Elasticsearch 2.2：利用edge-ngram和pattern filter提取指定标题内容

嘿，针对你在Elasticsearch 2.2里处理这类标题字段的需求，我来给你拆解下怎么调整分析器配置，拿到你想要的SimpleDoc000155和155这两个结果：

首先，先明确你的字段格式：前缀（长度/字符类型不固定）+数字串+/+单个数字，比如示例中的SimpleDoc000155/1。我们需要通过pattern_capture过滤器来精准捕获两个目标内容：斜杠前的完整前缀+数字串，以及数字串去掉前导零后的有效数字部分。

调整后的分析器配置 #

我帮你修改了原有的配置，用keyword分词器替代autocomplete（因为我们不需要拆分字段，而是要对整个字段做正则捕获），并更新了pattern_capture的规则：

"analysis": {
  "analyzer": {
    "my_analyzer": {
      "tokenizer": "keyword",
      "filter": [
        "code_extraction",
        "lowercase"  // 若不需要小写转换，可移除这一项
      ]
    }
  },
  "filter": {
    "code_extraction": {
      "type": "pattern_capture",
      "preserve_original": 0,  // 设为1会保留原始字段值，按需调整
      "patterns": [
        "([^/]+)",  // 捕获斜杠前的完整内容，即SimpleDoc000155
        "(?:.*?)(0*(\\d+))(?=\\/)"  // 捕获前缀后数字串去掉前导零的部分，即155
      ]
    }
  }
}

配置说明 #

• keyword分词器：确保整个标题字段作为单个token传入过滤器，避免不必要的拆分干扰正则匹配。
• pattern_capture过滤器：
  1. 第一个正则([^/]+)：匹配斜杠前的所有字符，直接捕获你需要的SimpleDoc000155。
  2. 第二个正则(?:.*?)(0*(\\d+))(?=\\/)：
     • (?:.*?)：非贪婪匹配前缀部分（不生成token），确保不会吃掉后面的数字。
     • 0*(\\d+)：匹配前导零加有效数字，只捕获有效数字部分（比如000155会提取出155）。
     • (?=\\/)：正向预查，确保匹配的内容后面紧跟斜杠，避免误匹配其他数字。
• preserve_original：设为0时只会输出两个捕获结果；如果需要保留原始标题字段值，改为1即可。

测试效果 #

用这个分析器处理SimpleDoc000155/1，会得到两个token（如果保留lowercase的话）：simpledoc000155和155，完全符合你的需求。

内容的提问来源于stack exchange，提问作者Klemen