UAX URL Email Tokenizer

uax_url_email tokenizer 类似 standard tokenizer，只不过它会把 URL 和 email 地址当成一个词元。

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

译文链接 : http://www.apache.wiki/pages/editpage.action?pageId=10028865

贡献者 : 陈益雷，ApacheCN，Apache中文网

输出示例

  1. POST _analyze
  2. {
  3.   "tokenizer": "uax_url_email",
  4.   "text": "Email me at john.smith@global-international.com"
  5. }

上面的句子会生成如下的词元:

  1. [ Email, me, at, john.smith@global-international.com ]

而 standard tokenizer 会生成：

  1. [ Email, me, at, john.smith, global, international.com ]

配置

uax_url_email 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，我们配置标准分词器的 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": "uax_url_email",
  13.           "max_token_length": 5
  14.         }
  15.       }
  16.     }
  17.   }
  18. }
  20. POST my_index/_analyze
  21. {
  22.   "analyzer": "my_analyzer",
  23.   "text": "john.smith@global-international.com"
  24. }

输出如下：

  1. [ john, smith, globa, l, inter, natio, nal.c, om ]