docker安装elasticsearch和ik分词器

文档（Document）：用来搜索的数据，其中的每一条数据就是一个文档。例如一个网页、一个商品信息。也就是数据库中的一行数据
词条（Term）：对文档数据或用户搜索数据，利用某种算法分词，得到的具备含义的词语就是词条。例如：我是中国人，就可以分为：我、是、中国人、中国、国人这样的几个词条。词条就是把文档数据根据某种规则进行拆分成几个词

创建倒排索引是对正向索引的一种特殊处理，流程如下：

将每一个文档的数据利用算法分词，得到一个个词条
创建表，每行数据包括词条、词条所在文档id、位置等信息
因为词条唯一性，可以给词条创建索引，例如hash表结构索引

倒排索引的搜索流程如下（以搜索"华为手机"为例）：

当用户输入华为手机时，进行词条分割，得到华为，手机两个词条，然后再倒排索引的表中获得对应的文档id（1，2，3）然后拿着文档id去数据库表中进行查找具体的信息（因为根据的是主键Id,走索引，查询速率比较快）

虽然要先查询倒排索引，再查询正向索引，但是无论是词条、还是文档id都建立了索引（可以建立联合唯一索引），查询速度非常快！无需全表扫描。

正向和倒排

那么为什么一个叫做正向索引，一个叫做倒排索引呢？

正向索引是最传统的，根据id索引的方式。但根据词条查询时，必须先逐条获取每个文档，然后判断文档中是否包含所需要的词条，是根据文档找词条的过程。
而倒排索引则相反，是先找到用户要搜索的词条，根据词条（再倒排索引表中）先得到词条的文档的id，然后再根据获得的id去数据表中获取对应的文档。是根据词条找文档的过程。

是不是恰好反过来了？

那么两者方式的优缺点是什么呢？

正向索引：

优点：
- 可以给多个字段创建索引
- 根据索引字段搜索、排序速度非常快
缺点：
- 根据非索引字段，或者索引字段中的部分词条查找时，只能全表扫描。

倒排索引：

优点：
- 根据词条搜索、模糊搜索时，速度非常快
缺点：
- 只能给词条创建索引，而不是字段
- 无法根据字段做排序

elasticSearch特定的一些概念

文档和字段

elasticsearch是面向**文档（Document）**存储的，可以是数据库中的一条商品数据，一个订单信息。文档数据会被序列化为json格式后存储在elasticsearch中：

可以看见数据库的每一行数据都被序列化成了json数据，每一个json数据对应的key就是字段名

每一个json数据就是叫做文档(document)，json数据里面的key值就是字段(Field)

索引和映射

索引（Index），就是相同类型的文档的集合。一个索引就是相当于数据库中的一张数据表

也就是说一个索引包含了很多相同类型的文档

例如：

所有用户文档，就可以组织在一起，称为用户的索引；
所有商品的文档，可以组织在一起，称为商品的索引；
所有订单的文档，可以组织在一起，称为订单的索引；

因此，我们可以把索引当做是数据库中的表。

数据库的表会有约束信息，用来定义表的结构、字段的名称、类型等信息。因此，索引库中就有映射（mapping），是索引中文档的字段约束信息，类似表的结构约束。

mysql与elasticsearch对比

我们统一的把mysql与elasticsearch的概念做一下对比：

MySQL	Elasticsearch	说明
Table	Index	索引(index)，就是文档的集合，类似数据库的表(table)
Row	Document	文档（Document），就是一条条的数据，类似数据库中的行（Row），文档都是JSON格式
Column	Field	字段（Field），就是JSON文档中的字段，类似数据库中的列（Column）
Schema	Mapping	Mapping（映射）是索引中文档的约束，例如字段类型约束。类似数据库的表结构（Schema）
SQL	DSL	DSL是elasticsearch提供的JSON风格的请求语句，用来操作elasticsearch，实现CRUD

Mysql：擅长事务类型操作，可以确保数据的安全和一致性
Elasticsearch：擅长海量数据的搜索、分析、计算

因此在企业中，往往是两者结合使用：

对安全性要求较高的写操作，使用mysql实现
对查询性能要求较高的搜索需求，使用elasticsearch实现
两者再基于某种方式，实现数据的同步，保证一致性

安装elasticSeacher并部署单例es

创建网络

因为我们还需要部署kibana容器，因此需要让es和kibana容器互联。这里先创建一个网络：

创建网络的原因是在同一网络中的容器（即kibana）可以直接通过容器的名字(es)来获取 es的ip地址

docker network create es-net

创建成功

加载es镜像和kibana镜像

docker pull ...

加载压缩包

docker load -i es.tar

运行es镜像

docker run -d \
--name es \
    -e "ES_JAVA_OPTS=-Xms512m -Xmx512m" \
    -e "discovery.type=single-node" \
    -v es-data:/usr/share/elasticsearch/data \
    -v es-plugins:/usr/share/elasticsearch/plugins \
    --privileged \
    --network es-net \
    -p 9200:9200 \
    -p 9300:9300 \
elasticsearch:7.12.1

命令解释：

-e "cluster.name=es-docker-cluster"：设置集群名称
-e "http.host=0.0.0.0"：监听的地址，可以外网访问
-e "ES_JAVA_OPTS=-Xms512m -Xmx512m"：内存大小
-e "discovery.type=single-node"：非集群模式
-v es-data:/usr/share/elasticsearch/data：挂载逻辑卷，绑定es的数据目录（如果没有这个数据卷，可以自动创建）
-v es-logs:/usr/share/elasticsearch/logs：挂载逻辑卷，绑定es的日志目录
-v es-plugins:/usr/share/elasticsearch/plugins：挂载逻辑卷，绑定es的插件目录
--privileged：授予逻辑卷访问权
--network es-net ：加入一个名为es-net的网络中
-p 9200:9200：端口映射配置，http访问的入口
-p 9300:9300：tcp协议端口，用于集群模式下节点与节点之间的心跳检查的

在浏览器中输入：http://192.168.230.100:9200 即可看到elasticsearch的响应结果：

部署kibana

kibana可以给我们提供一个elasticsearch的可视化界面，便于我们学习。

docker run -d \
--name kibana \
-e ELASTICSEARCH_HOSTS=http://es:9200 \
--network=es-net \
-p 5601:5601  \
kibana:7.12.1

--network es-net ：加入一个名为es-net的网络中，与elasticsearch在同一个网络中
-e ELASTICSEARCH_HOSTS=http://es:9200"：设置elasticsearch的地址，因为kibana已经与elasticsearch在一个网络，因此可以用容器名直接访问elasticsearch
-p 5601:5601：端口映射配置

kibana启动一般比较慢，需要多等待一会，可以通过命令：

docker logs -f kibana

查看运行日志，当查看到下面的日志，说明成功：

查看kibana

192.168.230.100:5601,里面的dev tools

这个界面中可以编写DSL来操作elasticsearch。并且对DSL语句有自动补全功能。

DSL就是elasticsearch提供的特殊语法，基本格式如下：

[请求方式] /[请求路径]
{
    [请求参数key1]: [请求参数value1]，
    [请求参数key2]: [请求参数value2]
}

例如

GET /_analyze
{
  "analyzer": "standard",
  "text": "华为手机"
}

运行结果后默认是把文档拆成一个一个字的词条

安装IK分词器

因为默认的行为是把文档拆成一个一个字的词条，不符合我们的习惯，所以需要安装国内的开源的IK分词器

下载压缩包

https://github.com/medcl/elasticsearch-analysis-ik/releases/download/v7.12.1/elasticsearch-analysis-ik-7.12.1.zip

解压这个压缩包得到ik文件夹

查询到es-plugins数据卷存在的实际位置

cd到这个实际位置，并把ik文件夹拉到这个目录中

重启es容器

docker restart es

测试：

IK分词器包含两种模式：

ik_smart：最少切分
ik_max_word：最细切分

使用最少切分的模式可以把华为，手机分割出来，但是对于网络热词无法切分

使用ik_max_word模式进行分词，可以发现分出来的词更加细腻,把"程序员"还分成了"程序"和"员"

扩展IK分词器

随着互联网的发展，“造词运动”也越发的频繁。出现了很多新的词语，在原有的词汇列表中并不存在。比如：“奥力给”，“我了个豆”等。

所以我们的词汇也需要不断的更新，IK分词器提供了扩展词汇的功能。我们可以自己进行配置

进入ik的config目录

cd ik/config

在IKAnalyzer.cfg.xml配置文件内容添加：ext.dic

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
        <comment>IK Analyzer 扩展配置</comment>
        <!--用户可以在这里配置自己的扩展字典 -->
        <entry key="ext_dict">ext.dic</entry>
         <!--用户可以在这里配置自己的扩展停止词字典-->
        <entry key="ext_stopwords"></entry>
        <!--用户可以在这里配置远程扩展字典 -->
        <!-- <entry key="remote_ext_dict">words_location</entry> -->
        <!--用户可以在这里配置远程扩展停止词字典-->
        <!-- <entry key="remote_ext_stopwords">words_location</entry> -->
</properties>

这里没有配置ext.dic的文件路径，说明和IKAnalyzer.cfg.xml在同一个目录下

vim ext.dic

在这个文件中添加词汇

然后重启es

docker restart es

测试，可以发现我勒个豆已经成为一个最小单元的词条

停用词词典

在互联网项目中，在网络间传输的速度很快，所以很多语言是不允许在网络上传递的，如：关于宗教、政治等敏感词语，那么我们在搜索时也应该忽略当前词汇。

IK分词器也提供了强大的停用词功能，让我们在索引时就直接忽略当前的停用词汇表中的内容。

1）IKAnalyzer.cfg.xml配置文件内容添加：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
        <comment>IK Analyzer 扩展配置</comment>
        <!--用户可以在这里配置自己的扩展字典-->
        <entry key="ext_dict">ext.dic</entry>
         <!--用户可以在这里配置自己的扩展停止词字典  *** 添加停用词词典-->
        <entry key="ext_stopwords">stopword.dic</entry>
</properties>

2）打开stopword.dic(config中已经存在，不用重新创建)

添加屏蔽词汇

3）重启es

docker restart es

4）测试

直接把不显示屏蔽词

总结：
分词器的作用

创建倒排索引时对文档进行分词
用户搜索时，对输入的内容进行分词

IK分词器有几种模式

ik_smart:智能切片，粗粒度
ik_max_word:最细分片，细粒度

原文地址：https://blog.csdn.net/luosuss/article/details/142962807

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

上一篇：校园圈子论坛系统该如何搭建配置？可打包APP小程序H5源码交付支持二开
下一篇：单臂路由和三层交换

【Vue.js设计与实现】第三篇第10章：渲染器-双端 Diff 算法-阅读笔记
本章我们介绍了双端 Diff 算法的原理及其优势。双端 Diff 算法指的是，在新旧两组子节点的四个端点之间分别进行比较，并试图找到可复用的节点。相比简单 Diff 算法，双端 Diff 算法的优势在
阅读更多2024-10-19
Flutter Scaffold组件
想象一下，你正在建造一座房子，每个房间都代表着应用用户界面的不同部分。在Flutter中，这些房间被称为widget。就像在房子里，每个房间都有不同的家具和装饰一样，Flutter widgets是构
阅读更多2024-10-19
rootless模式下istio ambient鉴权策略
在rootless模式下的kind k8s集群，兼容istio ambient鉴权策略设置。
阅读更多2024-10-19
flutter assets配置加载本地图片报错
需要注意的是，目录批量指定并不递归，只有该目录下的文件可以被包括，如果有子目录，需要单独声明子目录下的文件‌。目录下的文件都将被包含进来，而不需要逐个列出每个文件‌。这里着重强调的最新版的flutte
阅读更多2024-10-19
预训练模型通过 prompt（提示）生成的“软标签”是什么
软标签（Soft Label）通常指的是模型预测结果中输出的概率分布。例如，如果一个分类任务中有3个类别，模型的输出可能是：这意味着模型认为输入数据属于类别1的概率是70%，类别2是20%，类别3是1
阅读更多2024-10-19
OpenAI Prompt generation - 生成和优化Prompt的Prompt
OpenAI Prompt generation - 生成和优化Prompt的Prompt
阅读更多2024-10-19
【4.10】图搜索算法-BFS和DFS解电话号码的字母组合
给定一个仅包含数字2-9的字符串，返回所有它能表示的字母组合。答案可以按返回。给出数字到字母的映射如下（与电话按键相同）。注意 1 不对应任何字母。
阅读更多2024-10-19
大数据实验3： HDFS基础编程
，否则返回文件一行的文本。在 Hadoop 分布式文件系统（HDFS）中的作用是将本地文件系统中的文件 localfile 上传到 HDFS 上的目录 hdfsdir1 中。10、hdfs dfs -
阅读更多2024-10-19
从算盘到云计算：计算机发展的壮丽历程
早期计算器的出现对计算机发展起到了重要作用。从算盘到机械计算器，再到现代计算机的诞生，计算能力不断提升，速度和通用性也得到了显著提升。个人电脑和移动计算机成为生活和工作中不可或缺的工具，云计算使计算机
阅读更多2024-10-19
神经网络构建与训练深度学习模型全过程（PyTorch & TensorFlow）
神经网络（Neural Network）是一种模拟人脑神经元的数学模型，其目的是通过模拟神经元之间的连接与传递信息的方式，来完成复杂的数据处理任务。神经网络由若干层神经元组成，通常分为输入层、隐藏层和
阅读更多2024-10-19