#tantivy #japanese #tokenizer #tokenize

vaporetto_tantivy

针对Tantivy的Vaporetto分词器

11个版本 (6个重大更新)

0.22.0 2024年7月15日
0.20.0 2023年6月14日
0.19.2 2023年4月1日
0.19.1 2023年3月7日
0.3.0 2022年2月14日

#1495 in 文本处理

Download history 164/week @ 2024-04-14 17/week @ 2024-06-30 123/week @ 2024-07-14 165/week @ 2024-07-28

每月303次下载

MIT/Apache

310KB
7.5K SLoC

vaporetto_tantivy

Vaporetto 是一个快速且轻量级的基于点预测的分词器。vaporetto_tantivy 是一个crate,用于在 Tantivy 中使用 Vaporetto。

示例

use std::fs::File;
use std::io::{Read, BufReader};

use tantivy::schema::{IndexRecordOption, Schema, TextFieldIndexing, TextOptions};
use tantivy::Index;
use vaporetto::Model;
use vaporetto_tantivy::VaporettoTokenizer;

let mut schema_builder = Schema::builder();
let text_field_indexing = TextFieldIndexing::default()
    .set_tokenizer("ja_vaporetto")
    .set_index_option(IndexRecordOption::WithFreqsAndPositions);
let text_options = TextOptions::default()
    .set_indexing_options(text_field_indexing)
    .set_stored();
schema_builder.add_text_field("title", text_options);
let schema = schema_builder.build();
let index = Index::create_in_ram(schema);

// Loads a model with decompression.
let mut f = BufReader::new(File::open("bccwj-suw+unidic.model.zst").unwrap());
let mut decoder = ruzstd::StreamingDecoder::new(&mut f).unwrap();
let mut buff = vec![];
decoder.read_to_end(&mut buff).unwrap();
let model = Model::read(&mut buff.as_slice()).unwrap();

// Creates VaporettoTokenizer with wsconst=DGR.
let tokenizer = VaporettoTokenizer::new(model, "DGR").unwrap();
index
    .tokenizers()
    .register("ja_vaporetto", tokenizer);

依赖关系

~27MB
~442K SLoC