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。

输出示例

POST _analyze
{
  "tokenizer": "uax_url_email",
  "text": "Email me at [email protected]"
}

上面的句子会生成如下的词元:

[ Email, me, at, [email protected] ]

而 standard tokenizer 会生成:

[ 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):

PUT my_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_analyzer": {
          "tokenizer": "my_tokenizer"
        }
      },
      "tokenizer": {
        "my_tokenizer": {
          "type": "uax_url_email",
          "max_token_length": 5
        }
      }
    }
  }
}

POST my_index/_analyze
{
  "analyzer": "my_analyzer",
  "text": "[email protected]"
}

输出如下:

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