Tokenizador padrão

O tokenizador « standard » do Milvus agrupa letras Unicode e caracteres numéricos consecutivos em tokens, separando-os nos outros caracteres.

Regras de tokenização

O tokenizador standard mantém os caracteres consecutivos que pertencem aos seguintes conjuntos no mesmo token:

• Caracteres ASCII: letras A-Z e a-z, e algarismos 0-9.
• Caracteres não ASCII: caracteres com a propriedade Unicode « Alphabetic » ou uma das categorias numéricas gerais « Nd », « Nl » ou « No ».

Propriedade ou categoria Unicode	Significado	Exemplos de caracteres mantidos nos tokens
Alphabetic	Letras de vários sistemas de escrita, incluindo caracteres chineses e kana japoneses, e alguns sinais combinatórios	中文测试, カタカナ
Nd (Decimal_Number)	Dígitos decimais	٣
Nl (Letter_Number)	Caracteres numéricos semelhantes a letras	Ⅷ
No (Other_Number)	Outros caracteres numéricos, tais como números entre parênteses, sobrescritos e frações	①²¾

Os caracteres fora destes conjuntos separam os tokens e são descartados. Estes incluem espaços em branco, pontuação, sublinhados (_), hífens (-), apóstrofos (') e símbolos como +, $ e 😀. Os separadores consecutivos não produzem tokens vazios.

A classificação de caracteres segue a norma do Rust char::is_alphanumeric(). Para definições de propriedades, consulte o Anexo n.º 44 da Norma Unicode. As listas completas de caracteres do Unicode 17.0 estão disponíveis em DerivedCoreProperties.txt em Alphabetic e DerivedGeneralCategory.txt para Nd, Nl e No. A inclusão de caracteres depende dos dados Unicode utilizados pela versão implementada.

Os exemplos seguintes utilizam {"tokenizer": "standard"} sem filtros. O tokenizador preserva as maiúsculas e minúsculas e não segmenta texto chinês contínuo em palavras individuais.

Entrada	Tokens de saída
foo_bar-can't😀123	["foo", "bar", "can", "t", "123"]
中文测试	["中文测试"]
version①.¾	["version①", "¾"]
Hello,World!	["Hello", "World"]

Configuração

Para configurar um analisador utilizando o tokenizador standard, defina tokenizer como standard em analyzer_params.

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

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

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

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

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

O tokenizador standard pode funcionar em conjunto com um ou mais filtros. Por exemplo, o código seguinte define um analisador que utiliza o tokenizador standard e o filtro lowercase:

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

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

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

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

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

Depois de definir analyzer_params, pode aplicá-los a um campo VARCHAR ao definir um esquema de coleção. Isto permite que o Milvus processe o texto nesse campo utilizando o analisador especificado para uma tokenização e filtragem eficientes. Para mais detalhes, consulte Exemplo de utilização.

Exemplos

Antes de aplicar a configuração do analisador ao esquema da sua coleção, verifique o seu comportamento utilizando o método ` run_analyzer `.

Configuração do analisador

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

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

// javascript

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

# restful

Verificação utilizando run_analyzer

from pymilvus import (
    MilvusClient,
)

client = MilvusClient(
    uri="http://localhost:19530",
    token="root:Milvus"
)

# Sample text to analyze
sample_text = "The Milvus vector database is built for scale!"

# Run the standard analyzer with the defined configuration
result = client.run_analyzer(sample_text, analyzer_params)
print("Standard 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")
        .token("root:Milvus")
        .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']