Whitespace

whitespace 分词器在五种 ASCII 空白字符处切分文本：水平制表符、换行符、换页符、回车符和空格。

分词规则

whitespace 分词器仅在以下五种 ASCII 空白字符处切分文本：

字符	名称	Unicode 码点
\t	水平制表符	U+0009
\n	换行符	U+000A
\x0C 或 \f	换页符	U+000C
\r	回车符	U+000D
' '	空格	U+0020

这些分隔符会在切分时丢弃，连续的分隔符不会产生空词项。标点符号和其他字符会保留在词项中。特别是，垂直制表符（\x0B，U+000B）、不换行空格（\u00A0）和全角空格（\u3000）都不会触发切分。

这一字符集合遵循 Rust 的 char::is_ascii_whitespace()，不包含其他 Unicode 空白字符。

以下示例使用 {"tokenizer": "whitespace"}，不添加任何过滤器。输入和输出采用 Python 字符串表示法：\t、\u00A0 等转义序列表示实际字符。

输入	输出词项
"a\tb\nc\x0Cd\re f"	["a", "b", "c", "d", "e", "f"]
"Hello,World! foo_bar"	["Hello,World!", "foo_bar"]
"a\x0Bb"	["a\x0Bb"]
"a\u00A0b"	["a\u00A0b"]
"a\u3000b"	["a\u3000b"]
"\x20a\x20\x20b\x20"	["a", "b"]

配置

要使用空格分词器配置分析器，请在 analyzer_params 中将 tokenizer 设置为 whitespace。

Python

python

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

Java

java

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

NodeJS

javascript

const analyzer_params = {
    "tokenizer": "whitespace"
};

Go

go

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

cURL

bash

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

C++

c++

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

空格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空格分词器和小写过滤器的分析器：

Python

python

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

Java

java

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

NodeJS

javascript

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

Go

go

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

cURL

bash

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

C++

c++

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

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": "whitespace",
    "filter": ["lowercase"]
}

Java

java

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

NodeJS

javascript

// javascript

Go

go

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

cURL

bash

# restful

C++

c++

nlohmann::json analyzer_params = {
    {"tokenizer", "whitespace"},
    {"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 whitespace analyzer with the defined configuration
result = client.run_analyzer(sample_text, analyzer_params)
print("Whitespace 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!']