Spazi bianchi

Il tokenizzatore whitespace suddivide il testo in base a cinque caratteri di spazio bianco ASCII: tabulazione, avanzamento riga, avanzamento pagina, ritorno a capo e spazio.

Regole di tokenizzazione

Il tokenizer di whitespace suddivide il testo solo in base ai seguenti cinque caratteri di spazio bianco ASCII:

Carattere	Nome	Punto di codice Unicode
\t	Tabulazione orizzontale	U+0009
\n	Avanzamento riga	U+000A
\x0C oppure \f	Avanzamento pagina	U+000C
\r	Ritorno carrello	U+000D
' '	Spazio	U+0020

Questi separatori vengono ignorati e i separatori consecutivi non generano token vuoti. La punteggiatura e gli altri caratteri rimangono nei token. In particolare, il tabulatore verticale (\x0B, U+000B), lo spazio non separabile (\u00A0) e lo spazio ideografico (\u3000) non determinano la suddivisione.

Questo insieme segue quello di Rust char::is_ascii_whitespace(), che esclude altri caratteri di spazio bianco Unicode.

Gli esempi seguenti utilizzano {"tokenizer": "whitespace"} senza filtri. Gli input e gli output utilizzano la notazione delle stringhe di Python: le sequenze di escape come \t e \u00A0 rappresentano i caratteri effettivi.

Input	Token di output
"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"]

Configurazione

Per configurare un analizzatore utilizzando il tokenizer whitespace, impostare tokenizer su whitespace in 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"
}'

Il tokenizer whitespace può funzionare in combinazione con uno o più filtri. Ad esempio, il codice seguente definisce un analizzatore che utilizza il tokenizer whitespace e il 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"
  ]
}'

Dopo aver definito analyzer_params, è possibile applicarli a un campo VARCHAR durante la definizione dello schema di una collezione. Ciò consente a Milvus di elaborare il testo in quel campo utilizzando l'analizzatore specificato per una tokenizzazione e un filtraggio efficienti. Per i dettagli, consultare Esempio di utilizzo.

Esempi

Prima di applicare la configurazione dell'analizzatore allo schema della collezione, verificarne il comportamento utilizzando il metodo ` run_analyzer `.

Configurazione dell’analizzatore

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

Verifica tramite 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

Risultato atteso

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