analysis-ik README

The project's README from github.com/infinilabs/analysis-ik. As one markdown file: README.md.

IK Analysis for Elasticsearch and OpenSearch

Test License

The IK Analysis plugin integrates Lucene IK analyzer, and support customized dictionary. It supports major versions of Elasticsearch and OpenSearch. Maintained and supported with ❤️ by INFINI Labs.

The plugin comprises analyzer: ik_smart , ik_max_word, and tokenizer: ik_smart , ik_max_word

How to Install

🚀 Get the Packaged Plugins

You can download the packaged plugins from here:

https://release.infinilabs.com/

🛠️ Install via CLI

Alternatively, you can use the plugin CLI to install the plugin. Here's how:

For Elasticsearch:

bin/elasticsearch-plugin install https://get.infini.cloud/elasticsearch/analysis-ik/9.1.4

For OpenSearch:

bin/opensearch-plugin install https://get.infini.cloud/opensearch/analysis-ik/2.12.0

⚠️ Tip

Make sure to replace the version number with the one that matches your Elasticsearch or OpenSearch version.

Getting Started

1.create a index

curl -XPUT http://localhost:9200/index

2.create a mapping

curl -XPOST http://localhost:9200/index/_mapping -H 'Content-Type:application/json' -d'
{
        "properties": {
            "content": {
                "type": "text",
                "analyzer": "ik_max_word",
                "search_analyzer": "ik_smart"
            }
        }

}'

3.index some docs

curl -XPOST http://localhost:9200/index/_create/1 -H 'Content-Type:application/json' -d'
{"content":"美国留给伊拉克的是个烂摊子吗"}
'

curl -XPOST http://localhost:9200/index/_create/2 -H 'Content-Type:application/json' -d'
{"content":"公安部：各地校车将享最高路权"}
'

curl -XPOST http://localhost:9200/index/_create/3 -H 'Content-Type:application/json' -d'
{"content":"中韩渔警冲突调查：韩警平均每天扣1艘中国渔船"}
'

curl -XPOST http://localhost:9200/index/_create/4 -H 'Content-Type:application/json' -d'
{"content":"中国驻洛杉矶领事馆遭亚裔男子枪击 嫌犯已自首"}
'

4.query with highlighting

curl -XPOST http://localhost:9200/index/_search  -H 'Content-Type:application/json' -d'
{
    "query" : { "match" : { "content" : "中国" }},
    "highlight" : {
        "pre_tags" : ["<tag1>", "<tag2>"],
        "post_tags" : ["</tag1>", "</tag2>"],
        "fields" : {
            "content" : {}
        }
    }
}
'

Result

{
    "took": 14,
    "timed_out": false,
    "_shards": {
        "total": 5,
        "successful": 5,
        "failed": 0
    },
    "hits": {
        "total": 2,
        "max_score": 2,
        "hits": [
            {
                "_index": "index",
                "_type": "fulltext",
                "_id": "4",
                "_score": 2,
                "_source": {
                    "content": "中国驻洛杉矶领事馆遭亚裔男子枪击 嫌犯已自首"
                },
                "highlight": {
                    "content": [
                        "<tag1>中国</tag1>驻洛杉矶领事馆遭亚裔男子枪击 嫌犯已自首 "
                    ]
                }
            },
            {
                "_index": "index",
                "_type": "fulltext",
                "_id": "3",
                "_score": 2,
                "_source": {
                    "content": "中韩渔警冲突调查：韩警平均每天扣1艘中国渔船"
                },
                "highlight": {
                    "content": [
                        "均每天扣1艘<tag1>中国</tag1>渔船 "
                    ]
                }
            }
        ]
    }
}

Dictionary Configuration

Config file IKAnalyzer.cfg.xml can be located at {conf}/analysis-ik/IKAnalyzer.cfg.xml or {plugins}/elasticsearch-analysis-ik-*/config/IKAnalyzer.cfg.xml

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
	<entry key="ext_dict">custom/mydict.dic;custom/single_word_low_freq.dic</entry>
	<entry key="ext_stopwords">custom/ext_stopword.dic</entry>
	<entry key="remote_ext_dict">location</entry>
	<entry key="remote_ext_stopwords">http://xxx.com/xxx.dic</entry>
</properties>

Hot-reload Dictionary

The current plugin supports hot reloading dictionary for IK Analysis, through the configuration mentioned earlier in the IK configuration file.

	<entry key="remote_ext_dict">location</entry>
	<entry key="remote_ext_stopwords">location</entry>

Among which location refers to a URL, such as http://yoursite.com/getCustomDict. This request only needs to meet the following two points to complete the segmentation hot update.

  1. The HTTP request needs to return two headers, one is Last-Modified, and the other is ETag. Both of these are of string type, and if either changes, the plugin will fetch new segmentation to update the word library.

  2. The content format returned by the HTTP request is one word per line, and the newline character is represented by \n.

Meeting the above two requirements can achieve hot word updates without the need to restart the ES instance.

You can place the hot words that need to be automatically updated in a .txt file encoded in UTF-8. Place it under nginx or another simple HTTP server. When the .txt file is modified, the HTTP server will automatically return the corresponding Last-Modified and ETag when the client requests the file. You can also create a separate tool to extract relevant vocabulary from the business system and update this .txt file.

FAQs

  1. Why isn't the custom dictionary taking effect?

Please ensure that the text format of your custom dictionary is UTF8 encoded.

  1. What is the difference between ik_max_word and ik_smart?

ik_max_word: Performs the finest-grained segmentation of the text. For example, it will segment "中华人民共和国国歌" into "中华人民共和国,中华人民,中华,华人,人民共和国,人民,人,民,共和国,共和,和,国国,国歌", exhaustively generating various possible combinations, suitable for Term Query.

ik_smart: Performs the coarsest-grained segmentation of the text. For example, it will segment "中华人民共和国国歌" into "中华人民共和国,国歌", suitable for Phrase queries.

Note: ik_smart is not a subset of ik_max_word.

Community

Fell free to join the Discord server to discuss anything around this project:

https://discord.gg/4tKTMkkvVX

License

Copyright ©️ INFINI Labs.

Licensed under the Apache License, Version 2.0 (the "License"); you may not use this file except in compliance with the License. You may obtain a copy of the License at

http://www.apache.org/licenses/LICENSE-2.0

Unless required by applicable law or agreed to in writing, software distributed under the License is distributed on an "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. See the License for the specific language governing permissions and limitations under the License.

analysis-ik (infinilabs/analysis-ik)

Searching Database…

17.5K ·GitHub
Analysis-ik
Что это такое?Плагин для Elasticsearch и OpenSearch, который подключает анализатор Lucene IK и добавляет разбивку китайского текста на слова с поддержкой пользовательских словарей.
Это отдельный поисковый движок или что-то, что я устанавливаю в него?Это не самостоятельный движок — это плагин, который устанавливается в ваш кластер Elasticsearch или OpenSearch и добавляет два анализатора/токенизатора, ikmaxword и iksmart, которые вы выбираете в маппинге индекса.
Как установить его в свой кластер?Скачайте упакованный плагин, соответствующий версии вашего кластера, со страницы релизов или установите его через CLI плагинов (elasticsearch-plugin install / opensearch-plugin install), указав на подходящий zip-файл релиза.
Какие версии Elasticsearch и OpenSearch поддерживаются?Поддерживаются основные версии обоих, но сборка плагина должна точно совпадать с номером версии вашего кластера.
С чем чаще всего возникают проблемы при добавлении своего словаря?Файлы словарей должны быть в кодировке UTF-8, иначе они не подействуют, а источник слов для горячей перезагрузки должен отдавать заголовки Last-Modified и ETag, чтобы обновления подхватывались.
Он работает на моей машине или внутри моего поискового кластера?Внутри кластера — он работает везде, где запускаются Elasticsearch или OpenSearch: обычно это свои серверы под Linux или развёртывания в Docker.
Чем отличаются ikmaxword и iksmart?ikmaxword выполняет максимально мелкое разбиение, исчерпывающе генерируя все комбинации токенов — это подходит для Term Query. iksmart выполняет максимально крупное разбиение и подходит для поисковых фраз; его результат — не подмножество результата ikmaxword.
Можно ли обновить словарь без перезапуска кластера?Да — горячая перезагрузка. Укажите в IKAnalyzer.cfg.xml в поле location URL на список слов в UTF-8 (одно слово на строку, например .txt-файл, который отдаёт nginx); когда изменится его Last-Modified или ETag, плагин автоматически подхватит новые слова.
What are similar projects?zincsearch, OpenSearch, elasticsearch, flexsearch, typesense, sonic, bleve, druid
Which topics is it in?analyzer, word, dictionary, analysis, segmentation, full-text-search, elasticsearch, search-engine, nlp, java, plugin, free
Creator
infinilabs
Size
15.2 MB
Stars
17.5K
Updated
CommitJun 30ReleaseLatestMay 06
Age
14y
Commits · 90 Days