Classic Tokenizer

classic tokenizer 是一种基于语法的标记器,适用于英文文档。 该标记器启发式地特殊处理了首字母缩略词、公司名称、电子邮件地址和互联网主机名。 但是,这些规则并不总是起作用,而且除了英文之外,大多数语言中并不能正常工作:

  • 它以大多数标点符号分割字词,删除标点符号。 不过,后面没有空格的点被认为是 token 的一部分。

  • 它以连字符分隔单词。除非 token 中有一个数字,在这种情况下,整个 token 将被解释为产品编号,并且不分割。

  • 它将电子邮件地址和互联网主机名识别为一个词元。

输出示例

POST _analyze
{
  "tokenizer": "classic",
  "text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}

上面的句子会生成如下的词元:

[ The, 2, QUICK, Brown, Foxes, jumped, over, the, lazy, dog's, bone ]

配置

Classic Tokenizer 接受以下参数:

max_token_length 单个 token 的最大长度。如果一个 token 超过这个长度,则以 max_token_length 为间隔分割。默认值是255.。

配置示例

下面的例子中,我们配置Classic Tokenizer max_token_length为 5 (便于展示):

PUT my_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_analyzer": {
          "tokenizer": "my_tokenizer"
        }
      },
      "tokenizer": {
        "my_tokenizer": {
          "type": "classic",
          "max_token_length": 5
        }
      }
    }
  }
}

POST my_index/_analyze
{
  "analyzer": "my_analyzer",
  "text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}

输出如下:

[ The, 2, QUICK, Brown, Foxes, jumpe, d, over, the, lazy, dog's, bone ]

Last updated