简单分割匹配词元生成器

简单分割匹配词元生成器 #

简单分割匹配(simple_pattern_split)词元生成器使用正则表达式将文本分割成词元。该正则表达式定义了用于确定文本分割位置的模式。文本中任何匹配该模式的部分都会被用作分隔符,分隔符之间的文本则成为一个词元。当你想定义分隔符,并根据某个模式对文本的其余部分进行分词时,可以使用此词元生成器。

该词元生成器仅将输入文本中匹配到的部分(基于正则表达式)用作分隔符或边界,以将文本分割成词条。匹配到的部分不会包含在生成的词元中。例如,如果将词元生成器配置为在点号(.)处分割文本,输入文本为 one.two.three,那么生成的词元就是 onetwothree。点号本身不会包含在生成的词条中。

参考样例 #

以下示例请求创建了一个名为 my_index 的新索引,并配置了一个使用简单分割匹配词元生成器的分词器。该分词器被配置为在连字符(-)处分割文本:

PUT /my_index
{
  "settings": {
    "analysis": {
      "tokenizer": {
        "my_pattern_split_tokenizer": {
          "type": "simple_pattern_split",
          "pattern": "-"
        }
      },
      "analyzer": {
        "my_pattern_split_analyzer": {
          "type": "custom",
          "tokenizer": "my_pattern_split_tokenizer"
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "content": {
        "type": "text",
        "analyzer": "my_pattern_split_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_split_analyzer",
  "text": "2024-10-09"
}

返回内容包含产生的词元

{
  "tokens": [
    {
      "token": "2024",
      "start_offset": 0,
      "end_offset": 4,
      "type": "word",
      "position": 0
    },
    {
      "token": "10",
      "start_offset": 5,
      "end_offset": 7,
      "type": "word",
      "position": 1
    },
    {
      "token": "09",
      "start_offset": 8,
      "end_offset": 10,
      "type": "word",
      "position": 2
    }
  ]
}

参数说明 #

简单分割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
max_token_length可选整数设置生成词元的最大长度。若超过该长度,词元将按照 max_token_length 所配置的长度拆分为多个词元。默认值为 255。