# Pattern Capture Token Filter(模式匹配詞元過濾器) 原文鏈接 :[https://www.elastic.co/guide/en/elasticsearch/reference/5.4/analysis-pattern-capture-tokenfilter.html](https://www.elastic.co/guide/en/elasticsearch/reference/5.4/analysis-pattern-capture-tokenfilter.html) 譯文鏈接 : [http://www.apache.wiki/pages/viewpage.action?pageId=10028023](http://www.apache.wiki/pages/viewpage.action?pageId=10028023) 貢獻者 : [李亞運](/display/~liyayun)，[ApacheCN](/display/~apachecn)，[Apache中文網](/display/~apachechina) ## 簡述 `pattern_capture詞元`過濾器與`pattern 分詞器`不同，為正則表達式中的每個捕獲組發出一個token。? ?模式不會錨定到字符串的開始和結尾，每個模式可以匹配多次，并且允許重復匹配。 小心病態正則表達式 模式捕獲令牌過濾器使用[Java正則表達式](http://docs.oracle.com/javase/8/docs/api/java/util/regex/Pattern.html) 。 一個嚴重的正則表達式可能會運行得非常慢，甚至會拋出一個StackOverflowError，并導致其運行的節點突然退出。 閱讀更多[關于病態正則表達式和如何避免它們](http://www.regular-expressions.info/catastrophic.html) 。 ? ## 示例-1 舉例如下： 正則： ``` "(([a-z]+)(\d*))" ``` 待匹配文字： ``` "abc123def456" ``` 匹配結果： ``` [ abc123, abc, 123, def456, def, 456 ] ``` 如果`preserve_original`設置為`true`?（默認值），那么它也會發出原始令牌：?`abc123def456`?。 這對于索引文本（如駝峰式代碼）特別有用，例如`stripHTML`?，用戶可以在其中搜索`"strip html"`或`"striphtml"`?： ``` PUT test { "settings" : { "analysis" : { "filter" : { "code" : { "type" : "pattern_capture", "preserve_original" : true, "patterns" : [ "(\\p{Ll}+|\\p{Lu}\\p{Ll}+|\\p{Lu}+)", "(\\d+)" ] } }, "analyzer" : { "code" : { "tokenizer" : "pattern", "filter" : [ "code", "lowercase" ] } } } } } ``` 當處理如下文本內容時： ``` import static org.apache.commons.lang.StringEscapeUtils.escapeHtml ``` 結果如下： ``` [ import, static, org, apache, commons, lang, stringescapeutils, string, escape, utils, escapehtml, escape, html ] ``` ## 示例-2 別一個例子就是分析郵箱時，如下所示： ``` PUT test { "settings" : { "analysis" : { "filter" : { "email" : { "type" : "pattern_capture", "preserve_original" : true, "patterns" : [ "([^@]+)", "(\\p{L}+)", "(\\d+)", "@(.+)" ] } }, "analyzer" : { "email" : { "tokenizer" : "uax_url_email", "filter" : [ "email", "lowercase", "unique" ] } } } } } ``` 當郵箱格式如下時： ``` john-smith_123@foo-bar.com ``` 最終處理結果將為： ``` john-smith_123@foo-bar.com, john-smith_123, john, smith, 123, foo-bar.com, foo, bar, com ``` 需要多種模式以允許重復捕獲，但也意味著模式不復雜和易于理解。 注意：所有token都以相同的位置處理，并且具有相同的字符偏移量，因此當與突出顯示相結合時，**整個原始token將被突出顯示，而不僅僅是匹配的子集**。 ??例如，查詢上述電子郵件地址`"smith",`將會突出顯示整個原始token： ``` <em>john-smith_123@foo-bar.com</em> ``` 而非僅高亮smith: ``` john-<em>smith</em>_123@foo-bar.com ```