nori_tokenizer

编辑

`nori_tokenizer`编辑

nori_tokenizer 接受以下设置

decompound_mode

decompound 模式决定分词器如何处理复合词。它可以设置为

none

不分解复合词。示例输出

가거도항
가곡역

discard

分解复合词并丢弃原始形式（默认）。示例输出

가곡역 => 가곡, 역

mixed

分解复合词并保留原始形式。示例输出

가곡역 => 가곡역, 가곡, 역

discard_punctuation

是否应从输出中丢弃标点符号。默认为 true。

user_dictionary

Nori 分词器默认使用 mecab-ko-dic 词典。可以将包含自定义名词 (NNG) 的 user_dictionary 附加到默认词典。词典应具有以下格式

<token> [<token 1> ... <token n>]

第一个标记是必需的，表示要添加到词典中的自定义名词。对于复合名词，可以在第一个标记之后提供自定义分词 ([<token 1> ... <token n>])。自定义复合名词的分词由 decompound_mode 设置控制。

为了演示如何使用用户词典，请将以下词典保存到 $ES_HOME/config/userdict_ko.txt

c++                 
C쁠쁠
세종
세종시 세종 시

	一个简单名词
	一个复合名词 (`세종시`) 以及它的分解：`세종` 和 `시`。

然后创建如下分析器

PUT nori_sample
{
  "settings": {
    "index": {
      "analysis": {
        "tokenizer": {
          "nori_user_dict": {
            "type": "nori_tokenizer",
            "decompound_mode": "mixed",
            "discard_punctuation": "false",
            "user_dictionary": "userdict_ko.txt"
          }
        },
        "analyzer": {
          "my_analyzer": {
            "type": "custom",
            "tokenizer": "nori_user_dict"
          }
        }
      }
    }
  }
}

GET nori_sample/_analyze
{
  "analyzer": "my_analyzer",
  "text": "세종시"  
}

世宗市

上面的 analyze 请求返回以下结果

{
  "tokens" : [ {
    "token" : "세종시",
    "start_offset" : 0,
    "end_offset" : 3,
    "type" : "word",
    "position" : 0,
    "positionLength" : 2    
  }, {
    "token" : "세종",
    "start_offset" : 0,
    "end_offset" : 2,
    "type" : "word",
    "position" : 0
  }, {
    "token" : "시",
    "start_offset" : 2,
    "end_offset" : 3,
    "type" : "word",
    "position" : 1
   }]
}

这是一个跨越两个位置的复合词 (mixed 模式)。

user_dictionary_rules

您也可以使用 user_dictionary_rules 选项直接在分词器定义中内联规则

PUT nori_sample
{
  "settings": {
    "index": {
      "analysis": {
        "tokenizer": {
          "nori_user_dict": {
            "type": "nori_tokenizer",
            "decompound_mode": "mixed",
            "user_dictionary_rules": ["c++", "C쁠쁠", "세종", "세종시 세종 시"]
          }
        },
        "analyzer": {
          "my_analyzer": {
            "type": "custom",
            "tokenizer": "nori_user_dict"
          }
        }
      }
    }
  }
}

nori_tokenizer 为每个标记设置了一些额外的属性，这些属性由标记过滤器用于修改流。您可以使用以下请求查看所有这些附加属性

GET _analyze
{
  "tokenizer": "nori_tokenizer",
  "text": "뿌리가 깊은 나무는",   
  "attributes" : ["posType", "leftPOS", "rightPOS", "morphemes", "reading"],
  "explain": true
}

一棵根深蒂固的树

响应结果为

{
  "detail": {
    "custom_analyzer": true,
    "charfilters": [],
    "tokenizer": {
      "name": "nori_tokenizer",
      "tokens": [
        {
          "token": "뿌리",
          "start_offset": 0,
          "end_offset": 2,
          "type": "word",
          "position": 0,
          "leftPOS": "NNG(General Noun)",
          "morphemes": null,
          "posType": "MORPHEME",
          "reading": null,
          "rightPOS": "NNG(General Noun)"
        },
        {
          "token": "가",
          "start_offset": 2,
          "end_offset": 3,
          "type": "word",
          "position": 1,
          "leftPOS": "J(Ending Particle)",
          "morphemes": null,
          "posType": "MORPHEME",
          "reading": null,
          "rightPOS": "J(Ending Particle)"
        },
        {
          "token": "깊",
          "start_offset": 4,
          "end_offset": 5,
          "type": "word",
          "position": 2,
          "leftPOS": "VA(Adjective)",
          "morphemes": null,
          "posType": "MORPHEME",
          "reading": null,
          "rightPOS": "VA(Adjective)"
        },
        {
          "token": "은",
          "start_offset": 5,
          "end_offset": 6,
          "type": "word",
          "position": 3,
          "leftPOS": "E(Verbal endings)",
          "morphemes": null,
          "posType": "MORPHEME",
          "reading": null,
          "rightPOS": "E(Verbal endings)"
        },
        {
          "token": "나무",
          "start_offset": 7,
          "end_offset": 9,
          "type": "word",
          "position": 4,
          "leftPOS": "NNG(General Noun)",
          "morphemes": null,
          "posType": "MORPHEME",
          "reading": null,
          "rightPOS": "NNG(General Noun)"
        },
        {
          "token": "는",
          "start_offset": 9,
          "end_offset": 10,
          "type": "word",
          "position": 5,
          "leftPOS": "J(Ending Particle)",
          "morphemes": null,
          "posType": "MORPHEME",
          "reading": null,
          "rightPOS": "J(Ending Particle)"
        }
      ]
    },
    "tokenfilters": []
  }
}

« nori 分析器 nori_part_of_speech 标记过滤器 »

nori_tokenizer

nori_tokenizer编辑

`nori_tokenizer`编辑