Question

我使用的是elasticsearch版本1.2.1。我有一个用例，我想在其中创建一个自定义标记生成器，它会将标记的长度分解为一定的最小长度。例如，假设最小长度为4，则令牌“abcdefghij”将拆分为： “abcd efgh ij”。

我想知道我是否可以在不需要编写自定义Lucene Tokenizer类的情况下实现此逻辑？

提前致谢。

Answer 1

根据您的要求，如果您无法使用pattern tokenizer执行此操作，那么您需要自己编写自定义Lucene Tokenizer类。您可以为它创建自定义Elasticsearch插件。您可以参考this获取有关如何为自定义分析器创建Elasticsearch插件的示例。

Answer 2

Pattern Tokenizer支持参数"group"

它的默认值为“-1”，这意味着使用模式进行拆分，这就是你所看到的。

但是，通过在模式中定义组＆gt; = 0并设置group-parameter，可以完成此操作！例如。以下标记生成器会将输入拆分为4个字符的标记：

PUT my_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_analyzer": {
          "tokenizer": "my_tokenizer"
        }
      },
      "tokenizer": {
        "my_tokenizer": {
          "type": "pattern",
          "pattern": "(.{4})",
          "group": "1"
        }
      }
    }
  }
}

通过以下方式分析文档：

POST my_index/_analyze
{
  "analyzer": "my_analyzer",
  "text": "comma,separated,values"
}

以下代币的结果：

{
  "tokens": [
    {
      "token": "comm",
      "start_offset": 0,
      "end_offset": 4,
      "type": "word",
      "position": 0
    },
    {
      "token": "a,se",
      "start_offset": 4,
      "end_offset": 8,
      "type": "word",
      "position": 1
    },
    {
      "token": "para",
      "start_offset": 8,
      "end_offset": 12,
      "type": "word",
      "position": 2
    },
    {
      "token": "ted,",
      "start_offset": 12,
      "end_offset": 16,
      "type": "word",
      "position": 3
    },
    {
      "token": "valu",
      "start_offset": 16,
      "end_offset": 20,
      "type": "word",
      "position": 4
    }
  ]
}

elasticsearch自定义标记生成器 - 按长度拆分标记

2 个答案: