Jieba

Jieba 分词器通过将中文文本拆分为其组成的单词来处理文本。

📘说明

jieba 分词器在输出的分词结果中会将标点符号作为独立的词元予以保留。例如："你好！世界。" 的分词结果为 ["你好", "！", "世界", "。"]。如果需要在分词结果中去除标点符号词元，需要使用 removepunct 过滤器。

配置

在 Milvus 中，jieba 分词器有两种使用方法：一种为简单配置；另一种为自定义配置。

简单配置

使用简单配置时，您只需要将 tokenizer 设置为 "jieba"。例如

Python

# Simple configuration: only specifying the tokenizer name
analyzer_params = {
    "tokenizer": "jieba",  # Use the default settings: dict=["_default_"], mode="search", hmm=True
}

Java

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

NodeJS

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

Go

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

cURL

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

上述简单配置与下方示例中的配置等效。

Python

# Custom configuration equivalent to the simple configuration above
analyzer_params = {
    "type": "jieba",          # Tokenizer type, fixed as "jieba"
    "dict": ["_default_"],     # Use the default dictionary
    "mode": "search",          # Use search mode for improved recall (see mode details below)
    "hmm": True                # Enable HMM for probabilistic segmentation
}

Java

Map<String, Object> analyzerParams = new HashMap<>();
analyzerParams.put("type", "jieba");
analyzerParams.put("dict", Collections.singletonList("_default_"));
analyzerParams.put("mode", "search");
analyzerParams.put("hmm", true);

NodeJS

// javascript

Go

analyzerParams = map[string]any{"type": "jieba", "dict": []any{"_default_"}, "mode": "search", "hmm": true}

cURL

# restful

关于 Analyzer 参数的更多配置，可以参考自定义配置。

自定义配置

为了更好地控制 Analyzer 参数，您可以自定义相关参数。例如，您可以参考如下示例为 Analyzer 提供自定义字典、选择文本切分方式，并选择是否开启隐式马尔科夫模型（HMM）等。

Python

# Custom configuration with user-defined settings
analyzer_params = {
    "tokenizer": {
        "type": "jieba",           # Fixed tokenizer type
        "dict": ["customDictionary"],  # Custom dictionary list; replace with your own terms
        "mode": "exact",           # Use exact mode (non-overlapping tokens)
        "hmm": False               # Disable HMM; unmatched text will be split into individual characters
    }
}

Java

Map<String, Object> analyzerParams = new HashMap<>();
analyzerParams.put("type", "jieba");
analyzerParams.put("dict", Collections.singletonList("customDictionary"));
analyzerParams.put("mode", "exact");
analyzerParams.put("hmm", false);

NodeJS

// javascript

Go

analyzerParams = map[string]any{"type": "jieba", "dict": []any{"customDictionary"}, "mode": "exact", "hmm": false}

cURL

# restful

参数名称	参数描述	默认值
type	分词器类型，在使用 jieba 分词器时，该值为 jieba。	"jieba"
dict	Analyzer 在分析文本时可以参考的词汇表，以字典的形式提供。内置的字典包括： "default": 加载文本分析引擎内置的简单中文字典。更多详情，可以参考 dict.txt。 "extend_default": 加载上述简单中文字典以及繁体中文的相关内容。更多详情，可以参考 dict.txt.big。 您也可以在引用内置字典的同时，添加任意长度的自定义字典。例如 ["default", "结巴分词器"]。	["default"]
mode	文本切分方式。取值范围如下： "exact": 尝试以最精确的方式对句子进行分段，使其满足文本分析的要求。 "search": 在 exact 模式的基础上，对长词进行切分以便提升召回率。适用于搜索引擎场景下的分词操作。 更多详情，可参考 Jieba GitHub 项目。	"search"
hmm	布尔型参数，指定是否开启隐式马尔科夫。当开启时，会对字典中未定义的单词进行可能地切分。	true

在定义了 analyzer_params 后，您可以在定义 Collection Schema 时将其应用到 VARCHAR 类型的字段上。Zilliz Cloud 将会根据 Analyzer 的设置对该字段的内容进行分词和过滤。更多详情，可参考使用示例。

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": {
        "type": "jieba",
        "dict": ["结巴分词器"],
        "mode": "exact",
        "hmm": False
    }
}

Java

Map<String, Object> analyzerParams = new HashMap<>();
analyzerParams.put("type", "jieba");
analyzerParams.put("dict", Collections.singletonList("结巴分词器"));
analyzerParams.put("mode", "exact");
analyzerParams.put("hmm", false);

NodeJS

// javascript

Go

analyzerParams = map[string]any{"type": "jieba", "dict": []any{"结巴分词器"}, "mode": "exact", "hmm": false}

cURL

# restful

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 = "milvus结巴分词器中文测试"

# 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("milvus结巴分词器中文测试");

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{"milvus结巴分词器中文测试"}
option := milvusclient.NewRunAnalyzerOption(texts).
    WithAnalyzerParams(string(bs))

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

cURL

# restful

预期结果

['milvus', '结巴分词器', '中', '文', '测', '试']