Standard 分词器

Zilliz Cloud 中的 standard 分词器将连续的 Unicode 字母和数字字符组成词项，并在其他字符处切分。

分词规则

standard 分词器将属于以下字符集合的连续字符保留在同一个词项中：

• ASCII 字符：字母 A-Z、a-z 和数字 0-9。

• 非 ASCII 字符：具有 Unicode Alphabetic 属性，或属于数字通用类别 Nd、Nl、No 的字符。

Unicode 属性或类别	含义	保留在词项中的字符示例
Alphabetic	各种书写系统中的字母（包括汉字和日文假名），以及部分组合标记	中文测试, カタカナ
Nd (Decimal_Number)	十进制数字	٣
Nl (Letter_Number)	形似字母的数字字符	Ⅷ
No (Other_Number)	其他数字字符，例如带圈数字、上标数字和分数	①²¾

不属于上述集合的字符用作分隔符，并在切分时丢弃，包括空白字符、标点符号、下划线（_）、连字符（-）、撇号（'），以及 +、$、😀 等符号。连续的分隔符不会产生空词项。

字符分类遵循 Rust 的 char::is_alphanumeric()。属性定义请参阅 Unicode 标准附录 #44。Unicode 17.0 的完整字符列表可分别在 DerivedCoreProperties.txt 中查看 Alphabetic 属性，在 DerivedGeneralCategory.txt 中查看 Nd、Nl 和 No 类别。具体哪些字符属于这些集合，取决于所部署版本使用的 Unicode 数据。

以下示例使用 {"tokenizer": "standard"}，不添加任何过滤器。该分词器保留字母大小写，不会将连续的中文文本切分成单独的词语。

输入	输出词项
foo_bar-can't😀123	["foo", "bar", "can", "t", "123"]
中文测试	["中文测试"]
version①.¾	["version①", "¾"]
Hello,World!	["Hello", "World"]

配置

要使用标准分词器配置分析器，请在 analyzer_params 中将 tokenizer 设置为 standard。

Python

python

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

Java

java

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

NodeJS

javascript

const analyzer_params = {
    "tokenizer": "standard",
};

Go

go

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

cURL

bash

# restful
analyzerParams='{
  "tokenizer": "standard"
}'

C++

c++

nlohmann::json analyzer_params = {
    {"tokenizer", "standard"}
};

标准分词器可以与一个或多个过滤器结合使用。例如，以下代码定义了一个使用 Standard 分词器和 Lowercase 过滤器的分析器：

Python

python

analyzer_params = {
    "tokenizer": "standard",
    "filter": ["lowercase"]
}

Java

java

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

NodeJS

javascript

const analyzer_params = {
    "tokenizer": "standard",
    "filter": ["lowercase"]
};

Go

go

analyzerParams = map[string]any{"tokenizer": "standard", "filter": []any{"lowercase"}}

cURL

bash

# restful
analyzerParams='{
  "tokenizer": "standard",
  "filter": [
    "lowercase"
  ]
}'

C++

c++

nlohmann::json analyzer_params = {
    {"tokenizer", "standard"},
    {"filter", {"lowercase"}}
};

说明

更简单的设置，可以直接使用 Standard Analyzer。该 Analayzer 使用了 Standard 分词器和 Lowercase 过滤器。

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

python

analyzer_params = {
    "tokenizer": "standard",
    "filter": ["lowercase"]
}

Java

java

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

NodeJS

javascript

// javascript

Go

go

analyzerParams = map[string]any{"tokenizer": "standard", "filter": []any{"lowercase"}}

cURL

bash

# restful

C++

c++

nlohmann::json analyzer_params = {
    {"tokenizer", "standard"},
    {"filter", {"lowercase"}}
};

使用 run_analyzer 验证效果

Python

python

from pymilvus import (
    MilvusClient,
)

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

# Sample text to analyze
sample_text = "The Milvus vector database is built for scale!"

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

Java

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("The Milvus vector database is built for scale!");

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

NodeJS

javascript

// javascript

Go

go

import (
    "context"
    "fmt"

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

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

texts := []string{"The Milvus vector database is built for scale!"}
option := milvusclient.NewRunAnalyzerOption(texts...).
    WithAnalyzerParams(analyzerParams)

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

cURL

bash

# restful

C++

c++

#include "milvus/MilvusClientV2.h"

auto client = milvus::MilvusClientV2::Create();

milvus::ConnectParam connect_param{"YOUR_CLUSTER_ENDPOINT", "YOUR_CLUSTER_TOKEN"};
auto status = client->Connect(connect_param);
if (!status.IsOk()) {
    std::cout << status.Message() << std::endl;
}

std::string text = "The Milvus vector database is built for scale!";
auto request = milvus::RunAnalyzerRequest()
                       .AddText(text)
                       .WithAnalyzerParams(analyzer_params);

milvus::RunAnalyzerResponse response;
status = client->RunAnalyzer(request, response);
if (!status.IsOk()) {
    std::cout << status.Message() << std::endl;
}

预期输出

sql

['the', 'milvus', 'vector', 'database', 'is', 'built', 'for', 'scale']