模式分词器使用正则表达式将文本分割为分词,当遇见匹配的单词分隔符,或者捕获匹配的文本作为分词。
默认的模式是\W+
,在非单词字符处分割文本。
防止病态的正则表达式。模式分析器使用
Java Regular Expressions
。糟糕的正则表达式书写会造成运行缓慢甚至栈溢出错误,导致正在运行的节点突然退出。
curl -XPOST 'localhost:9200/_analyze?pretty' -d'
{
"tokenizer": "pattern",
"text": "The foo_bar_size's default is 5."
}
'
产生以下分词:
[ The, foo_bar_size, s, default, is, 5 ]
模式分词器接受以下参数:
参数 | 说明 |
---|---|
pattern | Java正则表达式,默认是\W+ |
flags | Java正则表达式标识。以管道符( |
group | 哪个捕获的组提取为分词。默认是-1 |
该示例中,我们将模式分词器配置为在逗号(,)处分割文本。
curl -XPUT 'localhost:9200/my_index?pretty' -d'
{
"settings": {
"analysis": {
"analyzer": {
"my_analyzer": {
"tokenizer": "my_tokenizer"
}
},
"tokenizer": {
"my_tokenizer": {
"type": "pattern",
"pattern": ","
}
}
}
}
}
'
curl -XPOST 'localhost:9200/my_index/_analyze?pretty' -d'
{
"analyzer": "my_analyzer",
"text": "comma,separated,values"
}
'
产生以下分词:
[ comma, separated, values ]
接下去的例子中,我们将模式分词器配置为捕获双引号内的值(忽略嵌入的转义引号)。正则表达式为:
"((?:\\"|[^"]|\\")*)"
读取方式如下:
- 一个双引号
"
- 开始捕获
- 一个
\"
或者除了"
的任意字符 - 重复直到没有字符匹配
- 一个
- 另一个闭合的双引号
"
由于正则表达式是在JSON中指定,"
和\
需要被转义,所以最后的表达式如下所示:
\"((?:\\\\\"|[^\"]|\\\\\")+)\"
curl -XPUT 'localhost:9200/my_index?pretty' -d'
{
"settings": {
"analysis": {
"analyzer": {
"my_analyzer": {
"tokenizer": "my_tokenizer"
}
},
"tokenizer": {
"my_tokenizer": {
"type": "pattern",
"pattern": "\"((?:\\\\\"|[^\"]|\\\\\")+)\"",
"group": 1
}
}
}
}
}
'
curl -XPOST 'localhost:9200/my_index/_analyze?pretty' -d'
{
"analyzer": "my_analyzer",
"text": "\"value\", \"value with embedded \\\" quote\""
}
'
产生以下的分词:
[ value, value with embedded \" quote ]