字符组分词器

编辑

char_group 分词器会在遇到定义集合中的字符时将文本分解成术语。它主要用于需要简单自定义分词的情况,并且 pattern 分词器 的开销不可接受。

配置

编辑

char_group 分词器接受一个参数

tokenize_on_chars

包含用于对字符串进行分词的字符列表的列表。每当遇到此列表中的字符时,就会开始一个新的词元。它可以接受单个字符,例如 -,或字符组:whitespace(空格)、letter(字母)、digit(数字)、punctuation(标点符号)、symbol(符号)。

max_token_length

最大词元长度。如果看到的词元长度超过此长度,则会在 max_token_length 个间隔处进行分割。默认为 255

示例输出

编辑
resp = client.indices.analyze(
    tokenizer={
        "type": "char_group",
        "tokenize_on_chars": [
            "whitespace",
            "-",
            "\n"
        ]
    },
    text="The QUICK brown-fox",
)
print(resp)
response = client.indices.analyze(
  body: {
    tokenizer: {
      type: 'char_group',
      tokenize_on_chars: [
        'whitespace',
        '-',
        "\n"
      ]
    },
    text: 'The QUICK brown-fox'
  }
)
puts response
const response = await client.indices.analyze({
  tokenizer: {
    type: "char_group",
    tokenize_on_chars: ["whitespace", "-", "\n"],
  },
  text: "The QUICK brown-fox",
});
console.log(response);
POST _analyze
{
  "tokenizer": {
    "type": "char_group",
    "tokenize_on_chars": [
      "whitespace",
      "-",
      "\n"
    ]
  },
  "text": "The QUICK brown-fox"
}

返回

{
  "tokens": [
    {
      "token": "The",
      "start_offset": 0,
      "end_offset": 3,
      "type": "word",
      "position": 0
    },
    {
      "token": "QUICK",
      "start_offset": 4,
      "end_offset": 9,
      "type": "word",
      "position": 1
    },
    {
      "token": "brown",
      "start_offset": 10,
      "end_offset": 15,
      "type": "word",
      "position": 2
    },
    {
      "token": "fox",
      "start_offset": 16,
      "end_offset": 19,
      "type": "word",
      "position": 3
    }
  ]
}