Score
0
Watch 30 Star 101 Fork 17

Eugen / hanlp-tokenizerJava

Join us
Explore and code with more than 2 million developers,Free private repositories !:)
Sign up
This repository doesn't specify license. Without author's permission, this code is only for learning and cannot be used for other purposes.
基于HanLP自然语言处理包的elasticsearch分词器 spread retract

https://gitee.com/yspyhphh/hanlp-tokenizer

Clone or download
Cancel
Notice: Creating folder will generate an empty file .keep, because not support in Git
Loading...
README.md

基于HanLP自然语言处理包的elasticsearch分词器

功能

  • 本分词器使用HanLP提供的维特比分词
  • 屏蔽了本地配置用户词典
  • 增加同义词索引功能
  • 增加远程词典热更新(用户词典,停词典,同义词典)

使用

目前支持的es版本为2.3.5和5.6.3,其他版本请修改plugin-descriptor.properties文件的es版本

git clone this project
mvn clean install
cp hanlp-tokenizer-0.1.tar.gz /your/es/plugins/
tar -zxvf hanlp-tokenizer-0.1.tar.gz
rm hanlp-tokenizer-0.1.tar.gz
restart es

提供三种分词方式

hanlp-search nlp分词
hanlp-index 索引分词
hanlp-synonym 同义词索引分词

测试

POST http://localhost:9200/<index_name>/_analyze?analyzer=hanlp_search&pretty=true
{
	"text": "你好,上外日本文化经济学院的陆晚霞教授正在教授泛读课程"
}

得到结果

{
    "tokens": [
        {
            "token": "你好",
            "start_offset": 0,
            "end_offset": 2,
            "type": "l",
            "position": 0
        },
        {
            "token": ",",
            "start_offset": 2,
            "end_offset": 3,
            "type": "w",
            "position": 1
        },
        {
            "token": "上外日本文化经济学院",
            "start_offset": 3,
            "end_offset": 13,
            "type": "nt",
            "position": 2
        },
        {
            "token": "的",
            "start_offset": 13,
            "end_offset": 14,
            "type": "uj",
            "position": 3
        },
        {
            "token": "陆晚霞",
            "start_offset": 14,
            "end_offset": 17,
            "type": "nr",
            "position": 4
        },
        {
            "token": "教授",
            "start_offset": 17,
            "end_offset": 19,
            "type": "n",
            "position": 5
        },
        {
            "token": "正在",
            "start_offset": 19,
            "end_offset": 21,
            "type": "d",
            "position": 6
        },
        {
            "token": "教授",
            "start_offset": 21,
            "end_offset": 23,
            "type": "n",
            "position": 7
        },
        {
            "token": "泛读",
            "start_offset": 23,
            "end_offset": 25,
            "type": "v",
            "position": 8
        },
        {
            "token": "课程",
            "start_offset": 25,
            "end_offset": 27,
            "type": "n",
            "position": 9
        }
    ]
}

配置远程词典

在没有配置远程词典时,hanlp_sysnonym == hanlp_index;使用hanlp内置词典 远程词典照搬ik分词

  • 配置远程词典配置文件hanlp-hot-update.cfg.xml
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
	<comment>HanLP 扩展配置</comment>
	<!--用户可以在这里配置远程扩展字典 -->
	<entry key="remote_ext_dict">http://your/used/dictionary</entry>
	<!--用户可以在这里配置远程扩展停止词字典-->
	<entry key="remote_ext_stopwords">http://your/stop/dictionary</entry>
	<!--用户可以在这里配置远程同义词字典-->
	<entry key="remote_ext_synonyms">http://your/sysnonym/dictionary</entry>
</properties>
  • 用户词典格式为 每行一个词和词性 词性可以不写 默认为nz
天气 n_tianqi
气温 n_tianqi
气象 n_tianqi
温度 n_tianqi
前天 t_day
后天 t_day
今天 t_day
昨天 t_day
明天 t_day
  • 停词典格式为 每行一个词
但是

何以
何况
何处
何时
余外
作为
  • 同义词典格式为 每行一组同义词
人 士 人物 人士 人氏 人选
人类 生人 全人类
人手 人员 人口 人丁 口 食指
劳力 劳动力 工作者
  • 更新方式
分词器每分钟会以HEAD方式访问用户配置的词典接口
从response中获取header:ETag、Last-Modified
若这两个header有一个有变化,则以GET方式访问接口并更新词典
更新时:
    若用户词典中的词存在,则跳过
    若同义词典中的词存在,则合并

同义词功能参考word

热更新功能参考elasticsearch-analysis-ik

power by HanLP

作者:Eugen 邮箱:745045993@qq.com

Comments ( 5 )

Sign in for post a comment

Java
1
https://gitee.com/yspyhphh/hanlp-tokenizer.git
git@gitee.com:yspyhphh/hanlp-tokenizer.git
yspyhphh
hanlp-tokenizer
hanlp-tokenizer
master

Help Search