Pattern Tokenizer

Pattern Tokenizer 使用正则表达式分割文本。遇到单词分隔符将文本分割为词元， 或者将捕获到匹配的文本作为词元。

默认的匹配模式时 \W+ ，遇到非单词的字符时分割文本。

谨防病态的正则表达式

Pattern Tokenizer 使用 Java 正则表达式 。

一个书写不当的正则表达式会导致运行缓慢，甚至抛出 StackOverflowError 导致运行中的节点突然退出。

查看更多关于 病态的正则表达式 和 如何避免。

原文链接 : https://www.elastic.co/guide/en/elasticsearch/reference/5.3/analysis-pattern-tokenizer.html

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

贡献者 : 陈益雷，ApacheCN，Apache中文网

输出示例

  1. POST _analyze
  2. {
  3.   "tokenizer": "pattern",
  4.   "text": "The foo_bar_size's default is 5."
  5. }

上面的句子会生成如下的词元：

  1. [ The, foo_bar_size, s, default, is, 5 ]

配置

Pattern Tokenizer 有以下参数：

| pattern | Java 正则表达式 。默认是 \W+ 。 | | flags | Java正则表达式 flags. flag之间用管道分隔， 如 "CASE_INSENSITIVE|COMMENTS"。 | | group | 将哪个捕获分组作为词元。默认是 -1。 |

配置示例

下面的例子中，我们配置 Pattern Tokenizer 遇到逗号时分隔文本。

  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": "pattern",
  13.           "pattern": ","
  14.         }
  15.       }
  16.     }
  17.   }
  18. }
  20. POST my_index/_analyze
  21. {
  22.   "analyzer": "my_analyzer",
  23.   "text": "comma,separated,values"
  24. }

输出为：

  1. [ comma, separated, values ]

在下一个例子中，我们配置 Pattern Tokenizer 遇到双引号( 忽视转义的引号 \” ) 时捕获分组。正则表达式如下：

  1. "((?:\\"|[^"]|\\")*)"

解释：

  • 起始的引号 “
  • 开始捕获
    • 一个 \” 或者其他 非” 的字符
    • 重复直到无法匹配更多的字符
  • 结束的引号

在写入到 JSON 中， “ 和 \ 需要转义，因此表达式最终为:

  1. \"((?:\\\\\"|[^\"]|\\\\\")+)\"
  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": "pattern",
  13.           "pattern": "\"((?:\\\\\"|[^\"]|\\\\\")+)\"",
  14.           "group": 1
  15.         }
  16.       }
  17.     }
  18.   }
  19. }
  21. POST my_index/_analyze
  22. {
  23.   "analyzer": "my_analyzer",
  24.   "text": "\"value\", \"value with embedded \\\" quote\""
  25. }

输出为：

  1. [ value, value with embedded \" quote ]