Espacios en blanco

El tokenizador de whitespace divide el texto en función de cinco caracteres de espacio en blanco ASCII: tabulación, salto de línea, salto de página, retorno de carro y espacio.

Reglas de tokenización

El tokenizador de whitespace divide el texto únicamente en los siguientes cinco caracteres de espacio en blanco ASCII:

Carácter	Nombre	Punto de código Unicode
\t	Tabulación horizontal	U+0009
\n	Avance de línea	U+000A
\x0C o \f	Avance de página	U+000C
\r	Retorno de carro	U+000D
' '	Espacio	U+0020

Estos separadores se descartan, y los separadores consecutivos no generan tokens vacíos. Los signos de puntuación y otros caracteres permanecen en los tokens. En concreto, la tabulación vertical (\x0B, U+000B), el espacio no separable (\u00A0) y el espacio ideográfico (\u3000) no provocan la división.

Este conjunto sigue el de Rust char::is_ascii_whitespace(), que excluye otros caracteres de espacio en blanco de Unicode.

Los siguientes ejemplos utilizan ` {"tokenizer": "whitespace"} ` sin filtros. Las entradas y salidas utilizan la notación de cadenas de Python: las secuencias de escape como ` \t ` y ` \u00A0 ` representan los caracteres reales.

Entrada	Tokens de salida
"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"]
" a b "	["a", "b"]

Configuración

Para configurar un analizador utilizando el tokenizador « whitespace », establezca « tokenizer » en « whitespace » en analyzer_params.

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

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

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

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

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

El tokenizador de espacios en blanco puede funcionar junto con uno o más filtros. Por ejemplo, el siguiente código define un analizador que utiliza el tokenizador « whitespace » y el filtro « lowercase »:

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

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

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

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

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

Una vez definidos analyzer_params, puedes aplicarlos a un campo VARCHAR al definir el esquema de una colección. Esto permite a Milvus procesar el texto de ese campo utilizando el analizador especificado para una tokenización y un filtrado eficientes. Para más detalles, consulta «Ejemplo de uso».

Ejemplos

Antes de aplicar la configuración del analizador al esquema de su colección, compruebe su comportamiento mediante el método run_analyzer.

Configuración del analizador

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

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

// javascript

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

# restful

Verificación mediante run_analyzerCompatible with Milvus 2.5.11+

from pymilvus import (
    MilvusClient,
)

client = MilvusClient(uri="http://localhost:19530")

# 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)

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("http://localhost:19530")
        .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();

// javascript

import (
    "context"
    "fmt"

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

ctx := context.Background()
client, err := milvusclient.New(ctx, &milvusclient.ClientConfig{
    Address: "localhost:19530",
    APIKey:  "root:Milvus",
})
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
}

# restful

Resultado esperado

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