# Pattern Capture Token Filter(模式匹配词元过滤器) 原文链接 :[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) 译文链接 : [http://www.apache.wiki/pages/viewpage.action?pageId=10028023](http://www.apache.wiki/pages/viewpage.action?pageId=10028023) 贡献者 : [李亚运](/display/~liyayun)，[ApacheCN](/display/~apachecn)，[Apache中文网](/display/~apachechina) ## 简述 `pattern_capture词元`过滤器与`pattern 分词器`不同，为正则表达式中的每个捕获组发出一个token。   模式不会锚定到字符串的开始和结尾，每个模式可以匹配多次，并且允许重复匹配。 小心病态正则表达式 模式捕获令牌过滤器使用[Java正则表达式](http://docs.oracle.com/javase/8/docs/api/java/util/regex/Pattern.html) 。 一个严重的正则表达式可能会运行得非常慢，甚至会抛出一个StackOverflowError，并导致其运行的节点突然退出。 阅读更多[关于病态正则表达式和如何避免它们](http://www.regular-expressions.info/catastrophic.html) 。   ## 示例-1 举例如下： 正则： ``` "(([a-z]+)(\d*))" ``` 待匹配文字： ``` "abc123def456" ``` 匹配结果： ``` [ abc123, abc, 123, def456, def, 456 ] ``` 如果`preserve_original`设置为`true` （默认值），那么它也会发出原始令牌： `abc123def456` 。 这对于索引文本（如驼峰式代码）特别有用，例如`stripHTML` ，用户可以在其中搜索`"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" ] } } } } } ``` 当处理如下文本内容时： ``` import static org.apache.commons.lang.StringEscapeUtils.escapeHtml ``` 结果如下： ``` [ import, static, org, apache, commons, lang, stringescapeutils, string, escape, utils, escapehtml, escape, html ] ``` ## 示例-2 别一个例子就是分析邮箱时，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" ] } } } } } ``` 当邮箱格式如下时： ``` john-smith_123@foo-bar.com ``` 最终处理结果将为： ``` john-smith_123@foo-bar.com, john-smith_123, john, smith, 123, foo-bar.com, foo, bar, com ``` 需要多种模式以允许重复捕获，但也意味着模式不复杂和易于理解。 注意：所有token都以相同的位置处理，并且具有相同的字符偏移量，因此当与突出显示相结合时，**整个原始token将被突出显示，而不仅仅是匹配的子集**。   例如，查询上述电子邮件地址`"smith",`将会突出显示整个原始token： ``` <em>john-smith_123@foo-bar.com</em> ``` 而非仅高亮smith: ``` john-<em>smith</em>_123@foo-bar.com ```