使用AliNLP分词插件（analysis-aliws）

AliNLP分词插件是阿里云Elasticsearch自带的一个系统默认插件。通过该插件，您可以在阿里云Elasticsearch中集成对应的分析器和分词器，完成文档分析和检索。您也可以使用AliNLP分词插件的词库配置功能，通过词典文件的热更新自定义词库配置（替换默认词典）。本文介绍如何使用AliNLP分词插件。

前提条件

已安装AliNLP分词插件（英文名为analysis-aliws，默认未安装）。

如果还未安装，请先安装AliNLP分词插件。安装前需要确保实例的内存大小为4GB及以上（生产环境中要求最低为8GB）。具体安装步骤，请参见安装或卸载系统默认插件。

注意

5.x版本的实例不支持AliNLP分词插件。
如果实例的内存大小不满足要求，需要先升级。具体操作，请参见升配集群。

背景信息

AliNLP分词插件安装成功后，阿里云Elasticsearch默认会集成以下分析器和分词器：

分析器：aliws（不会截取虚词、虚词短语、符号）
分词器：aliws_tokenizer

您可以使用上述分析器和分词器查询文档，也可以通过词库配置功能，自定义更新分词词库。详细信息，请参见下文的查询文档和配置词库。

查询文档

登录对应阿里云Elasticsearch实例的Kibana控制台。
具体操作，请参见登录Kibana控制台。
在左侧导航栏，单击Dev Tools（开发工具）。

在Console中，执行如下命令创建索引。

7.0以下版本

PUT /index
{
    "mappings": {
        "fulltext": {
            "properties": {
                "content": {
                    "type": "text",
                    "analyzer": "aliws"
                }
            }
        }
    }
}

7.0及以上版本

PUT /index
{
  "mappings": {
    "properties": {
        "content": {
            "type": "text",
            "analyzer": "aliws"
          }
      }
  }
}

以上示例创建了一个名称为index的索引，类型为fulltext（7.x版本为_doc）。包含了一个content属性，类型为text，并添加了aliws分析器。

执行成功后，返回如下结果。

{
  "acknowledged": true,
  "shards_acknowledged": true,
  "index": "index"
}

执行如下命令，添加文档。
注意如下命令仅适用于Elasticsearch 7.0以下版本，7.0及以上版本需要将fulltext修改为_doc。
```
POST /index/fulltext/1
{
  "content": "I like go to school."
}
```
以上示例创建了名称为1的文档，并设置了文档中的content字段的内容为I like go to school.。
执行成功后，返回如下结果。
```
{
  "_index": "index",
  "_type": "fulltext",
  "_id": "1",
  "_version": 1,
  "result": "created",
  "_shards": {
    "total": 2,
    "successful": 2,
    "failed": 0
  },
  "_seq_no": 0,
  "_primary_term": 1
}
```

执行如下命令，查询文档。

注意如下命令仅适用于Elasticsearch 7.0以下版本，7.0及以上版本需要将fulltext修改为_doc。

GET /index/fulltext/_search
{
  "query": {
    "match": {
      "content": "school"
    }
  }
}

以上示例在所有fulltext类型的文档中，使用aliws分析器，搜索content字段中包含school的文档。

执行成功后，返回如下结果。

{
  "took": 5,
  "timed_out": false,
  "_shards": {
    "total": 5,
    "successful": 5,
    "skipped": 0,
    "failed": 0
  },
  "hits": {
    "total": 1,
    "max_score": 0.2876821,
    "hits": [
      {
        "_index": "index",
        "_type": "fulltext",
        "_id": "2",
        "_score": 0.2876821,
        "_source": {
          "content": "I like go to school."
        }
      }
    ]
  }
}

说明如果您在使用AliNLP分词插件时，得到的结果不符合预期，可通过下文的测试分析器和测试分词器排查调试。

配置词库

AliNLP分词插件支持词库配置，即上传自定义词典文件，替换默认词典。上传后节点能自动加载词典文件，实现词典的热更新操作（不会触发集群重启）。

登录阿里云Elasticsearch控制台。
在左侧导航栏，单击Elasticsearch实例。
在顶部菜单栏处，选择资源组和地域，然后在实例列表中单击目标实例ID。
在左侧导航栏，单击插件配置。
在系统默认插件列表中，单击analysis-aliws插件右侧操作列下的词库配置。
在词库配置页面下方，单击配置。
选择词典文件的上传方式，并按照以下说明上传词典文件。
词典文件要求如下：
- 文件名：必须是aliws_ext_dict.txt。
- 文件格式：必须是UTF-8格式。
- 内容：每行一个词，前后不能有空白字符；需要使用UNIX或Linux的换行符，即每行结尾是\n。如果是在Windows系统中生成的文件，需要在Linux机器上使用dos2unix工具将词典文件处理后再上传。
您可以通过Text文件和添加OSS文件两种方式上传词典文件：
- Text文件：单击上传txt文件，选择一个本地文件进行上传。
- 添加OSS文件：输入Bucket名称和文件名称，单击添加。
  请确保Bucket与阿里云Elasticsearch实例在同一区域下。且源端（OSS）的文件内容发生变化后，需要重新上传词典文件才能生效，不支持自动同步更新。
单击保存。
保存后，不会触发集群重启，但会触发集群变更使词典文件生效，此过程需要10分钟左右。

测试分析器

执行如下命令，测试aliws分析器。

GET _analyze
{
  "text": "I like go to school.",
  "analyzer": "aliws"
}

执行成功后，返回如下结果。

{
  "tokens" : [
    {
      "token" : "i",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "word",
      "position" : 0
    },
    {
      "token" : "like",
      "start_offset" : 2,
      "end_offset" : 6,
      "type" : "word",
      "position" : 2
    },
    {
      "token" : "go",
      "start_offset" : 7,
      "end_offset" : 9,
      "type" : "word",
      "position" : 4
    },
    {
      "token" : "school",
      "start_offset" : 13,
      "end_offset" : 19,
      "type" : "word",
      "position" : 8
    }
  ]
}

测试分词器

执行如下命令，测试aliws_tokenizer分词器。

GET _analyze
{
  "text": "I like go to school.",
  "tokenizer": "aliws_tokenizer"
}

执行成功后，返回如下结果。

{
  "tokens" : [
    {
      "token" : "I",
      "start_offset" : 0,
      "end_offset" : 1,
      "type" : "word",
      "position" : 0
    },
    {
      "token" : " ",
      "start_offset" : 1,
      "end_offset" : 2,
      "type" : "word",
      "position" : 1
    },
    {
      "token" : "like",
      "start_offset" : 2,
      "end_offset" : 6,
      "type" : "word",
      "position" : 2
    },
    {
      "token" : " ",
      "start_offset" : 6,
      "end_offset" : 7,
      "type" : "word",
      "position" : 3
    },
    {
      "token" : "go",
      "start_offset" : 7,
      "end_offset" : 9,
      "type" : "word",
      "position" : 4
    },
    {
      "token" : " ",
      "start_offset" : 9,
      "end_offset" : 10,
      "type" : "word",
      "position" : 5
    },
    {
      "token" : "to",
      "start_offset" : 10,
      "end_offset" : 12,
      "type" : "word",
      "position" : 6
    },
    {
      "token" : " ",
      "start_offset" : 12,
      "end_offset" : 13,
      "type" : "word",
      "position" : 7
    },
    {
      "token" : "school",
      "start_offset" : 13,
      "end_offset" : 19,
      "type" : "word",
      "position" : 8
    },
    {
      "token" : ".",
      "start_offset" : 19,
      "end_offset" : 20,
      "type" : "word",
      "position" : 9
    }
  ]
}