直接测试句子的分词

  1. curl -XPOST "http://localhost:9200/_analyze" -H 'Content-Type: application/json' -d'
  2. {
  3.   "analyzer": "ik_max_word", 
  4.   "text":"中华人民共和国国歌"
  5. }'
  1. POST _analyze
  2. {
  3.   "analyzer": "ik_max_word", 
  4.   "text":"中华人民共和国国歌"
  5. }
  7. POST _analyze
  8. {
  9.   "analyzer": "ik_smart",  // 智能分词
  10.   "text":"中华人民共和国国歌"
  11. }

ik_max_word

  1. {
  2.   "tokens" : [
  3.     {
  4.       "token" : "中华人民共和国",
  5.       "start_offset" : 0,
  6.       "end_offset" : 7,
  7.       "type" : "CN_WORD",
  8.       "position" : 0
  9.     },
  10.     {
  11.       "token" : "中华人民",
  12.       "start_offset" : 0,
  13.       "end_offset" : 4,
  14.       "type" : "CN_WORD",
  15.       "position" : 1
  16.     },
  17.     {
  18.       "token" : "中华",
  19.       "start_offset" : 0,
  20.       "end_offset" : 2,
  21.       "type" : "CN_WORD",
  22.       "position" : 2
  23.     },
  24.     {
  25.       "token" : "华人",
  26.       "start_offset" : 1,
  27.       "end_offset" : 3,
  28.       "type" : "CN_WORD",
  29.       "position" : 3
  30.     },
  31.     {
  32.       "token" : "人民共和国",
  33.       "start_offset" : 2,
  34.       "end_offset" : 7,
  35.       "type" : "CN_WORD",
  36.       "position" : 4
  37.     },
  38.     {
  39.       "token" : "人民",
  40.       "start_offset" : 2,
  41.       "end_offset" : 4,
  42.       "type" : "CN_WORD",
  43.       "position" : 5
  44.     },
  45.     {
  46.       "token" : "共和国",
  47.       "start_offset" : 4,
  48.       "end_offset" : 7,
  49.       "type" : "CN_WORD",
  50.       "position" : 6
  51.     },
  52.     {
  53.       "token" : "共和",
  54.       "start_offset" : 4,
  55.       "end_offset" : 6,
  56.       "type" : "CN_WORD",
  57.       "position" : 7
  58.     },
  59.     {
  60.       "token" : "国",
  61.       "start_offset" : 6,
  62.       "end_offset" : 7,
  63.       "type" : "CN_CHAR",
  64.       "position" : 8
  65.     },
  66.     {
  67.       "token" : "国歌",
  68.       "start_offset" : 7,
  69.       "end_offset" : 9,
  70.       "type" : "CN_WORD",
  71.       "position" : 9
  72.     }
  73.   ]
  74. }

ik_smart

  1. {
  2.   "tokens" : [
  3.     {
  4.       "token" : "中华人民共和国",
  5.       "start_offset" : 0,
  6.       "end_offset" : 7,
  7.       "type" : "CN_WORD",
  8.       "position" : 0
  9.     },
  10.     {
  11.       "token" : "国歌",
  12.       "start_offset" : 7,
  13.       "end_offset" : 9,
  14.       "type" : "CN_WORD",
  15.       "position" : 1
  16.     }
  17.   ]
  18. }

查询的应用

准备的数据：

  1. PUT blogs
  3. DELETE blogs
  5. PUT blogs/_mapping/_doc
  6. {
  7.   "properties": {
  8.     "title": {
  9.       "type": "text",
  10.       "analyzer": "ik_max_word"
  11.     }
  12.   }
  13. }
  15. PUT blogs/_doc/1
  16. {
  17.   "title": "男扮女装"
  18. }
  19. // 该情况下会分词为「男扮女装」，「女装」
  22. PUT blogs/_doc/2
  23. {
  24.   "title": "辣眼睛"
  25. }
  26. // 分词为「辣」，「眼睛」

查询：

  1. // 全文检索可以查到
  2. GET /blogs/_search
  3. {
  4.   "query": {
  5.     "match": {
  6.       "title": {
  7.         "query": "男扮女装"
  8.       }
  9.     }
  10.   }
  11. }
  13. // 可以使用模糊查询，因为存在「男扮女装」这个词
  14. GET /blogs/_search
  15. {
  16.     "query": {
  17.         "wildcard": {
  18.             "title": "男扮*"
  19.         }
  20.     }
  21. }
  23. // match_phrase 无法查询到该文档
  24. GET /blogs/_search
  25. {
  26.     "query": {
  27.         "match_phrase": {
  28.             "title": "男扮"
  29.         }
  30.     }
  31. }
  1. ### **该词无法使用模糊查询，因为分词器会分成两个词，模糊查询只能查询分词后的词**
  2. GET /blogs/_search
  3. {
  4.     "query": {
  5.         "wildcard": {
  6.             "title": "辣眼睛*"
  7.         }
  8.     }
  9. }
  12. ### **match 查询不影响**
  13. GET /blogs/_search
  14. {
  15.     "query": {
  16.         "match": {
  17.             "title": "辣眼睛"
  18.         }
  19.     }
  20. }
  22. ### **match_phrase 查询不影响**
  23. GET /blogs/_search
  24. {
  25.     "query": {
  26.         "match_phrase": {
  27.             "title": "辣眼睛"
  28.         }
  29.     }
  30. }