目錄
1. 概述
1.1 分詞:
指將一箇中文詞語拆成若干個詞,提供搜索引擎進行查找,比如說:北京大學 是一個詞那麼進行拆分可以得到:北京與大學,甚至北京大學整個詞也是一個語義。可以理解爲,輸入的一句話,按照它自己定義的規則分爲常用詞語。
首先,Solr有自己基本的類型,string、int、date、long等等。對於string類型,比如在你的core/conf/manage-schema文件中,配置一個字段類型爲string類型,如果查詢符合“我是中國人”的數據,它就認爲“我是中國人”是一個詞語。
但是如果你將該字段設置成了分詞,即配置成了text_ik類型,就可能匹配“我”、“中國人”、“中國”、“中”、“人”帶有這些字的該字段數據都可能被查詢到。這就是分詞帶來的結果。具體要按照各自的業務來配置是否分詞,分詞對於大文本字段設置是合理的,但是對於小字段,設置分詞是沒必要的,甚至有相反的結果。比如你的某一個叫姓名的字段設置了分詞,還不如設置string,查詢時模糊匹配效果最好,(模糊匹配就是查詢條件兩邊加上*),當然也要看自己業務需求是什麼。
1.2 配置目的
通過配置讓solr能對中文進行分詞
1.3 分詞器的選擇
之前我們使用jieba分詞,效果不是很好。現在有個非常牛逼的分詞器,IK 分詞器,效果非常好,如果你一直使用solr 那麼以後將一直使用IK分詞器。中文分詞在solr裏面是沒有默認開啓的,需要自己配置一箇中文分詞器。
目前可用的分詞器有smartcn,IK,Jeasy,庖丁。其實主要是兩種,一種是基於中科院ICTCLAS的隱式馬爾科夫HMM算法的中文分詞器,如smartcn,ictclas4j,優點是分詞準確度高,缺點是不能使用用戶自定義詞庫;另一種是基於最大匹配的分詞器,如IK ,Jeasy,庖丁,優點是可以自定義詞庫,增加新詞,缺點是分出來的垃圾詞較多。各有優缺點。
主流還是ik,可以擴展自己的詞庫,非常方便,加入一些熱搜詞,主題詞,對於搜索而言,非常方便
2. 分詞器的配置
2.1 下載
下載ik (5及以上版本通用)
http://files.cnblogs.com/files/zhangweizhong/ikanalyzer-solr5.zip
- ext.dic自定義詞 如沙雕 在漢語裏面不是一個詞 ,它只是一個網絡用語,可以配置到這裏面讓它成爲一個詞
- stopword.dic 停止字典, 如:啊 吧 唉 不作分詞
- IKAnalyzer.cfg.xml配置ik的配置文件 不用改
- Jar:如果要使用ik分詞要導入的jar包
2.2 修改managed-sahma
<!--添加一箇中文分詞器IK-->
<fieldType name="text_cn" class="solr.TextField" positionIncrementGap="100">
<analyzer type="index">
<tokenizer class="org.apache.lucene.analysis.ik.IKTokenizerFactory" useSmart="false"/>
</analyzer>
<analyzer type="query">
<tokenizer class="org.apache.lucene.analysis.ik.IKTokenizerFactory" useSmart="true"/>
</analyzer>
</fieldType>
useSmart 和分詞的粒度相關:
- false: 分詞的粒度大,一句話裏面分的詞語少
- true:分詞的粒度細,一句話裏面分的詞語多
那我們在導入時需要的關鍵字多嗎?讓索引的數據量少一點。我們的粒度大:false;我們在搜索時需要的關鍵字多嗎?我們想盡可能的覆蓋所有的範圍,我們的粒度要細:true
把修改後的managed-sahma覆蓋到solr
2.3 把IK的配置入到solr
2.3.1 放入jar包
/usr/local/solr-7.7.3/server/solr-webapp/webapp/WEB-INF/lib
2.3.2 放配置
在目錄/usr/local/solr-7.7.3/server/solr-webapp/webapp/WEB-INF下創建一個classes目錄
2.4 重啓solr分析
2.5 存在問題
索引時要遵循一個原則:
- 索引時分詞的要儘量少
- 搜索時分詞儘量多
修改配置:
3.中文分詞如何使用到屬性上
3.1 添加一個屬性
3.2 添加數據
3.3 查看分詞
3.4 查詢測試
爲什麼pro3有 pro沒有 因爲ik分詞時認爲pro3是一個詞 而pro不是詞
4. 自定義分詞
如:“大豬蹄子”默認並不是一個詞
在ext.dic裏添加一個自定義的詞
重啓測試
申明:內容來自網絡,僅供學習使用