ICU

联系销售开启 BYOC

ICU 分词器基于 Unicode 国际化组件（ICU）开源项目构建，该项目为软件国际化提供了关键工具。通过使用 ICU 的断词算法，分词器能够在世界上大多数语言中准确地将文本拆分为单词。

📘说明

ICU 分词器会在输出中将标点符号和空格保留为单独的 token。例如： "Привет! Как дела?" 会被分割为 ["Привет", "!", " ", "Как", " ", "дела", "?"]。 如果希望移除这些单独的标点符号 token，可以使用 removepunct 过滤器。

配置

要使用 icu 分词器，请在 analyzer_params 中将 tokenizer 设置为 icu。

Python

analyzer_params = {
    "tokenizer": "icu",
}

Java

Map<String, Object> analyzerParams = new HashMap<>();
analyzerParams.put("tokenizer", "icu");

NodeJS

// node

Go

analyzerParams = map[string]any{"tokenizer": "icu"}

cURL

# curl

ICU 分词器可以与一个或多个过滤器配合使用。例如，以下代码定义了一个使用 icu 分词器和 removepunct 过滤器的 Analyzer：

Python

analyzer_params = {
    "tokenizer": "icu",
    "filter": ["removepunct"]
}

Java

Map<String, Object> analyzerParams = new HashMap<>();
analyzerParams.put("tokenizer", "icu");
analyzerParams.put("filter", Collections.singletonList("removepunct"));

NodeJS

// node

Go

analyzerParams = map[string]any{"tokenizer": "icu", "filter": []string{"removepunct"}}

cURL

# curl

定义 analyzer_params 后，您可以在定义 Collection Schema 时将其应用于 VARCHAR 字段。这使得 Zilliz Cloud 能够使用指定的分析器处理该字段中的文本，以实现高效的分词和过滤。更多信息，请参阅使用示例。

使用示例

在完成 Analyzer 配置后，您可以使用 run_analyzer 方法来验证分词效果是否符合预期。

Analyzer 配置

Python

analyzer_params = {
    "tokenizer": "icu",
}

Java

Map<String, Object> analyzerParams = new HashMap<>();
analyzerParams.put("tokenizer", "icu");

NodeJS

// node

Go

analyzerParams = map[string]any{"tokenizer": "icu"}

cURL

# curl

使用 run_analyzer 验证效果

Python

from pymilvus import (
    MilvusClient,
)

client = MilvusClient(
    uri="YOUR_CLUSTER_ENDPOINT",
    token="YOUR_CLUSTER_TOKEN"
)

# Sample text to analyze
sample_text = "Привет! Как дела?"

# Run the standard analyzer with the defined configuration
result = client.run_analyzer(sample_text, analyzer_params)
print("Standard analyzer output:", result)

Java

import io.milvus.v2.client.ConnectConfig;
import io.milvus.v2.client.MilvusClientV2;
import io.milvus.v2.service.vector.request.RunAnalyzerReq;
import io.milvus.v2.service.vector.response.RunAnalyzerResp;

ConnectConfig config = ConnectConfig.builder()
        .uri("YOUR_CLUSTER_ENDPOINT")
        .token("YOUR_CLUSTER_TOKEN")
        .build();
MilvusClientV2 client = new MilvusClientV2(config);

List<String> texts = new ArrayList<>();
texts.add("Привет! Как дела?");

RunAnalyzerResp resp = client.runAnalyzer(RunAnalyzerReq.builder()
        .texts(texts)
        .analyzerParams(analyzerParams)
        .build());
List<RunAnalyzerResp.AnalyzerResult> results = resp.getResults();

NodeJS

// javascript

Go

import (
    "context"
    "encoding/json"
    "fmt"

    "github.com/milvus-io/milvus/client/v2/milvusclient"
)

client, err := milvusclient.New(ctx, &milvusclient.ClientConfig{
    Address: "localhost:19530",
    APIKey:  "YOUR_CLUSTER_TOKEN",
})
if err != nil {
    fmt.Println(err.Error())
    // handle error
}

bs, _ := json.Marshal(analyzerParams)
texts := []string{"Привет! Как дела?"}
option := milvusclient.NewRunAnalyzerOption(texts).
    WithAnalyzerParams(string(bs))

result, err := client.RunAnalyzer(ctx, option)
if err != nil {
    fmt.Println(err.Error())
    // handle error
}

cURL

# restful

预期输出

['Привет', '!', ' ', 'Как', ' ', 'дела', '?']