经典分词器
编辑经典分词器编辑
classic 分词器是一种基于语法的分词器，适用于英语文档。此分词器对首字母缩略词、公司名称、电子邮件地址和互联网主机名有特殊的处理方法。但是，这些规则并不总是有效，并且该分词器不适用于除英语以外的大多数语言。
- 它在大多数标点符号处拆分单词，并删除标点符号。但是，不带空格的点被视为标记的一部分。
- 它在连字符处拆分单词，除非标记中存在数字，在这种情况下，整个标记将被解释为产品编号，并且不会被拆分。
- 它将电子邮件地址和互联网主机名识别为一个标记。
示例输出编辑
response = client.indices.analyze(
body: {
tokenizer: 'classic',
text: "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}
)
puts response
POST _analyze
{
"tokenizer": "classic",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}
以上句子将产生以下词条
[ The, 2, QUICK, Brown, Foxes, jumped, over, the, lazy, dog's, bone ]
配置编辑
classic 分词器接受以下参数
|
|
最大标记长度。如果看到的标记超过此长度，则会在 |
示例配置编辑
在此示例中，我们将 classic 分词器的 max_token_length 配置为 5（用于演示目的）
response = client.indices.create(
index: 'my-index-000001',
body: {
settings: {
analysis: {
analyzer: {
my_analyzer: {
tokenizer: 'my_tokenizer'
}
},
tokenizer: {
my_tokenizer: {
type: 'classic',
max_token_length: 5
}
}
}
}
}
)
puts response
response = client.indices.analyze(
index: 'my-index-000001',
body: {
analyzer: 'my_analyzer',
text: "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}
)
puts response
PUT my-index-000001
{
"settings": {
"analysis": {
"analyzer": {
"my_analyzer": {
"tokenizer": "my_tokenizer"
}
},
"tokenizer": {
"my_tokenizer": {
"type": "classic",
"max_token_length": 5
}
}
}
}
}
POST my-index-000001/_analyze
{
"analyzer": "my_analyzer",
"text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
}
以上示例产生以下词条
[ The, 2, QUICK, Brown, Foxes, jumpe, d, over, the, lazy, dog's, bone ]