標準分詞器

Milvus 中的standard 分詞器會將連續的 Unicode 字母和數字分組為詞元，並在其他字元處進行分割。

分詞規則

standard 分詞器會將屬於以下集合的連續字元保留在同一個詞元中：

• ASCII 字元：字母A-Z 和a-z ，以及數字0-9 。
• 非 ASCII 字元：具有 UnicodeAlphabetic 屬性，或屬於以下數值通用類別之一的字元：Nd 、Nl 或No 。

Unicode 屬性或類別	含義	保留在標記中的字元範例
Alphabetic	跨書寫系統的字母（包括漢字和日語假名），以及某些組合標記	中文测试,カタカナ
Nd (Decimal_Number)	十進位數字	٣
Nl (Letter_Number)	類似字母的數字字元	Ⅷ
No (Other_Number)	其他數字字元，例如圈號、上標及分數	①²¾

這些集合以外的字元會用來分隔標記，並被捨棄。這些字元包括空白、標點符號、底線 (_)、連字號 (-)、單引號 (')，以及符號如+ 、$ 和😀 。連續的分隔符號不會產生空標記。

字元分類遵循 Rust 的 char::is_alphanumeric()。有關屬性定義，請參閱《Unicode 標準附錄 #44》。完整的 Unicode 17.0 字元清單可於 DerivedCoreProperties.txtAlphabetic 以及 DerivedGeneralCategory.txtNd 、Nl 及No 的完整 Unicode 17.0 字元清單。字元歸屬取決於部署版本所使用的 Unicode 資料。

以下範例使用未套用任何篩選條件的{"tokenizer": "standard"} 。該詞元化器會保留字母的大小寫，且不會將連續的中文文字分割成單獨的詞彙。

輸入	輸出標記
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"]

設定

若要使用standard 分詞器來配置分析器，請在analyzer_params 中將tokenizer 設定為standard 。

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"
}'

standard 分詞器可與一個或多個篩選器配合使用。例如，以下程式碼定義了一個使用standard 分詞器與lowercase 篩選器的分析器：

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"
  ]
}'

定義analyzer_params 後，您可在定義集合架構時將其套用至VARCHAR 欄位。這使 Milvus 能使用指定的分析器處理該欄位中的文字，以實現高效的分詞與過濾。詳細資訊請參閱「使用範例」。

範例

在將分析器設定套用至您的集合架構之前，請先使用 `run_analyzer ` 方法驗證其運作行為。

分析器設定

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

使用以下方式進行驗證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

預期輸出

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