本书基于 Elasticsearch 2.x 版本，有些内容可能已经过时。 Elasticsearch: 权威指南 » 处理人类语言 » 词汇识别 » 标准分词器 « 标准分析器 安装 ICU 插件 »
标准分词器编辑
分词器 接受一个字符串作为输入，将 这个字符串拆分成独立的词或 语汇单元（token） （可能会丢弃一些标点符号等字符），然后输出一个 语汇单元流（token stream） 。
有趣的是用于词汇 识别 的算法。 whitespace （空白字符）分词器按空白字符 —— 空格、tabs、换行符等等进行简单拆分 —— 然后假定连续的非空格字符组成了一个语汇单元。例如：
GET /_analyze?tokenizer=whitespace You're the 1st runner home!
这个请求会返回如下词项（terms）：
You're 、 the 、 1st 、 runner 、 home!
letter 分词器 ，采用另外一种策略，按照任何非字符进行拆分，
这样将会返回如下单词： You 、 re 、 the 、 st 、 runner 、 home 。
standard 分词器使用 Unicode 文本分割算法
（定义来源于 Unicode Standard Annex #29）来寻找单词 之间 的界限，并且输出所有界限之间的内容。
Unicode 内含的知识使其可以成功的对包含混合语言的文本进行分词。
标点符号 可能是单词的一部分，也可能不是，这取决于它出现的位置：
GET /_analyze?tokenizer=standard You're my 'favorite'.
在这个例子中，You're 中的撇号被视为单词的一部分，然而 'favorite' 中的单引号则不会被视为单词的一部分，
所以分词结果如下： You're 、 my 、 favorite 。
uax_url_email 分词器和 standard 分词器工作方式极其相同。
区别只在于它能识别 email 地址和 URLs 并输出为单个语汇单元。
standard 分词器则不一样，会将 email 地址和 URLs 拆分成独立的单词。
例如，email 地址 joe-bloggs@foo-bar.com 的分词结果为 joe 、 bloggs 、 foo 、 bar.com 。
standard 分词器是大多数语言分词的一个合理的起点，特别是西方语言。
事实上，它构成了大多数特定语言分析器的基础，如 english 、french 和 spanish 分析器。
它也支持亚洲语言，只是有些缺陷，你可以考虑通过 ICU 插件的方式使用 icu_tokenizer 进行替换。
Getting Started Videos
- Starting Elasticsearch
- Introduction to Kibana
- Logstash Starter Guide
官方地址：https://www.elastic.co/guide/cn/elasticsearch/guide/current/standard-tokenizer.html