英文版地址: https://www.elastic.co/guide/en/elasticsearch/guide/current/char-filters.html
本书基于 Elasticsearch 2.x 版本，有些内容可能已经过时。
整理输入文本edit
当输入文本是干净的时候分词器提供最佳分词结果，有效文本，这里 有效 指的是遵从 Unicode 算法期望的标点符号规则。 然而很多时候，我们需要处理的文本会是除了干净文本之外的任何文本。在分词之前整理文本会提升输出结果的质量。
HTML 分词edit
将 HTML 通过 标准分词器 或 icu_分词器 分词将产生糟糕的结果。这些分词器不知道如何处理 HTML 标签。例如：
GET /_analyze?tokenizer=standard <p>Some déjà vu <a href="http://somedomain.com>">website</a>
标准分词器 会混淆 HTML 标签和实体，并且输出以下词汇单元： p 、 Some 、 d 、 eacute 、 j 、 agrave 、 vu 、 a 、
href 、 http 、 somedomain.com 、 website 、 a 。这些词汇单元显然不知所云！
字符过滤器 可以添加进分析器中，在将文本传给分词器之前预处理该文本。在这种情况下，我们可以用 html_strip 字符过滤器移除 HTML 标签并编码 HTML 实体如 é 为一致的 Unicode 字符。
字符过滤器可以通过 analyze API 进行测试，这需要在查询字符串中指明它们：
GET /_analyze?tokenizer=standard&char_filters=html_strip <p>Some déjà vu <a href="http://somedomain.com>">website</a>
想将它们作为分析器的一部分使用，需要把它们添加到 custom 类型的自定义分析器里：
PUT /my_index
{
"settings": {
"analysis": {
"analyzer": {
"my_html_analyzer": {
"tokenizer": "standard",
"char_filter": [ "html_strip" ]
}
}
}
}
}
一旦自定义分析器创建好之后， 我们新的 my_html_analyzer 就可以用 analyze API 测试：
GET /my_index/_analyze?analyzer=my_html_analyzer <p>Some déjà vu <a href="http://somedomain.com>">website</a>
这次输出的词汇单元才是我们期望的： Some ， déjà ， vu ， website 。
整理标点符号edit
标准分词器 和 icu_分词器 都能理解单词中的撇号应当被视为单词的一部分，然而包围单词的单引号在不应该。分词文本 You're my 'favorite' ，
会被输出正确的词汇单元 You're ， my ， favorite 。
不幸的是， Unicode 列出了一些有时会被用为撇号的字符：
-
U+0027 -
撇号标记为 (
')— 原始 ASCII 符号 -
U+2018 -
左单引号标记为 (
‘)— 当单引用时作为一个引用的开始 -
U+2019 -
右单引号标记为 (
’)— 当单引用时座位一个引用的结束，也是撇号的首选字符。
当这三个字符出现在单词中间的时候， 标准分词器 和 icu_分词器 都会将这三个字符视为撇号（这会被视为单词的一部分）。
然而还有另外三个长得很像撇号的字符：
-
U+201B -
Single high-reversed-9 （高反单引号）标记为 (
‛)— 跟U+2018一样，但是外观上有区别 -
U+0091 - ISO-8859-1 中的左单引号 — 不会被用于 Unicode 中
-
U+0092 - ISO-8859-1 中的右单引号 — 不会被用于 Unicode 中
标准分词器 和 icu_分词器 把这三个字符视为单词的分界线 — 一个将文本拆分为词汇单元的位置。不幸的是，一些出版社用 U+201B 作为名字的典型书写方式例如 M‛coy ，
第二个俩字符或许可以被你的文字处理软件打出来，这取决于这款软件的年纪。
即使在使用可以“接受”的引号标记时，一个用单引号书写的词 — You’re — 也和一个用撇号书写的词 — You're — 不一样，这意味着搜索其中的一个变体将会找不到另一个。
幸运的是，可以用 mapping 对这些混乱的字符进行分类，
该过滤器可以运行我们用另一个字符替换所有实例中的一个字符。这种情况下，我们可以简单的用 U+0027 替换所有的撇号变体：
PUT /my_index
{
"settings": {
"analysis": {
"char_filter": {
"quotes": {
"type": "mapping",
"mappings": [
"\\u0091=>\\u0027",
"\\u0092=>\\u0027",
"\\u2018=>\\u0027",
"\\u2019=>\\u0027",
"\\u201B=>\\u0027"
]
}
},
"analyzer": {
"quotes_analyzer": {
"tokenizer": "standard",
"char_filter": [ "quotes" ]
}
}
}
}
}
|
我们自定义了一个 |
|
|
为了更清晰，我们使用每个字符的 JSON Unicode 转义语句，当然我们也可以使用他们本身字符表示： |
|
|
我们用自定义的 |
像以前一样，我们需要在创建了分析器后测试它：
GET /my_index/_analyze?analyzer=quotes_analyzer You’re my ‘favorite’ M‛Coy
这个例子返回如下词汇单元，其中所有的单词中的引号标记都被替换为了撇号： You're, my, favorite, M'Coy 。
投入更多的努力确保你的分词器接收到高质量的输入，你的搜索结果质量也将会更好。