diff --git a/README.md b/README.md index 4fce33e0b43e6fedbb311bd13420fc6f5c7423fd..e228b4c4963a720c413f368d50962684f5b2e6b1 100644 --- a/README.md +++ b/README.md @@ -65,7 +65,52 @@ Or index.analysis.analyzer.ik.type : "ik" ``` -you can set your prefer segment mode,default `use_smart` is false. +#### 以上两种配置方式的区别: + +1、第二种方式,只定义了一个名为 ik 的 analyzer,其 use_smart 采用默认值 false + +2、第一种方式,定义了三个 analyzer,分别为:ik、ik_max_word、ik_smart,其中 ik_max_word 和 ik_smart 是基于 ik 这个 analyzer 定义的,并各自明确设置了 use_smart 的不同值。 + +3、其实,ik_max_word 等同于 ik。ik_max_word 会将文本做最细粒度的拆分,比如会将“中华人民共和国国歌”拆分为“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”,会穷尽各种可能的组合;而 ik_smart 会做最粗粒度的拆分,比如会将“中华人民共和国国歌”拆分为“中华人民共和国,国歌”。 + +因此,建议,在设置 mapping 时,用 ik 这个 analyzer,以尽可能地被搜索条件匹配到。 + +不过,如果你想将 /index_name/_analyze 这个 RESTful API 做为分词器用,用来提取某段文字中的主题词,则建议使用 ik_smart 这个 analyzer: + +``` +POST /hailiang/_analyze?analyzer=ik_smart HTTP/1.1 +Host: localhost:9200 +Cache-Control: no-cache + +中华人民共和国国歌 +``` + +返回值: + +```json +{ + "tokens" : [ { + "token" : "中华人民共和国", + "start_offset" : 0, + "end_offset" : 7, + "type" : "CN_WORD", + "position" : 1 + }, { + "token" : "国歌", + "start_offset" : 7, + "end_offset" : 9, + "type" : "CN_WORD", + "position" : 2 + } ] +} +``` + +另外,可以在 elasticsearch.yml 里加上如下一行,设置默认的 analyzer 为 ik: + +```yaml +index.analysis.analyzer.default.type : "ik" +``` + ### Mapping Configuration @@ -228,12 +273,14 @@ curl -XPOST http://localhost:9200/index/fulltext/_search -d' 其中 `location` 是指一个 url,比如 `http://yoursite.com/getCustomDict`,该请求只需满足以下两点即可完成分词热更新。 -1. 该 http 请求需要返回两个头部(header),一个是 `Last-Modified`,一个是 `ETags`,这两者都是字符串类型,只要有一个发生变化,该插件就会去抓取新的分词进而更新词库。 +1. 该 http 请求需要返回两个头部(header),一个是 `Last-Modified`,一个是 `ETag`,这两者都是字符串类型,只要有一个发生变化,该插件就会去抓取新的分词进而更新词库。 2. 该 http 请求返回的内容格式是一行一个分词,换行符用 `\n` 即可。 满足上面两点要求就可以实现热更新分词了,不需要重启 ES 实例。 +可以将需自动更新的热词放在一个 UTF-8 编码的 .txt 文件里,放在 nginx 或其他简易 http server 下,当 .txt 文件修改时,http server 会在客户端请求该文件时自动返回相应的 Last-Modified 和 ETag。可以另外做一个工具来从业务系统提取相关词汇,并更新这个 .txt 文件。 + have fun. 常见问题