根据使用案例选择正确的分析仪
本指南侧重于分析仪选择的实际决策。有关分析仪组件和如何添加分析仪参数的技术细节，请参阅分析仪概述。
在 2 分钟内了解分析仪
在 Milvus 中，分析器处理存储在该字段中的文本，使其可用于全文搜索(BM25)、短语匹配或文本匹配等功能的搜索。可以把它想象成一个文本处理器，把原始内容转换成可搜索的标记。
分析器通过一个简单的两阶段管道工作：
分析器工作流程
-
标记化（必需）：初始阶段应用标记化器，将连续的文本字符串分解成离散的、有意义的单元（称为标记）。标记化方法会因语言和内容类型的不同而有很大差异。
-
标记过滤（可选）：标记化之后，应用过滤器来修改、删除或完善标记。这些操作可包括将所有标记符转换为小写、删除常见的无意义词语（如停止词）或将词语还原为词根形式（词干化）。
举例说明：
Input: "Hello World!"
1. Tokenization → ["Hello", "World", "!"]
2. Lowercase & Punctuation Filtering → ["hello", "world"]
为什么分析器的选择很重要
选择错误的分析器会导致相关文档无法搜索或返回不相关的结果。
下表总结了分析器选择不当导致的常见问题，并提供了诊断搜索问题的可行解决方案。
| 问题
|
症状
|
示例（输入和输出）
|
原因（不良分析仪）
|
解决方案（好的分析仪）
| | --- | --- | --- | --- | --- | |
过度标示
|
技术术语、标识符或 URL 的文本查询无法找到相关文档。
|
-
"user_id"→['user', 'id'] -
"C++"→['c']
|
standard分析器
|
使用 whitespace标记符；与 alphanumonly过滤器。
| |
标记不足
|
搜索多词短语的一个组成部分时，无法返回包含完整短语的文档。
|
"state-of-the-art" →['state-of-the-art']
|
带有 whitespace标记化器
|
使用 standard标记符来分割标点符号和空格；使用自定义regex过滤器。
| |
语言不匹配
|
特定语言的搜索结果不合理或不存在。
|
中文文本： "机器学习" →['机器学习'] （一个标记）
|
english分析器
|
使用特定语言的分析器，如 chinese.
|
第一个问题需要选择分析器吗？
对于许多用例，您不需要做任何特别的事情。让我们来判断您是否属于这种情况。
默认行为：standard 分析器
如果在使用全文搜索等文本检索功能时没有指定分析器，Milvus 会自动使用 standard分析器。
standard 分析器：
-
根据空格和标点符号分割文本
-
将所有标记转换为小写字母
-
删除一组内置的常用英文停顿词和大部分标点符号
转换示例：
Input: "The Milvus vector database is built for scale!"
Output: ['the', 'milvus', 'vector', 'database', 'is', 'built', 'scale']
判定标准：快速检查
使用本表可快速确定standard 默认分析器是否满足您的需求。如果不符合，则需要选择其他路径。
| 您的内容
|
标准分析仪可以吗？
|
为什么
|
您的需求
| | --- | --- | --- | --- | |
英文博客文章
|
✅ 是
|
默认行为即可。
|
使用默认行为（无需配置）。
| |
中文文档
|
❌ 否
|
中文单词没有空格，将被视为一个标记。
|
使用内置 chinese分析器。
| |
技术文档
|
❌否
|
标点符号会从C++ 等术语中去除。
|
创建带有 whitespace标记符和 alphanumonly过滤器。
| |
空格分隔语言，如法语/西班牙语文本
|
⚠️ 可能
|
重音字符 (café 与cafe) 可能不匹配。
|
建议使用带有 asciifolding的自定义分析器可获得更好的结果。
| |
多语种或未知语言
|
❌ 否
|
standard 分析仪缺乏处理不同字符集和标记化规则所需的特定语言逻辑。
|
使用带有 icu标记化器进行单编码标记化。
或者，考虑配置多语言分析器或语言标识符，以便更精确地处理多语言内容。
|
如果默认的standard 分析器不能满足您的要求，您就需要实施一个不同的分析器。您有两种选择：
路径 A：使用内置分析器
内置分析器是为常用语言预先配置的解决方案。当默认的标准分析器不适合时，它们是最简单的入门方法。
可用的内置分析器
| 分析器
|
语言支持
|
组件
|
注释
| | --- | --- | --- | --- | |
|
大多数空格分隔语言（英语、法语、德语、西班牙语等）
|
-
分词器
standard -
过滤器：
lowercase
|
用于初始文本处理的通用分析器。对于单语场景，特定语言分析器（如english ）可提供更好的性能。
| |
|
专用于英语，可应用词干和停顿词去除，以实现更好的英语语义匹配
|
-
分词器：
standard -
过滤器
lowercase,stemmer、stop
|
推荐用于纯英文内容，超过standard 。
| |
|
中文
|
-
Tokenizer：
jieba -
过滤器：
cnalphanumonly
|
目前默认使用简体中文字典。
|
实施示例
要使用内置分析器，只需在定义字段模式时在analyzer_params 中指定其类型即可。
# Using built-in English analyzer
analyzer_params = {
"type": "english"
}
# Applying analyzer config to target VARCHAR field in your collection schema
schema.add_field(
field_name='text',
datatype=DataType.VARCHAR,
max_length=200,
enable_analyzer=True,
analyzer_params=analyzer_params,
)
路径 B：创建自定义分析器
当内置选项无法满足您的需求时，您可以通过将标记符与一组过滤器相结合来创建自定义分析器。这样就可以完全控制文本处理管道。
第 1 步：根据语言选择标记符
根据内容的主要语言选择标记符：
西方语言
对于空格分隔的语言，您有以下选项：
| 标记符
|
如何使用
|
最适合
|
示例
| | --- | --- | --- | --- | |
|
根据空格和标点符号分割文本
|
一般文本，混合标点符号
|
-
输入：
"Hello, world! Visit example.com" -
输出：
['Hello', 'world', 'Visit', 'example', 'com']
| |
|
仅根据空白字符分割
|
预处理内容、用户格式文本
|
-
输入： 输出
"user_id = get_user_data()" -
输出
['user_id', '=', 'get_user_data()']
|
东亚语言
以字典为基础的语言需要专门的标记化器来正确分词：
中文
| 分词器
|
工作原理
|
最适合
|
实例
| | --- | --- | --- | --- | |
|
基于词典的中文智能分词算法
|
推荐用于中文内容--结合词典和智能算法，专为中文设计
|
-
输入
"机器学习是人工智能的一个分支" -
输出：
['机器', '学习', '是', '人工', '智能', '人工智能', '的', '一个', '分支']
| |
|
基于中文词典的纯词典形态分析(cc-cedict)
|
与jieba 相比，以更通用的方式处理中文文本
|
-
输入：输出
"机器学习算法" -
输出：
["机器", "学习", "算法"]
|
日语和韩语
| 语言
|
分词器
|
词典选项
|
最适合
|
例子
| | --- | --- | --- | --- | --- | |
日语
|
|
ipadic（通用）、ipadic-neologd（现代术语）、unidic（学术术语）
|
处理专有名词的词形分析
|
-
输入
"東京都渋谷区" -
输出：
["東京", "都", "渋谷", "区"]
| |
韩语
|
|
|
韩语形态分析
|
-
输入
"안녕하세요" -
输出
["안녕", "하", "세요"]
|
多语言或未知语言
适用于文档中语言不可预测或混合的内容：
| 分词器
|
工作原理
|
最适合
|
示例
| | --- | --- | --- | --- | |
|
识别统一码的标记化（统一码国际组件）
|
混合脚本、未知语言，或只需简单的标记化即可
|
-
输入
"Hello 世界 مرحبا" -
输出
['Hello', ' ', '世界', ' ', 'مرحبا']
|
何时使用 icu：
其他方法：要更精确地处理多语言内容，可考虑使用多语言分析器或语言识别器。详情请参阅多语言分析器或语言标识符。
第 2 步：添加过滤器以提高精确度
选择标记符后，根据具体的搜索要求和内容特征应用过滤器。
常用过滤器
这些过滤器对于大多数空格分隔的语言配置（英语、法语、德语、西班牙语等）至关重要，可显著提高搜索质量：
| 过滤器
|
如何使用
|
何时使用
|
示例
| | --- | --- | --- | --- | |
|
将所有标记转换为小写
|
通用 - 适用于所有有大小写区分的语言
|
-
输入
["Apple", "iPhone"] -
输出：
[['apple'], ['iphone']]
| |
|
将单词还原为词根形式
|
有词性变化的语言（英语、法语、德语等）
|
英语
-
输入
["running", "runs", "ran"] -
输出：
[['run'], ['run'], ['ran']]
| |
|
删除常见的无意义词语
|
大多数语言--对空格分隔的语言尤其有效
|
-
输入：
["the", "quick", "brown", "fox"] -
输出：
[[], ['quick'], ['brown'], ['fox']]
|
对于东亚语言（中文、日文、韩文等），应将重点放在特定语言过滤器上。这些语言通常使用不同的文本处理方法，可能不会从词干处理中明显受益。
文本规范化过滤器
这些筛选器可将文本变化标准化，以提高匹配的一致性：
| 过滤器
|
如何使用
|
何时使用
|
举例说明
| | --- | --- | --- | --- | |
|
将重音字符转换为 ASCII 对应字符
|
国际内容、用户生成的内容
|
-
输入
["café", "naïve", "résumé"] -
输出
[['cafe'], ['naive'], ['resume']]
|
标记过滤
根据字符内容或长度控制保留哪些标记：
| 过滤
|
工作原理
|
何时使用
|
示例
| | --- | --- | --- | --- | |
|
删除独立的标点符号
|
清除jieba,lindera,icu 标记化器的输出，这些标记化器会将标点符号作为单个标记返回
|
-
输入
["Hello", "!", "world"] -
输出：
[['Hello'], ['world']]
| |
|
只保留字母和数字
|
技术内容，纯文本处理
|
-
输入： 输出： 只保留字母和数字
["user123", "test@email.com"] -
输出：
[['user123'], ['test', 'email', 'com']]
| |
|
删除指定长度范围之外的标记
|
过滤噪音（过长标记符）
|
-
输入
["a", "very", "extraordinarily"] -
输出：
[['a'], ['very'], []](如果max=10）
| |
|
基于模式的自定义过滤
|
特定领域的标记要求
|
-
输入
["test123", "prod456"] -
输出：
[[], ['prod456']](如果expr="^prod")
|
特定语言过滤器
这些过滤器可处理特定的语言特点：
| 过滤器
|
语言
|
工作原理
|
举例说明
| | --- | --- | --- | --- | |
|
德语
|
将复合词拆分成可搜索的成分
|
-
输入：
["dampfschifffahrt"] -
输出：
[['dampf', 'schiff', 'fahrt']]
| |
|
中文
|
保留汉字 + 字母数字
|
-
输入：
["Hello", "世界", "123", "!@#"] -
输出
[['Hello'], ['世界'], ['123'], []]
| |
|
中文
|
只保留汉字
|
-
输入：
["Hello", "世界", "123"] -
输出： 中文
[[], ['世界'], []]
|
步骤 3：组合并执行
要创建自定义分析器，您需要在analyzer_params 字典中定义标记符和过滤器列表。筛选器将按照列出的顺序应用。
# Example: A custom analyzer for technical content
analyzer_params = {
"tokenizer": "whitespace",
"filter": ["lowercase", "alphanumonly"]
}
# Applying analyzer config to target VARCHAR field in your collection schema
schema.add_field(
field_name='text',
datatype=DataType.VARCHAR,
max_length=200,
enable_analyzer=True,
analyzer_params=analyzer_params,
)
最后：测试run_analyzer
在应用到 Collection 之前，请务必验证您的配置：
# Sample text to analyze
sample_text = "The Milvus vector database is built for scale!"
# Run analyzer with the defined configuration
result = client.run_analyzer(sample_text, analyzer_params)
print("Analyzer output:", result)
需要检查的常见问题：
-
过度标示：技术术语被错误分割
-
标示不足：短语未正确分隔
-
缺失标记：重要术语被过滤掉
有关详细用法，请参阅run_analyzer。
按用例推荐的配置
本节为在 Milvus 中使用分析器时的常见用例提供了推荐的标记符和过滤器配置。请选择最符合您的内容类型和搜索要求的组合。
在将分析器应用到 Collection 之前，我们建议您使用 run_analyzer来测试和验证文本分析性能。
带重音符号的语言（法语、西班牙语、德语等）
使用带有小写转换、特定语言词干和停止词去除功能的standard 标记符号器。通过修改language 和stop_words 参数，此配置也适用于其他欧洲语言。
# French example
analyzer_params = {
"tokenizer": "standard",
"filter": [
"lowercase",
"asciifolding", # Handle accent marks
{
"type": "stemmer",
"language": "french"
},
{
"type": "stop",
"stop_words": ["_french_"]
}
]
}
# For other languages, modify the language parameter:
# "language": "spanish" for Spanish
# "language": "german" for German
# "stop_words": ["_spanish_"] or ["_german_"] accordingly
英文内容
用于英语文本处理和综合过滤。您还可以使用内置的 english分析器：
analyzer_params = {
"tokenizer": "standard",
"filter": [
"lowercase",
{
"type": "stemmer",
"language": "english"
},
{
"type": "stop",
"stop_words": ["_english_"]
}
]
}
# Equivalent built-in shortcut:
analyzer_params = {
"type": "english"
}
中文内容
使用jieba 标记器并应用字符过滤器，只保留汉字、拉丁字母和数字。
analyzer_params = {
"tokenizer": "jieba",
"filter": ["cnalphanumonly"]
}
# Equivalent built-in shortcut:
analyzer_params = {
"type": "chinese"
}
对于简体中文，cnalphanumonly 删除除汉字、字母数字文本和数字以外的所有标记。这样可以防止标点符号影响搜索质量。
日语内容
使用lindera 标记器和日语词典及过滤器来清除标点符号并控制标记长度：
analyzer_params = {
"tokenizer": {
"type": "lindera",
"dict": "ipadic" # Options: ipadic, ipadic-neologd, unidic
},
"filter": [
"removepunct", # Remove standalone punctuation
{
"type": "length",
"min": 1,
"max": 20
}
]
}
韩文内容
与日语类似，使用lindera 标记符和韩语词典：
analyzer_params = {
"tokenizer": {
"type": "lindera",
"dict": "ko-dic"
},
"filter": [
"removepunct",
{
"type": "length",
"min": 1,
"max": 20
}
]
}
混合或多语言内容
在处理跨多种语言或不可预测地使用脚本的内容时，可从icu 分析器开始。这种识别 Unicode 的分析器能有效处理混合脚本和符号。
基本多语言配置（无词干）：
analyzer_params = {
"tokenizer": "icu",
"filter": ["lowercase", "asciifolding"]
}
高级多语言处理：
为了更好地控制不同语言的标记行为：
与文本检索功能集成
选择分析器后，您可以将其与 Milvus 提供的文本检索功能集成。