Classic Tokenizer

classic tokenizer 是一种基于语法的标记器，适用于英文文档。 该标记器启发式地特殊处理了首字母缩略词、公司名称、电子邮件地址和互联网主机名。 但是，这些规则并不总是起作用，而且除了英文之外，大多数语言中并不能正常工作：

  • 它以大多数标点符号分割字词，删除标点符号。 不过，后面没有空格的点被认为是 token 的一部分。
  • 它以连字符分隔单词。除非 token 中有一个数字，在这种情况下，整个 token 将被解释为产品编号，并且不分割。
  • 它将电子邮件地址和互联网主机名识别为一个词元。

原文链接 : https://www.elastic.co/guide/en/elasticsearch/reference/5.4/analysis-classic-tokenizer.html

译文链接 : http://www.apache.wiki/display/Elasticsearch/Classic+Tokenizer

贡献者 : 陈益雷，ApacheCN，Apache中文网

输出示例

  1. POST _analyze
  2. {
  3.   "tokenizer": "classic",
  4.   "text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
  5. }

上面的句子会生成如下的词元：

  1. [ The, 2, QUICK, Brown, Foxes, jumped, over, the, lazy, dog's, bone ]

配置

Classic Tokenizer 接受以下参数：

max_token_length 单个 token 的最大长度。如果一个 token 超过这个长度，则以 max_token_length 为间隔分割。默认值是 255.。

配置示例

下面的例子中，我们配置 Classic Tokenizer 的 _**max_token_length**_ 为 5 (便于展示)：

  1. PUT my_index
  2. {
  3.   "settings": {
  4.     "analysis": {
  5.       "analyzer": {
  6.         "my_analyzer": {
  7.           "tokenizer": "my_tokenizer"
  8.         }
  9.       },
  10.       "tokenizer": {
  11.         "my_tokenizer": {
  12.           "type": "classic",
  13.           "max_token_length": 5
  14.         }
  15.       }
  16.     }
  17.   }
  18. }
  20. POST my_index/_analyze
  21. {
  22.   "analyzer": "my_analyzer",
  23.   "text": "The 2 QUICK Brown-Foxes jumped over the lazy dog's bone."
  24. }

输出如下：

  1. [ The, 2, QUICK, Brown, Foxes, jumpe, d, over, the, lazy, dog's, bone ]