ES集群如何添加自定义拼音分词器教程

在Elasticsearch（ES）集群中，添加拼音分词器是一个常见的需求，特别是在处理中文文本搜索时，能够提高对汉字的搜索准确性和用户体验。在这个文档中，我们看到一个关于如何在ES 9200端口的`http://192.168.1.7:9200`上配置一个名为"Haoke"的索引的示例。主要涉及以下几个关键知识点： 1. **索引设置（Index Settings）**: - `number_of_shards`和`number_of_replicas`：这是ES中用于数据分布和冗余备份的参数。`number_of_shards`定义了索引被分割成多少个独立部分，`number_of_replicas`指定了每个shard的备份数量。 - **分析器（Analyzer）**：`pinyin_analyzer`是一个自定义的分词器，它基于`my_pinyin` tokenizer。这表明将使用这个特定的tokenizer来处理中文文本，将其转换为拼音进行搜索。 2. **Tokenizer（分词器）**: - `my_pinyin` tokenizer类型为`pinyin`，这是Elasticsearch内置的一种将汉字转换为拼音的tokenizer。其参数包括： - `keep_separate_first_letter`: 设置是否保留每个词的第一个字母，如不设置则会被拼接。 - `keep_full_pinyin`: 保留完整的拼音，即使有些拼音可能由多个字符组成。 - `keep_original`: 保留原始的汉字形式，与拼音同时存在。 - `limit_first_letter_length`: 设置第一个字母的最大长度。 - `lowercase`: 是否将所有拼音转换为小写。 - `remove_duplicated_term`: 删除重复的词项，以减少索引大小。 3. **映射（Mappings）**: - 对于索引中的`house`文档类型，有以下几个字段： - `title`：一个文本类型的字段，使用`ik_max_word`分析器进行普通搜索，同时定义了一个名为`pinyin`的子字段，用于拼音搜索，使用`pinyin_analyzer`。 - 其他字段如`image`, `orientation`, `houseType`, `rentMethod`, `time`, `rent`, 和 `floor`，它们都是`keyword`类型，常用于存储不可分割的关键词或标识符，这些字段的`index`参数设置为`false`，表示它们不参与索引，仅用于检索。 这份文档提供了在ES集群中如何通过自定义分析器和tokenizer实现中文拼音搜索的一个实例。这对于在处理中文内容时，提升搜索结果的准确性以及适应本地化需求非常有帮助。通过调整tokenizer的参数，可以根据实际场景优化拼音转换和分词策略。