实战手册：深入理解Elastic Stack的中文分词器（IK和pinyin）

3.4.2.17.5.中文分词器/ IK分词器/ pinyin分词器

创作人：李增胜

审稿人：欧阳楚才

分词器介绍

在使用 Elasticsearch 搜索中文信息时，Elasticsearch 默认将中文切分为单个汉字，对于常见的人名、地名、机构名等则无法优雅的处理，此时就需要用到一些中文分词器，常见的分词器如下：

l - Standard 默认分词器

l - IK 中文分词器

l - Pinyin 分词器

l - Smart Chinese 分词器

l - Hanlp 中文分词器

中文分词器比较

l Standard 默认分词器，对单个字符进行切分，查全率高，准确度较低

l IK 分词器 ik_max_word：查全率高，性能也较高，是业务中普遍采用的中文分词器

l IK 分词器 ik_smart：切分颗粒度较粗，查全率不高，但是查准率、查询性能较高

l Smart Chinese 分词器：查准率、查询性能较高

l Hanlp 中文分词器：切分颗粒度较粗，查准率较高

l Pinyin 分词器：针对汉字拼音进行的分词器，与上面介绍的分词器稍有不同，在用拼音进行查询时查全率准确度较高

下面详细介绍下各种分词器，对同一组汉语进行分词的结果对比，方便大家在实际使用中参考。

Standard 默认分词器

GET _analyze
{
  "text": "南京市长江大桥",
  "tokenizer": "standard"
}
#返回结果
{
  "tokens" : [
    {
      "token" : "南"
    },
    {
      "token" : "京",
    },
    {
      "token" : "市",
    },
    {
      "token" : "长",
    },
    {
      "token" : "江",
    },
    {
      "token" : "大",
    },
    {
      "token" : "桥",
    }
  ]
}

 默认分词器处理中文是按照单个汉字进行切割，不能很好的理解中文词语的含义，在实际项目使用中很少会使用默认分词器来处理中文。

《Elastic Stack 实战手册》——三、产品能力——3.4.入门篇——3.4.2.Elasticsearch基础应用——3.4.2.17.Text analysis, settings 及 mappings——3.4.2.17.5.中文分词器/ IK分词器/ pinyin分词器（中） https://developer.aliyun.com/article/1229400