THULAC Analysis for Elasticsearch

采用THULAC实现的Elasticsearch中文分词插件。

版本

Plugin 版本	ES 版本	THULAC 版本	Link
master	7.x -> master	lite
7.9.1	7.9.1	lite	下载
6.4.1-181027	6.4.1	lite	下载
6.4.0-181027	6.4.0	lite	下载
6.3.0-181027	6.3.0	lite	下载
6.2.0-181027	6.2.0	lite	下载
6.1.0-181027	6.1.0	lite	下载

下载安装

直接下载已经打包好的插件，解压到elasticsearch的plugins目录下即可。

编译安装

1.编译打包

git clone git@github.com:microbun/elasticsearch-thulac-plugin.git
cd elasticsearch-thulac-plugin
./gradlew release

2.安装到elasticsearch

cp build/distributions/elasticsearch-thulac-plugin-7.9.1.zip ${ES_HOME}/plugins
cd ${ES_HOME}/plugins
unzip elasticsearch-thulac-plugin-7.9.1.zip
rm elasticsearch-thulac-plugin-7.9.1.zip

解压后在plugins目录下会有一个thulac文件夹。

thulac
 |-elasticsearch-thulac-plugin-7.9.1.jar
 |-models #算法模型�目录
 |-plugin-descriptor.properties
 |-plugin.xml

3.由于THULAC的模型太大，插件中没有包含模型数据，可以在THULAC 下载模型(lite)，将模型拷贝到models中。

示例

1.创建索引

1.1 使用默认分词方式

curl -H "Content-Type:application/json" -XPUT http://localhost:9200/index -d'
{
  "mappings": {
    "properties": {
      "text": {
        "type": "text",
        "analyzer": "thulac"
      }
    }
  }
}
'

1.2 自定义分词器

curl -H "Content-Type:application/json" -XPUT http://localhost:9200/index -d'
{
  "settings": {
    "analysis": {
      "tokenizer": {
        "custom_thulac_tokenizer": {
          "type": "thulac",
          "user_dict": "userdict.txt",
          "t2s": true,
          "filter": false
        }
      },
      "analyzer": {
        "custom_thulac_analyzer": {
          "tokenizer": "custom_thulac_tokenizer",
          "filter": [
            "lowercase"
          ]
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "text": {
        "type": "text",
        "analyzer": "custom_thulac_analyzer"
      }
    }
  }
}'

参数名称	含义	值
t2s	将句子从繁体转化为简体。默认：true	false/true
filter	使用过滤器去除一些没有意义的词语，例如“可以”。默认：false	false/true
user_dict	自定义词典路径，每一个词一行，UTF8编码，相对路径和绝对路径. 相对路径：userdict.txt 会加载 ${ES_HOME}/plugins/module/userdict.txt文件 绝对路径：/home/elasticsearch/userdict.txt 默认：userdict.txt

2.查看索引

curl http://localhost:9200/index

3.测试分词效果

curl -H "Content-Type:application/json"  -XPOST http://localhost:9200/index/_analyze -d'
{
 "analyzer":"thulac", 
 "text":"我是中国人"
}
'

4.删除索引

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