Токенайзер Simple pattern split

Токенайзер simple_pattern_split использует регулярное выражение для разделения входных данных на токены в точках совпадения с шаблоном. Набор функций регулярных выражений, которые он поддерживает, ограничен по сравнению с токенайзером pattern, но токенизация, как правило, происходит быстрее.

Этот токенайзер не создаёт токены из самих совпадений. Чтобы создавать токены из совпадений, используя шаблоны в том же ограниченном подмножестве регулярных выражений, см. токенайзер simple_pattern.

Этот токенайзер использует регулярные выражения Lucene. Для получения объяснения поддерживаемых функций и синтаксиса см. Синтаксис регулярных выражений.

По умолчанию шаблон — пустая строка, что даёт один токен, содержащий весь входной текст. Этот токенайзер всегда должен настраиваться с использованием нестандартного шаблона.

Токенайзер simple_pattern_split принимает следующие параметры:

В этом примере токенайзер simple_pattern_split настраивается для разделения входного текста по символам подчёркивания.

resp = client.indices.create(
    index="my-index-000001",
    settings={
        "analysis": {
            "analyzer": {
                "my_analyzer": {
                    "tokenizer": "my_tokenizer"
                }
            },
            "tokenizer": {
                "my_tokenizer": {
                    "type": "simple_pattern_split",
                    "pattern": "_"
                }
            }
        }
    },
)
print(resp)

resp1 = client.indices.analyze(
    index="my-index-000001",
    analyzer="my_analyzer",
    text="an_underscored_phrase",
)
print(resp1)

response = client.indices.create(
  index: 'my-index-000001',
  body: {
    settings: {
      analysis: {
        analyzer: {
          my_analyzer: {
            tokenizer: 'my_tokenizer'
          }
        },
        tokenizer: {
          my_tokenizer: {
            type: 'simple_pattern_split',
            pattern: '_'
          }
        }
      }
    }
  }
)
puts response

response = client.indices.analyze(
  index: 'my-index-000001',
  body: {
    analyzer: 'my_analyzer',
    text: 'an_underscored_phrase'
  }
)
puts response

const response = await client.indices.create({
  index: "my-index-000001",
  settings: {
    analysis: {
      analyzer: {
        my_analyzer: {
          tokenizer: "my_tokenizer",
        },
      },
      tokenizer: {
        my_tokenizer: {
          type: "simple_pattern_split",
          pattern: "_",
        },
      },
    },
  },
});
console.log(response);

const response1 = await client.indices.analyze({
  index: "my-index-000001",
  analyzer: "my_analyzer",
  text: "an_underscored_phrase",
});
console.log(response1);

PUT my-index-000001
{
  "settings": {
    "analysis": {
      "analyzer": {
        "my_analyzer": {
          "tokenizer": "my_tokenizer"
        }
      },
      "tokenizer": {
        "my_tokenizer": {
          "type": "simple_pattern_split",
          "pattern": "_"
        }
      }
    }
  }
}

POST my-index-000001/_analyze
{
  "analyzer": "my_analyzer",
  "text": "an_underscored_phrase"
}

Приведённый выше пример генерирует следующие токены:

[ an, underscored, phrase ]