匹配词元生成器

匹配词元生成器 #

匹配(pattern)词元生成器是一种高度灵活的词元生成器,它允许你根据自定义的 Java 正则表达式将文本拆分为词元。与使用 Lucene 正则表达式的简单匹配(simple_pattern)词元生成器和简单分割匹配(simple_pattern_split)词元生成器不同,匹配词元生成器能够处理更复杂、更细致的正则表达式模式,从而让你对文本的分词方式拥有更强的掌控力。

参考样例 #

以下示例请求创建了一个名为 my_index 的新索引,并配置了一个使用匹配词元生成器的分词器。该分词器会在 -_. 字符处对文本进行分割。

PUT /my_index
{
  "settings": {
    "analysis": {
      "tokenizer": {
        "my_pattern_tokenizer": {
          "type": "pattern",
          "pattern": "[-_.]"
        }
      },
      "analyzer": {
        "my_pattern_analyzer": {
          "type": "custom",
          "tokenizer": "my_pattern_tokenizer"
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "content": {
        "type": "text",
        "analyzer": "my_pattern_analyzer"
      }
    }
  }
}

产生的词元 #

使用以下请求来检查使用该分词器生成的词元:

POST /my_index/_analyze
{
  "analyzer": "my_pattern_analyzer",
  "text": "Easysearch-2024_v1.2"
}

返回内容包含产生的词元

{
  "tokens": [
    {
      "token": "Easysearch",
      "start_offset": 0,
      "end_offset": 10,
      "type": "word",
      "position": 0
    },
    {
      "token": "2024",
      "start_offset": 11,
      "end_offset": 15,
      "type": "word",
      "position": 1
    },
    {
      "token": "v1",
      "start_offset": 16,
      "end_offset": 18,
      "type": "word",
      "position": 2
    },
    {
      "token": "2",
      "start_offset": 19,
      "end_offset": 20,
      "type": "word",
      "position": 3
    }
  ]
}

参数说明 #

匹配词元生成器可以使用以下参数进行配置:

参数必需/可选数据类型描述
pattern可选字符串用于将文本拆分为词元的模式,需使用 Java 正则表达式指定。默认值是 \W+
flags可选字符串配置以竖线分隔的标志,用于应用于正则表达式。例如,"CASE_INSENSITIVE | MULTILINE | DOTALL"
group可选整数指定用作词元的捕获组。默认值是 -1(在匹配处进行拆分)。

使用分组参数 #

以下示例请求配置了一个 group 参数,该参数仅捕获第二个捕获组。

PUT /my_index_group2
{
  "settings": {
    "analysis": {
      "tokenizer": {
        "my_pattern_tokenizer": {
          "type": "pattern",
          "pattern": "([a-zA-Z]+)(\\d+)",
          "group": 2
        }
      },
      "analyzer": {
        "my_pattern_analyzer": {
          "type": "custom",
          "tokenizer": "my_pattern_tokenizer"
        }
      }
    }
  }
}

使用以下请求来检查使用该分词器生成的词元:

POST /my_index_group2/_analyze
{
  "analyzer": "my_pattern_analyzer",
  "text": "abc123def456ghi"
}

返回内容包含产生的词元

{
  "tokens": [
    {
      "token": "123",
      "start_offset": 3,
      "end_offset": 6,
      "type": "word",
      "position": 0
    },
    {
      "token": "456",
      "start_offset": 9,
      "end_offset": 12,
      "type": "word",
      "position": 1
    }
  ]
}