前言：首先有這樣一個需求，需要統(tǒng)計一篇10000字的文章，需要統(tǒng)計里面哪些詞出現(xiàn)的頻率比較高，這里面比較重要的是如何對文章中的一段話進行分詞，例如“北京是×××的首都”，“北京”，“×××”，“中華”，“華人”，“人民”，“共和國”，“首都”這些是一個詞，需要切分出來，而“京是”“民共”這些就不是有意義的詞，所以不能分出來。這些分詞的規(guī)則如果自己去寫，是一件很麻煩的事，利用開源的IK分詞，就可以很容易的做到。并且可以根據(jù)分詞的模式來決定分詞的顆粒度。

成都創(chuàng)新互聯(lián)堅持“要么做到，要么別承諾”的工作理念，服務領域包括：網(wǎng)站制作、成都網(wǎng)站設計、企業(yè)官網(wǎng)、英文網(wǎng)站、手機端網(wǎng)站、網(wǎng)站推廣等服務，滿足客戶于互聯(lián)網(wǎng)時代的伊川網(wǎng)站設計、移動媒體設計的需求，幫助企業(yè)找到有效的互聯(lián)網(wǎng)解決方案。努力成為您成熟可靠的網(wǎng)絡建設合作伙伴！

ik_max_word: 會將文本做最細粒度的拆分，比如會將“×××國歌”拆分為“×××,中華人民,中華,華人,人民共和國,人民,人,民,共和國,共和,和,國國,國歌”，會窮盡各種可能的組合；

ik_smart: 會做最粗粒度的拆分，比如會將“×××國歌”拆分為“×××,國歌”。

一：首先要準備環(huán)境

如果有ES環(huán)境可以跳過前兩步，這里我假設你只有一臺剛裝好的CentOS6.X系統(tǒng)，方便你跑通這個流程。

（1）安裝jdk。

$ wget http://download.oracle.com/otn-pub/java/jdk/8u111-b14/jdk-8u111-linux-x64.rpm $ rpm -ivh jdk-8u111-linux-x64.rpm

（2）安裝ES

$ wget  https://download.elastic.co/elasticsearch/release/org/elasticsearch/distribution/rpm/elasticsearch/2.4.2/elasticsearch-2.4.2.rpm $ rpm -iv elasticsearch-2.4.2.rpm

（3）安裝IK分詞器

在github上面下載1.10.2版本的ik分詞，注意：es版本為2.4.2，兼容的版本為1.10.2。

$ mkdir /usr/share/elasticsearch/plugins/ik $ wget https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v1.10.2/elasticsearch-analysis-ik-1.10.2.zip $ unzip elasticsearch-analysis-ik-1.10.2.zip -d /usr/share/elasticsearch/plugins/ik

（4）配置ES

$ vim /etc/elasticsearch/elasticsearch.yml ###### Cluster ###### cluster.name: test ###### Node ###### node.name: test-10.10.10.10 node.master: true node.data: true ###### Index ###### index.number_of_shards: 5 index.number_of_replicas: 0 ###### Path ###### path.data: /data/elk/es path.logs: /var/log/elasticsearch path.plugins: /usr/share/elasticsearch/plugins ###### Refresh ###### refresh_interval: 5s ###### Memory ###### bootstrap.mlockall: true ###### Network ###### network.publish_host: 10.10.10.10 network.bind_host: 0.0.0.0 transport.tcp.port: 9300 ###### Http ###### http.enabled: true http.port : 9200 ###### IK ######## index.analysis.analyzer.ik.alias: [ik_analyzer] index.analysis.analyzer.ik.type: ik index.analysis.analyzer.ik_max_word.type: ik index.analysis.analyzer.ik_max_word.use_smart: false index.analysis.analyzer.ik_smart.type: ik index.analysis.analyzer.ik_smart.use_smart: true index.analysis.analyzer.default.type: ik

（5）啟動ES

$ /etc/init.d/elasticsearch start

（6）檢查es節(jié)點狀態(tài)

$ curl localhost:9200/_cat/nodes?v    #看到一個節(jié)點正常 host         ip           heap.percent ram.percent load node.role master name 10.10.10.10 10.10.10.10           16          52 0.00 d         *      test-10.10.10.10 $ curl localhost:9200/_cat/health?v   #集群狀態(tài)為green epoch      timestamp cluster            status node.total node.data shards pri relo init 1483672233 11:10:33  test               green           1         1     0   0    0    0

二：檢測分詞功能

（1）創(chuàng)建測試索引

$ curl -XPUT http://localhost:9200/test

（2）創(chuàng)建mapping

$ curl -XPOST http://localhost:9200/test/fulltext/_mapping -d'   {       "fulltext": {                "_all": {               "analyzer": "ik"           },           "properties": {               "content": {                   "type" : "string",                   "boost" : 8.0,                   "term_vector" : "with_positions_offsets",                   "analyzer" : "ik",                   "include_in_all" : true               }           }       }   }'

（3）測試數(shù)據(jù)

$ curl 'http://localhost:9200/index/_analyze?analyzer=ik&pretty=true' -d '{ "text":"美國留給伊拉克的是個爛攤子嗎" }'

返回內容：

{   "tokens" : [ {     "token" : "美國",     "start_offset" : 0,     "end_offset" : 2,     "type" : "CN_WORD",     "position" : 0   }, {     "token" : "留給",     "start_offset" : 2,     "end_offset" : 4,     "type" : "CN_WORD",     "position" : 1   }, {     "token" : "伊拉克",     "start_offset" : 4,     "end_offset" : 7,     "type" : "CN_WORD",     "position" : 2   }, {     "token" : "伊",     "start_offset" : 4,     "end_offset" : 5,     "type" : "CN_WORD",     "position" : 3   }, {     "token" : "拉",     "start_offset" : 5,     "end_offset" : 6,     "type" : "CN_CHAR",     "position" : 4   }, {     "token" : "克",     "start_offset" : 6,     "end_offset" : 7,     "type" : "CN_WORD",     "position" : 5   }, {     "token" : "個",     "start_offset" : 9,     "end_offset" : 10,     "type" : "CN_CHAR",     "position" : 6   }, {     "token" : "爛攤子",     "start_offset" : 10,     "end_offset" : 13,     "type" : "CN_WORD",     "position" : 7   }, {     "token" : "攤子",     "start_offset" : 11,     "end_offset" : 13,     "type" : "CN_WORD",     "position" : 8   }, {     "token" : "攤",     "start_offset" : 11,     "end_offset" : 12,     "type" : "CN_WORD",     "position" : 9   }, {     "token" : "子",     "start_offset" : 12,     "end_offset" : 13,     "type" : "CN_CHAR",     "position" : 10   }, {     "token" : "嗎",     "start_offset" : 13,     "end_offset" : 14,     "type" : "CN_CHAR",     "position" : 11   } ] }

三：開始導入真正的數(shù)據(jù)

（1）將中文的文本文件上傳到linux上面。

$ cat /tmp/zhongwen.txt   京津冀重污染天氣持續(xù) 督查發(fā)現(xiàn)有企業(yè)惡意生產(chǎn) 《孤芳不自賞》被指“摳像演戲” 制片人：特效不到位 奧巴馬不顧特朗普反對堅持外遷關塔那摩監(jiān)獄囚犯 . . . . 韓媒：日本叫停韓日貨幣互換磋商 韓財政部表遺憾 中國百萬年薪須交40多萬個稅 精英無奈出國發(fā)展

注意：確保文本文件編碼為utf-8，否則后面?zhèn)鞯絜s會亂碼。

$ vim /tmp/zhongwen.txt

命令模式下輸入：set fineencoding,即可看到fileencoding=utf-8。

如果是 fileencoding=utf-16le，則輸入：set fineencoding=utf-8

（2）創(chuàng)建索引和mapping

創(chuàng)建索引

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

創(chuàng)建mapping  #對要分詞的字段message進行分詞器設置和fielddata設置。

$ curl -XPOST http://localhost:9200/index/logs/_mapping -d ' {   "logs": {     "_all": {       "analyzer": "ik"     },     "properties": {       "path": {         "type": "string"       },       "@timestamp": {         "format": "strict_date_optional_time||epoch_millis",         "type": "date"       },       "@version": {         "type": "string"       },       "host": {         "type": "string"       },       "message": {         "include_in_all": true,         "analyzer": "ik",         "term_vector": "with_positions_offsets",         "boost": 8,         "type": "string",         "fielddata" : { "format" : "true" }       },       "tags": {         "type": "string"       }     }   } }'

（3）使用logstash 將文本文件寫入到es中

安裝logstash

$ wget https://download.elasticsearch.org/elasticsearch/release/org/elasticsearch/distribution/rpm/elasticsearch/2.1.1/elasticsearch-2.1.1.rpm $ rpm -ivh  logstash-2.1.1.rpm

配置logstash

$ vim /etc/logstash/conf.d/logstash.conf input {   file {       codec => 'json'        path => "/tmp/zhongwen.txt"       start_position => "beginning"    } } output {     elasticsearch {       hosts => "10.10.10.10:9200"       index => "index"       flush_size => 3000       idle_flush_time => 2       workers => 4      }   stdout { codec => rubydebug } }

啟動

$ /etc/init.d/logstash start

查看stdout輸出，就能判斷是否寫入es中。

$ tail -f /var/log/logstash.stdout

（4）檢查索引中是否有數(shù)據(jù)

$ curl 'localhost:9200/_cat/indices/index?v'  #可以看到有6007條數(shù)據(jù)。 health status index pri rep docs.count docs.deleted store.size pri.store.size  green  open   index   5   0       6007            0      2.5mb          2.5mb$ curl -XPOST  "http://localhost:9200/index/_search?pretty" {   "took" : 1,   "timed_out" : false,   "_shards" : {     "total" : 5,     "successful" : 5,     "failed" : 0   },   "hits" : {     "total" : 5227,     "max_score" : 1.0,     "hits" : [ {       "_index" : "index",       "_type" : "logs",       "_id" : "AVluC7Dpbw7ZlXPmUTSG",       "_score" : 1.0,       "_source" : {         "message" : "中國百萬年薪須交40多萬個稅 精英無奈出國發(fā)展",         "tags" : [ "_jsonparsefailure" ],         "@version" : "1",         "@timestamp" : "2017-01-05T09:52:56.150Z",         "host" : "0.0.0.0",         "path" : "/tmp/333.log"       }     }, {       "_index" : "index",       "_type" : "logs",       "_id" : "AVluC7Dpbw7ZlXPmUTSN",       "_score" : 1.0,       "_source" : {         "message" : "奧巴馬不顧特朗普反對堅持外遷關塔那摩監(jiān)獄囚犯",         "tags" : [ "_jsonparsefailure" ],         "@version" : "1",         "@timestamp" : "2017-01-05T09:52:56.222Z",         "host" : "0.0.0.0",         "path" : "/tmp/333.log"       } }

四：開始計算分詞的詞頻，排序

（1）查詢所有詞出現(xiàn)頻率高的top10

$ curl -XGET "http://localhost:9200/index/_search?pretty" -d' {       "size" : 0,       "aggs" : {            "messages" : {                "terms" : {                   "size" : 10,               "field" : "message"             }           }       } }'

返回結果

{   "took" : 3,   "timed_out" : false,   "_shards" : {     "total" : 5,     "successful" : 5,     "failed" : 0   },   "hits" : {     "total" : 6007,     "max_score" : 0.0,     "hits" : [ ]   },   "aggregations" : {     "messages" : {       "doc_count_error_upper_bound" : 154,       "sum_other_doc_count" : 94992,       "buckets" : [ {         "key" : "一",         "doc_count" : 1582       }, {         "key" : "后",         "doc_count" : 560       }, {         "key" : "人",         "doc_count" : 541       }, {         "key" : "家",         "doc_count" : 538       }, {         "key" : "出",         "doc_count" : 489       }, {         "key" : "發(fā)",         "doc_count" : 451       }, {         "key" : "個",         "doc_count" : 440       }, {         "key" : "州",         "doc_count" : 421       }, {         "key" : "歲",         "doc_count" : 405       }, {         "key" : "子",         "doc_count" : 402       } ]     }   } }

（2）查詢所有兩字詞出現(xiàn)頻率高的top10

$ curl -XGET "http://localhost:9200/index/_search?pretty" -d' {       "size" : 0,     "aggs" : {            "messages" : {               "terms" : {                     "size" : 10,               "field" : "message",                 "include" : "[\u4E00-\u9FA5][\u4E00-\u9FA5]"             }           }       },    "highlight": {      "fields": {       "message": {}     }   }      }'

返回

{   "took" : 22,   "timed_out" : false,   "_shards" : {     "total" : 5,     "successful" : 5,     "failed" : 0   },   "hits" : {     "total" : 6007,     "max_score" : 0.0,     "hits" : [ ]   },   "aggregations" : {     "messages" : {       "doc_count_error_upper_bound" : 73,       "sum_other_doc_count" : 42415,       "buckets" : [ {         "key" : "女子",         "doc_count" : 291       }, {         "key" : "男子",         "doc_count" : 264       }, {         "key" : "竟然",         "doc_count" : 257       }, {         "key" : "上海",         "doc_count" : 255       }, {         "key" : "這個",         "doc_count" : 238       }, {         "key" : "女孩",         "doc_count" : 174       }, {         "key" : "這些",         "doc_count" : 167       }, {         "key" : "一個",         "doc_count" : 159       }, {         "key" : "注意",         "doc_count" : 143       }, {         "key" : "這樣",         "doc_count" : 142       } ]     }   } }

（3）查詢所有兩字詞且不包含“女”字，出現(xiàn)頻率高的top10

curl -XGET "http://localhost:9200/index/_search?pretty" -d' {       "size" : 0,     "aggs" : {            "messages" : {               "terms" : {                  "size" : 10,               "field" : "message",               "include" : "[\u4E00-\u9FA5][\u4E00-\u9FA5]",               "exclude" : "女.*"             }           }       },    "highlight": {      "fields": {       "message": {}     }   }      }'

返回

{   "took" : 19,   "timed_out" : false,   "_shards" : {     "total" : 5,     "successful" : 5,     "failed" : 0   },   "hits" : {     "total" : 5227,     "max_score" : 0.0,     "hits" : [ ]   },   "aggregations" : {     "messages" : {       "doc_count_error_upper_bound" : 71,       "sum_other_doc_count" : 41773,       "buckets" : [ {         "key" : "男子",         "doc_count" : 264       }, {         "key" : "竟然",         "doc_count" : 257       }, {         "key" : "上海",         "doc_count" : 255       }, {         "key" : "這個",         "doc_count" : 238       }, {         "key" : "這些",         "doc_count" : 167       }, {         "key" : "一個",         "doc_count" : 159       }, {         "key" : "注意",         "doc_count" : 143       }, {         "key" : "這樣",         "doc_count" : 142       }, {         "key" : "重慶",         "doc_count" : 142       }, {         "key" : "結果",         "doc_count" : 137       } ]     }   } }

還有更多的分詞策略，例如設置近義詞（設置“番茄”和“西紅柿”為同義詞，搜索“番茄”，“西紅柿”也會出來），設置拼音分詞（搜索“zhonghua”，“中華”也可以搜索出來）等等。

另外有需要云服務器可以了解下創(chuàng)新互聯(lián)cdcxhl.cn，海內外云服務器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務器、裸金屬服務器、高防服務器、香港服務器、美國服務器、虛擬主機、免備案服務器”等云主機租用服務以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應用場景需求。

本文標題：使用ES對中文文章進行分詞，并進行詞頻統(tǒng)計排序-創(chuàng)新互聯(lián)
文章分享：http://www.rwnh.cn/article48/cspohp.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供商城網(wǎng)站、網(wǎng)站內鏈、網(wǎng)站維護、手機網(wǎng)站建設、定制網(wǎng)站、面包屑導航

廣告

聲明：本網(wǎng)站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經(jīng)允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯(lián)