空白

whitespace のトークナイザーは、タブ、改行、フォームフィード、キャリッジリターン、スペースの5つのASCII空白文字でテキストを分割します。

トークン化ルール

whitespace トークナイザーは、以下の5つのASCII空白文字でのみテキストを分割します：

文字	名前	Unicodeコードポイント
\t	水平タブ	U+0009
\n	改行	U+000A
\x0C または\f	フォームフィード	U+000C
\r	キャリッジリターン	U+000D
' '	スペース	U+0020

これらの区切り文字は破棄され、連続する区切り文字があっても空のトークンは生成されません。句読点やその他の文字はトークン内に残ります。特に、垂直タブ (\x0B, U+000B)、非改行スペース (\u00A0)、および表意文字用スペース (\u3000) は、分割を引き起こしません。

このセットは、Rustの char::is_ascii_whitespace()に準拠しており、他のUnicode空白文字は除外されます。

以下の例では、フィルターを適用せずに `{"tokenizer": "whitespace"} ` を使用しています。入力および出力には Python の文字列表記を使用しています。つまり、`\t ` や `\u00A0 ` などのエスケープシーケンスは、実際の文字を表しています。

入力	出力トークン
"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"]

設定

whitespace トークナイザーを使用してアナライザーを設定するには、analyzer_params でtokenizer をwhitespace に設定します。

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"
}'

空白トークナイザーは、1つ以上のフィルターと組み合わせて使用できます。たとえば、次のコードは、whitespace トークナイザーとlowercase フィルターを使用するアナライザーを定義しています:

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"
  ]
}'

analyzer_params を定義した後、コレクションスキーマを定義する際に、それらをVARCHAR フィールドに適用できます。これにより、Milvusはそのフィールド内のテキストを指定されたアナライザーを使用して処理し、効率的なトークン化とフィルタリングを行うことができます。詳細については、「使用例」を参照してください。

例

アナライザ設定をコレクションスキーマに適用する前に、run_analyzer メソッドを使用してその動作を確認してください。

アナライザー設定

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

以下の方法による検証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

期待される出力

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