ES学习记录10.3——ES分析器4(字符过滤器)

 字符过滤器(Character filters)用于在将字符流传递给标记生成器Tokenizer之前对其进行预处理，它负责将最原始的文本作为字符流进行接受，可以对通过添加、移除或改变字符的方式改变流。比如一个字符过滤器可以用来转换印度-阿拉伯数字٠‎١٢٣٤٥٦٧٨‎٩变成等价的阿拉伯语数字0123456789，或者从流中删除<b>这样的HTML元素。ES有很多内置的字符过滤器，可以用于自定义的分析器中，主要有：

• HTML Strip Character Filter：html_strip字符过滤器可以将流中的类似于<b>这样的HTML标签元素移除，并对HTML中类似于&这样的实体进行解码；
• Mapping Character Filter：mapping字符过滤器(映射字符过滤器)使用指定的替换字符替换指定字符串的任何出现的内容；
• Pattern Replace Character Filter：pattern_replace字符过滤器将与正则表达式匹配的任何字符替换为指定的替换内容；

1. html标签字符过滤器(HTML Strip Char Filter)

 html_strip字符过滤器从文本中删除HTML元素，并用其解码值替换HTML实体(如用&替换&，在HTML语言中&就是表示&)，如：

curl -X POST "localhost:9200/_analyze" -H 'Content-Type: application/json' -d'
{
   
  "tokenizer":      "keyword",
  "char_filter":  [ "html_strip" ],
  "text": "<p>I&apos;m so <b>happy</b>!</p>"
}
'

返回的结果为[\nI'm so happy!\n]，其中将HTML中的<p>转换为\n，将'转换为'。html_strip字符过滤器是可配置的，接受的参数有：

• escaped_tags：表示一个包含HTML标签元素的列表(删除的HTML元素时，就将原始文本中出现的元素和这个列表中元素对比，如果是HTML元素且在该参数指定的列表中出现则保留，否则就移除)；

下面是栗子：

curl -X PUT