基于 HanLP 的 Elasticsearch 中文分词插件，核心功能：
兼容 ES 5.x-7.x ；
内置词典，无需额外配置即可使用；
支持用户自定义词典；
支持远程词典热更新（待开发）；
内置多种分词模式，适合不同场景；
拼音过滤器（待开发）；
简繁体转换过滤器（待开发）。
版本
插件版本和 ES 版本一致，直接下载对应版本的插件进行安装即可。
· 插件开发完成时，最新版本已经为 6.5.2 了，所以个人只对典型的版本进行了测试；
· 5.X 在 5.0.0 、 5.5.0 版本进行了测试；
· 6.X 在 6.0.0 、 6.3.0 、 6.4.1 、 6.5.1 版本进行了测试；
· 7.X 在 7.0.0 版本进行了测试。
安装使用
下载编译
git clone
对应版本的代码，打开
pom.xml
文件，修改
打包完成后，使用离线方式安装即可。
使用默认词典
· 在线安装： .\elasticsearch-plugin install https://github.com/AnyListen/elasticsearch-analysis-hanlp/releases/download/vA.B.C/elasticsearch-analysis-hanlp-A.B.C.zip
· 离线安装： .\elasticsearch-plugin install file:///FILE_PATH/elasticsearch-analysis-hanlp-A.B.C.zip
离线安装请把 FILE_PATH 更改为 zip 文件路径； A 、 B 、 C 对应的是 ES 版本号。
使用自定义词典
默认词典是精简版的词典，能够满足基本需求，但是无法使用感知机和 CRF 等基于模型的分词器。
HanLP 提供了更加完整的词典，请按需下载。
词典下载后，解压到任意目录，然后修改插件安装目录下的 hanlp.properties 文件，只需修改第一行
root=D:/JavaProjects/HanLP/
为 data 的父目录即可，比如 data 目录是 /Users/hankcs/Documents/data ，那么 root=/Users/hankcs/Documents/ 。
使用自定义配置文件
如果你在其他地方使用了 HanLP ，希望能够复用 hanlp.properties 文件，你只需要修改插件安装目录下的 plugin.properties 文件，将 configPath 配置为已有的 hanlp.properties 文件地址即可。
内置分词器
分析器 (Analysis)
· hanlp_index ：细粒度切分
· hanlp_smart ：常规切分
· hanlp_nlp ：命名实体识别
· hanlp_per ：感知机分词
· hanlp_crf ： CRF 分词
· hanlp ：自定义
分词器 (Tokenizer)
· hanlp_index ：细粒度切分
· hanlp_smart ：常规切分
· hanlp_nlp ：命名实体识别
· hanlp_per ：感知机分词
· hanlp_crf ： CRF 分词
· hanlp ：自定义
自定义分词器
插件有较为丰富的选项允许用户自定义分词器，下面是可用的配置项：
案例展示：
# 创建自定义分词器
PUT my_index
{
"settings": {
"analysis": {
"analyzer": {
"my_analyzer": {
"type": "hanlp",
"algorithm": "viterbi",
"enableIndexMode": "true",
"enableCustomDictionary": "true",
"customDictionaryPath": "",
"enableCustomDictionaryForcing": "false",
"enableStopWord": "true",
"stopWordDictionaryPath": "",
"enableNumberQuantifierRecognize": "true",
"enableNameRecognize": "true",
"enableTranslatedNameRecognize": "true",
"enableJapaneseNameRecognize": "true",
"enableOrganizationRecognize": "true",
"enablePlaceRecognize": "true",
"enableTraditionalChineseMode": "false"
}
}
}
}
}
# 测试分词器
POST my_index/_analyze
{
"analyzer": "my_analyzer",
"text": " 张惠妹在上海市举办演唱会啦 "
}
分词速度（仅供参考）
借助 _analyze API （ 1 核 1G 单线程），通过改变分词器类型，对 2W 字的文本进行分词，以下为从请求到返回的耗时：
