溫馨提示×

您好,登錄后才能下訂單哦!

密碼登錄×
登錄注冊(cè)×
其他方式登錄
點(diǎn)擊 登錄注冊(cè) 即表示同意《億速云用戶服務(wù)條款》

使用ES對(duì)中文文章進(jìn)行分詞,并進(jìn)行詞頻統(tǒng)計(jì)排序

發(fā)布時(shí)間:2020-07-14 08:26:33 來(lái)源:網(wǎng)絡(luò) 閱讀:34829 作者:醬醬醬子啊 欄目:數(shù)據(jù)庫(kù)

前言:首先有這樣一個(gè)需求,需要統(tǒng)計(jì)一篇10000字的文章,需要統(tǒng)計(jì)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(duì)文章中的一段話進(jìn)行分詞,例如“北京是×××的首都”,“北京”,“×××”,“中華”,“華人”,“人民”,“共和國(guó)”,“首都”這些是一個(gè)詞,需要切分出來(lái),而“京是”“民共”這些就不是有意義的詞,所以不能分出來(lái)。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(lái)決定分詞的顆粒度。


ik_max_word: 會(huì)將文本做最細(xì)粒度的拆分,比如會(huì)將“×××國(guó)歌”拆分為“×××,中華人民,中華,華人,人民共和國(guó),人民,人,民,共和國(guó),共和,和,國(guó)國(guó),國(guó)歌”,會(huì)窮盡各種可能的組合;


ik_smart: 會(huì)做最粗粒度的拆分,比如會(huì)將“×××國(guó)歌”拆分為“×××,國(guó)歌”。


一:首先要準(zhǔn)備環(huán)境

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

使用ES對(duì)中文文章進(jìn)行分詞,并進(jìn)行詞頻統(tǒng)計(jì)排序


$ 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(dòng)ES

$ /etc/init.d/elasticsearch start


(6)檢查es節(jié)點(diǎn)狀態(tài)

$ curl localhost:9200/_cat/nodes?v    #看到一個(gè)節(jié)點(diǎn)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(cè)分詞功能

(1)創(chuàng)建測(cè)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(cè)試數(shù)據(jù)

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

返回內(nèi)容:

{
  "tokens" : [ {
    "token" : "美國(guó)",
    "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(gè)",
    "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(dǎo)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(duì)堅(jiān)持外遷關(guān)塔那摩監(jiān)獄囚犯
.
.
.
.
韓媒:日本叫停韓日貨幣互換磋商 韓財(cái)政部表遺憾
中國(guó)百萬(wàn)年薪須交40多萬(wàn)個(gè)稅 精英無(wú)奈出國(guó)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(huì)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(duì)要分詞的字段message進(jìn)行分詞器設(shè)置和fielddata設(shè)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(dòng)

$ /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(guó)百萬(wàn)年薪須交40多萬(wàn)個(gè)稅 精英無(wú)奈出國(guó)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(duì)堅(jiān)持外遷關(guān)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(jì)算分詞的詞頻,排序

(1)查詢所有詞出現(xiàn)頻率最高的top10

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

返回結(jié)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(gè)",
        "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)頻率最高的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(gè)",
        "doc_count" : 238
      }, {
        "key" : "女孩",
        "doc_count" : 174
      }, {
        "key" : "這些",
        "doc_count" : 167
      }, {
        "key" : "一個(gè)",
        "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)頻率最高的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(gè)",
        "doc_count" : 238
      }, {
        "key" : "這些",
        "doc_count" : 167
      }, {
        "key" : "一個(gè)",
        "doc_count" : 159
      }, {
        "key" : "注意",
        "doc_count" : 143
      }, {
        "key" : "這樣",
        "doc_count" : 142
      }, {
        "key" : "重慶",
        "doc_count" : 142
      }, {
        "key" : "結(jié)果",
        "doc_count" : 137
      } ]
    }
  }
}


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

向AI問一下細(xì)節(jié)
AI