Kibana 8.X 如何做出靠谱的词云图？

1、问题产生

Kibana 实现一个词云效果并不复杂，甚至可以说非常简单。

大致可以分成如下几个步骤：

• 步骤1：已有索引待做词云的 text 类型字段设置：fielddata 为true，以便基于分词结果聚合操作。
• 步骤2：在 8.X 的 kibana 的 Data Views关联索引。
• 步骤3：在dashboard控制面板选择 Aggregation Based 下的 Tag cloud，选择步骤1设定的字段，选择好时间范围，词云就可以生成。

以构造微博数据（假数据）为例，词云效果如下所示：

问题来了！怎么那么多单字效果，有没有办法去掉，让词云效果相对靠谱可靠？

2、方案探讨

从目标出发思考，既然分词结果大局已定。把单字的分词全部删除掉不就可以了吗？于是有了方案一。

方案一：Kibana 控制面板过滤掉单字索引

加上后，看看效果：

并不乐观，因为我们的方案仅是将能看到的 Top 50 里的单字给去掉了。

新的 Top 50 单字仍然会出现。

也就是说：方案一仅“治疗表明”，不能由表及里。

这个问题曾困惑我很久，我一度认为，把单字穷举出来，全部删掉即可。

后来，思来死去，发现思考问题方向不对，应该从“源头”解决问题。

于是，有了方案二。

2.2 方案二：分词阶段过滤掉单字词项

中文分词我们依然选择的 medcl 大佬开源的 IK 分词下的 ik_smart 粗粒度分词器。ik 中文分词插件支持两种分词效果：

其一：ik_max_word，细粒度分词。

其二：ik_smart, 粗粒度分词。

原有的分词已经构建完毕，如何基于已有成熟分词再构建新的分词器呢？

这时候，脑海里要对分词 analysis 的三部分组成要“门儿清”。

我们的 ​​tokenizer​​​ 已选定 ​​ik_smart​​​，不能修改。可动的只有：​​character filter​​​ 和 ​​token filter​​​，而能实现仅保留 两个 或者两个以上分词的效果的需要借助：​​token filter​​​ 下的 ​​length token filter​​ 实现。

​​length token filter​​ 的本质如其定义：

emoves tokens shorter or longer than specified character lengths. ”

中文释义为：“删除比指定字符长度更短或更长的标记”。

接下来，我们实战一把。

3、基于自定义分词实现靠谱词云效果

如前方案二所述，在分词处做“手脚”，能实现自主、可控的分词粒度。

3.1 步骤1：自定义分词

如下 DSL 实现了自定义索引。

在原有 ​​ik_smart​​ 分词器的基础上，添加了“bigger_than_2” 过滤器，实现了将小于2个字符的 分词项过滤掉的效果。

PUT weibo_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "ik_smart_ext": {
          "tokenizer": "ik_smart",
          "filter": [
            "bigger_than_2"
          ]
        }
      },
      "filter": {
        "bigger_than_2": {
          "type": "length",
          "min": 2
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "title": {
        "type": "text",
        "analyzer": "ik_smart_ext",
        "fielddata": true
      },
      "insert_time": {
        "type": "date"
      }
    }
  }
}

3.2 步骤2：重新生成索引且reindex数据

POST _reindex
{
  "source": {"index": "weibo_index_20220901"},
  "dest": {"index": "weibo_index_20220904"}
}

3.3 步骤3：重新生成词云

依然不是最完美的词云效果，但是，比未处理前已经好很多。

4、小结

解决问题的时候，多从源头思考，换一个思路，效果会好很多。

大家有任何 ElasticStack 相关技术问题都欢迎留言交流。