如何自定义Elasticsearch分词器以保留rtu格式编码不拆分？

方案1：配置受保护模式的Word Delimiter Graph过滤器 #

默认分词器通过word_delimiter_graph_filter拆分短横线，我们可以自定义该过滤器，让它跳过以rtu开头的编码拆分：

创建带自定义分析器的索引 #

PUT /your_business_index
{
  "settings": {
    "analysis": {
      "filter": {
        "rtu_protected_delimiter": {
          "type": "word_delimiter_graph",
          "preserve_original": true,
          "protected_patterns": [
            "^rtu-\\w+(-\\w+)*$"
          ]
        }
      },
      "analyzer": {
        "rtu_code_analyzer": {
          "tokenizer": "standard",
          "filter": [
            "lowercase",
            "rtu_protected_delimiter"
          ]
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "device_code": {
        "type": "text",
        "analyzer": "rtu_code_analyzer",
        "search_analyzer": "rtu_code_analyzer"
      }
    }
  }
}

• protected_patterns用正则匹配所有rtu-xxx-xxx格式的编码，这类编码会被完整保留为单个token。
• preserve_original确保原始编码被存入索引，避免遗漏匹配可能。

方案2：使用Pattern分词器精准捕获编码 #

如果字段以这类编码为主，可直接用pattern分词器匹配完整编码：

PUT /your_business_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "rtu_pattern_analyzer": {
          "type": "pattern",
          "pattern": "(rtu-\\w+(-\\w+)*)|(\\w+)",
          "group": 0
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "device_code": {
        "type": "text",
        "analyzer": "rtu_pattern_analyzer"
      }
    }
  }
}

• 正则优先匹配完整的rtu编码，再处理其他普通文本，确保编码不被拆分。

验证分词结果 #

用_analyze API测试效果：

POST /your_business_index/_analyze
{
  "analyzer": "rtu_code_analyzer",
  "text": "rtu-2004-t89 office-301"
}

返回结果中rtu-2004-t89会是单个token，而office-301仍会被正常拆分（如果不需要拆分其他短横线内容，可调整正则或过滤器配置）。

注意事项 #

• 已存在的索引无法修改分词配置，需重建索引并重新导入数据。
• 搜索时必须使用相同的分词器，避免搜索词被拆分导致匹配失败。

内容的提问来源于stack exchange，提问作者Klick