、了、啊等等，英语中也有类似于 a 、the、of 等等。这样的词称为停用词。
停用词经常会过滤掉，不会被索引，在检索过程中，如果用户的查询词中含有停用词，系统会自动过滤掉。
停用词可以加快索引的速度、减少索引库的大小。

扩展词、停用词应该统一维护，避免集群中多台导致节点各自维护自己的一份。这里我们计划使用Web的方式，将dict词库共享给分词器等。

分词服务

配置Web
我这里使用 Nginx，你也可以使用 Tomcat：

apt install nginx

安装过程如下图所示：
在这里插入图片描述
访问页面：http://h121.wzk.icu，可以看到Nginx顺利运行：

编写dict内容：

vim /var/www/html/stop_dict.dic

向其中写入的内容如下：

的
了
啊
呢

同理，我们写入 ext_dict.dic：

vim /var/www/html/ext_dict.dic

我们访问对应的页面，可以拿到对应的Web文件：
在这里插入图片描述

配置分词器

# 这里看自己的版本 我选了好几个
cd /opt/servers/elasticsearch-8.15.0/plugins/analysis-ik
mkdir config
vim IKAnalyzer.cfg.xml

写入如下的内容：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties><comment>IK Analyzer 扩展配置</comment><!--用户可以在这里配置自己的扩展字典 --><entry key="ext_dict"></entry><!--用户可以在这里配置自己的扩展停止词字典--><entry key="ext_stopwords"></entry><!--用户可以在这里配置远程扩展字典 --><entry key="remote_ext_dict">http://h121.wzk.icu/ext_dict.dic</entry><!--用户可以在这里配置远程扩展停止词字典--><entry key="remote_ext_stopwords">http://h121.wzk.icu/stop_dict.dic</entry>
</properties>