边缘 ngram 令牌过滤器与 ngram 令牌过滤器有何不同？

Question

由于我是弹性搜索的新手，我无法识别 ngram 令牌过滤器 和 边缘 ngram 标记过滤器。

这两者有何不同正在处理令牌？

Answer 1

我认为 documentation 对此非常清楚：

This tokenizer is very similar to nGram but only keeps n-grams which start at the beginning of a token.

nGram 分词器的最佳示例再次来自 documentation:

curl 'localhost:9200/test/_analyze?pretty=1&analyzer=my_ngram_analyzer' -d 'FC Schalke 04'


    # FC, Sc, Sch, ch, cha, ha, hal, al, alk, lk, lke, ke, 04

使用这个分词器定义：

                    "type" : "nGram",
                    "min_gram" : "2",
                    "max_gram" : "3",
                    "token_chars": [ "letter", "digit" ]

简而言之：

标记器将根据配置创建标记。在本例中：FC、Schalke、04.
nGram 从输入文本生成最小 min_gram 大小和最大 max_gram 大小的字符组。基本上，令牌被分成小块，每个块都锚定在一个角色上（这个角色在哪里并不重要，它们都会创建块）。
edgeNGram 做同样的事情，但块总是从每个标记的开头开始。基本上，块锚定在标记的开头。

对于与上面相同的文本，edgeNGram 生成：FC, Sc, Sch, Scha, Schal, 04。考虑文本中的每个 "word"，并且对于每个 "word"，第一个字符是起点（F 来自 FC，S 来自 Schalke 0 来自 04).

Answer 2

ngram 在打断文本的同时移动光标：

Text: Red Wine

Options:
    ngram_min: 2
    ngram_max: 3

Result: Re, Red, ed, Wi, Win, in, ine, ne

如您所见，光标移动 ngram_min 次到下一个片段，直到到达 ngram_max。

ngram_edge 做与 ngram 完全相同的事情，但它不移动光标：

Text: Red Wine

Options:
    ngram_min: 2
    ngram_max: 3

Result: Re, Red

为什么没有 return Win？因为光标不移动，它总是从零位置开始，移动 ngram_min 次然后返回到相同位置（始终为零）。

将 ngram_edge 视为其他编程语言中的 substring 函数，例如 JavaScript:

// ngram
let str = "Red Wine";
console.log(str.substring(0, 2)); // Re
console.log(str.substring(0, 3)); // Red
console.log(str.substring(1, 3)); // ed, start from position 1
// ...

// ngram_edge
// notice that the position is always zero
console.log(str.substring(0, 2)); // Re
console.log(str.substring(0, 3)); // Red

使用 Kibana 自行尝试：

PUT my_index
{
  "settings": {
    "analysis": {
      "tokenizer": {
        "my_ngram_tokenizer" : {
          "type" : "ngram",
          "min_gram": 2,
          "max_gram": 3,
          "token_chars": [
            "letter",
            "digit"
          ]
        },
        "my_edge_ngram_tokenizer": {
          "type": "edge_ngram",
          "min_gram": 2,
          "max_gram": 3
        }
      }
    }
  }
}

POST my_index/_analyze
{
  "tokenizer": "my_ngram_tokenizer",
  "text": "Red Wine"
}

POST my_index/_analyze
{
  "tokenizer": "my_edge_ngram_tokenizer", 
  "text": "Red Wine"
}

边缘 ngram 令牌过滤器与 ngram 令牌过滤器有何不同？

how edge ngram token filter differs from ngram token filter?

elasticsearch

token

analyzer