preserve_original оригинальный токен вasticsearch - PullRequest
Новая
       26

preserve_original оригинальный токен вasticsearch

2 голосов
/ 28 февраля 2020

У меня есть токен-фильтр и анализатор следующим образом. Однако я не могу сохранить оригинальный токен. Например, если я _analyze использую слово: saint-louis, я вернусь только saintlouis, тогда как я ожидал получить оба saintlouis and saint-louis, поскольку у меня есть preserve_original set to true. ES version i am using is 6.3.2 and Lucene version is 7.3.1

"analysis": {
  "filter": {
    "hyphenFilter": {
      "pattern": "-",
      "type": "pattern_replace",
      "preserve_original": "true",
      "replacement": ""
    }
  },
  "analyzer": {
    "whitespace_lowercase": {
      "filter": [
        "lowercase",
        "asciifolding",
        "hyphenFilter"
      ],
      "type": "custom",
      "tokenizer": "whitespace"
    }
  }
}

1 Ответ

1 голос
/ 02 марта 2020

Похоже, preserve_original не поддерживается в pattern_replace фильтрах токенов, по крайней мере, не в той версии, которую я использую.

Я сделал обходной путь следующим образом:

Индекс Def 

{
    "settings": {
        "analysis": {
            "analyzer": {
                "my_analyzer": {
                    "tokenizer": "whitespace",
                    "type": "custom",
                    "filter": [
                        "lowercase",
                        "hyphen_filter"
                    ]
                }
            },
            "filter": {
                "hyphen_filter": {
                    "type": "word_delimiter",
                    "preserve_original": "true",
                    "catenate_words": "true"
                }
            }
        }
    }
}

Это, например, токенизировало бы слова вроде anti-spam до antispam(removed the hyphen), anti-spam(preserved the original), anti и spam.

API анализатора для просмотра сгенерированных токенов

POST / _analyze

{"text": "anti-spam", "analyzer" : "my_analyzer"}

Вывод API анализа ie. сгенерированные токены 

{
    "tokens": [
        {
            "token": "anti-spam",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "anti",
            "start_offset": 0,
            "end_offset": 4,
            "type": "word",
            "position": 0
        },
        {
            "token": "antispam",
            "start_offset": 0,
            "end_offset": 9,
            "type": "word",
            "position": 0
        },
        {
            "token": "spam",
            "start_offset": 5,
            "end_offset": 9,
            "type": "word",
            "position": 1
        }
    ]
}
...