ICU 分词器
编辑ICU 分词器
编辑根据 UAX #29：Unicode 文本分段 中定义的词边界将文本分词为单词。它的行为与 standard 分词器 非常相似，但通过使用基于字典的方法识别泰语、老挝语、中文、日语和韩语中的单词，并使用自定义规则将缅甸语和高棉语文本分解为音节，从而为某些亚洲语言提供了更好的支持。
PUT icu_sample
{
"settings": {
"index": {
"analysis": {
"analyzer": {
"my_icu_analyzer": {
"tokenizer": "icu_tokenizer"
}
}
}
}
}
}
规则自定义
编辑此功能在 Lucene 中被标记为实验性
您可以通过指定每个脚本的规则文件来自定义 icu-tokenizer 的行为，请参阅 RBBI 规则语法参考 以获取更详细的说明。
要添加 icu 分词器规则，请设置 rule_files 设置，该设置应包含以逗号分隔的 code:rulefile 对列表，格式如下：四字母 ISO 15924 脚本代码，后跟一个冒号，然后是规则文件名。规则文件放置在 ES_HOME/config 目录中。
作为规则文件如何使用的演示，请将以下用户文件保存到 $ES_HOME/config/KeywordTokenizer.rbbi
.+ {200};
然后创建一个分析器来使用此规则文件，如下所示
PUT icu_sample
{
"settings": {
"index": {
"analysis": {
"tokenizer": {
"icu_user_file": {
"type": "icu_tokenizer",
"rule_files": "Latn:KeywordTokenizer.rbbi"
}
},
"analyzer": {
"my_analyzer": {
"type": "custom",
"tokenizer": "icu_user_file"
}
}
}
}
}
}
GET icu_sample/_analyze
{
"analyzer": "my_analyzer",
"text": "Elasticsearch. Wow!"
}
上面的 analyze 请求返回以下内容
{
"tokens": [
{
"token": "Elasticsearch. Wow!",
"start_offset": 0,
"end_offset": 19,
"type": "<ALPHANUM>",
"position": 0
}
]
}