將自訂分析器新增至 Azure AI 搜尋服務索引中的字串欄位

發行項
03/18/2024

自訂分析器是一個權杖化工具、一或多個權杖篩選條件，以及一或多個字元篩選條件的使用者定義組合。自訂分析器是在搜尋索引內指定，然後在需要自訂分析的欄位定義上依名稱參考。自訂分析器會根據每個欄位叫用。欄位上的屬性會決定其是否用於編製索引、查詢或兩者。

在自訂分析器中，字元篩選條件會先準備輸入文字，再由權杖化工具處理 (例如移除標記)。接下來，權杖化工具會將文字分成標記。最後，權杖篩選會修改權杖化工具發出的權杖。如需概念和範例，請參閱 Azure AI 搜尋服務中的分析器。

為何要使用自訂分析器？

自訂分析器可讓您藉由選擇要叫用的分析或篩選類型，以及其發生的順序，控制將文字轉換成可編製索引和可搜尋權杖的程序。

如果預設 (Standard Lucence)、內建或語言分析器都不足以滿足您的需求，請建立並指派自訂分析器。如果您想要搭配自訂選項使用內建分析器，您也可以建立自訂分析器。例如，如果您想要變更 Standard 上的 maxTokenLength，您可以建立具有使用者定義名稱的自訂分析器來設定該選項。

自訂分析器很有幫助的案例包括：

使用字元篩選在文字輸入權杖化之前移除 HTML 標記，或取代特定字元或符號。
語音搜尋。新增語音篩選器，以根據文字聽起來如何 (而不是根據拼法) 來啟用搜尋。
停用語彙分析。使用關鍵字分析器以建立未分析的可搜尋欄位。
快速前置詞/後置詞搜尋。將邊緣 n-gram 語彙基元篩選器新增至文字的索引前置詞以啟用快速前置詞比對。您可以將其與反向權杖篩選器結合以進行後置詞比對。
自訂 Token 化。例如，使用 Whitespace Token 化工具將句子分成使用空白字元作為分隔符號的語彙基元
ASCII 摺疊。新增標準 ASCII 折疊篩選器，將搜尋字詞中的 ö 或 ê 等變音符號標準化。

注意

自訂分析器未在 Azure 入口網站中公開。新增自訂分析器的唯一方法是透過程式碼，程式碼會定義索引。

建立自訂分析器

若要建立自訂分析器，請在設計時於索引的 analyzers 區段指定此分析器，然後使用 analyzer 屬性或 indexAnalyzer 和 searchAnalyzer 配對，在可搜尋的 Edm.String 欄位中參考此分析器。

分析器定義包括名稱、類型、一個或多個字元篩選器、最多一個權杖化工具，以及一個或多個用於權杖化後置作業的權杖篩選。字元篩選會在權杖化之前套用。權杖篩選和字元篩選會以由左到右的順序套用。

自訂分析器中的名稱必須是唯一的，而且不能與任何內建分析器、權杖化工具、權杖篩選或字元篩選相同。名稱必須包含字母、數字、空格、虛線或底線，同時開頭必須是英數字元，而且不得超過 128 個字元。
類型必須是 #Microsoft.Azure.Search.CustomAnalyzer。
charFilters 可以是來自權杖化之前所處理字元篩選條件的一或多個篩選條件，依提供的順序排列。某些字元篩選條件具有選項，可以在 charFilters 區段中設定。字元篩選是選擇性的。
tokenizer 只是一個權杖化工具。必須有值。如果您需要一個以上的 tokenizer，您可以建立多個自訂分析器，並且在索引結構描述中逐欄位指派它們。
tokenFilters 可以是來自權杖化之後所處理權杖篩選條件的一或多個篩選條件，依提供的順序排列。對於具有選項的權杖篩選條件，請新增 tokenFilter 區段以指定設定。權杖篩選是選擇性的。

分析器不能產生超過 300 個字元的權杖，否則編製索引將會失敗。若要修剪過長的權杖或加以排除，請分別使用 TruncateTokenFilter 和 LengthTokenFilter。如需參考，請參閱權杖篩選。

"analyzers":(optional)[
   {
      "name":"name of analyzer",
      "@odata.type":"#Microsoft.Azure.Search.CustomAnalyzer",
      "charFilters":[
         "char_filter_name_1",
         "char_filter_name_2"
      ],
      "tokenizer":"tokenizer_name",
      "tokenFilters":[
         "token_filter_name_1",
         "token_filter_name_2"
      ]
   },
   {
      "name":"name of analyzer",
      "@odata.type":"#analyzer_type",
      "option1":value1,
      "option2":value2,
      ...
   }
],
"charFilters":(optional)[
   {
      "name":"char_filter_name",
      "@odata.type":"#char_filter_type",
      "option1":value1,
      "option2":value2,
      ...
   }
],
"tokenizers":(optional)[
   {
      "name":"tokenizer_name",
      "@odata.type":"#tokenizer_type",
      "option1":value1,
      "option2":value2,
      ...
   }
],
"tokenFilters":(optional)[
   {
      "name":"token_filter_name",
      "@odata.type":"#token_filter_type",
      "option1":value1,
      "option2":value2,
      ...
   }
]

在索引定義中，您可以將此區段放在建立索引要求本文中的任意位置，但通常會放在結尾：

{
  "name": "name_of_index",
  "fields": [ ],
  "suggesters": [ ],
  "scoringProfiles": [ ],
  "defaultScoringProfile": (optional) "...",
  "corsOptions": (optional) { },
  "analyzers":(optional)[ ],
  "charFilters":(optional)[ ],
  "tokenizers":(optional)[ ],
  "tokenFilters":(optional)[ ]
}

分析器定義屬於更大的索引。只有在您設定自訂選項時，才需要將字元篩選、權杖化工具和權杖篩選的定義新增至索引中。若要使用現有的篩選器或 Token 化工具 (不做任何變更)，則以分析器定義中的名稱來加以指定。如需詳細資訊，請參閱建立索引 (REST)。如需更多範例，請參閱在 Azure AI 搜尋服務中新增分析器。

測試自訂分析器

您可以使用測試分析器 (REST)，查看分析器如何將指定文字分解成權杖。

要求

  POST https://[search service name].search.windows.net/indexes/[index name]/analyze?api-version=[api-version]
    Content-Type: application/json
    api-key: [admin key]

  {
     "analyzer":"my_analyzer",
     "text": "Vis-à-vis means Opposite"
  }

回應

  {
    "tokens": [
      {
        "token": "vis_a_vis",
        "startOffset": 0,
        "endOffset": 9,
        "position": 0
      },
      {
        "token": "vis_à_vis",
        "startOffset": 0,
        "endOffset": 9,
        "position": 0
      },
      {
        "token": "means",
        "startOffset": 10,
        "endOffset": 15,
        "position": 1
      },
      {
        "token": "opposite",
        "startOffset": 16,
        "endOffset": 24,
        "position": 2
      }
    ]
  }

上傳自訂分析器

定義分析器、權杖化工具、權杖篩選或字元篩選之後，即無法進行修改。只有當索引更新要求中的 allowIndexDowntime 旗標設定為 true 時，才能將新分析器新增到現有的索引中：

PUT https://[search service name].search.windows.net/indexes/[index name]?api-version=[api-version]&allowIndexDowntime=true

這項作業至少會讓您的索引離線幾秒鐘，而會導致您的索引編製和查詢要求失敗。在索引更新後，索引的效能和寫入可用性可能會降低數分鐘，如果是非常大的索引，則可能持續更久，但這些影響是暫時的，而且最終會自行解決。

內建分析器

如果您想要搭配自訂選項使用內建分析器，建立自訂分析器是指定這些選項的機制。相反地，若要依原樣使用內建分析器，您只需要在欄位定義中依名稱參考。

analyzer_name	analyzer_type¹	說明和選項
keyword	(有選項時才需套用類型)	將欄位的整個內容視為單一語彙基元。這適合用於郵遞區號、識別碼和產品名稱等資料。
模式	PatternAnalyzer	透過規則運算式模式彈性地將文字分割成字詞。選項 lowercase (類型：bool) - 判斷字詞是否為小寫。預設值為 True。 pattern (類型：字串) - 用來比對語彙基元分隔符號的規則運算式模式。預設值為 `\W+`，其符合非文字字元。 flags (類型：字串) - 規則運算式旗標。預設值是空字串。允許的值：CANON_EQ、CASE_INSENSITIVE、COMMENTS、DOTALL、LITERAL、MULTILINE、UNICODE_CASE、UNIX_LINES stopwords (類型：字串陣列) - 停用字詞清單。預設為空白清單。
simple	(有選項時才需套用類型)	在非字母的位置分割文字，並將其轉換成小寫。
standard (也稱為 standard.lucene)	StandardAnalyzer	Standard Lucene 分析器，由標準 Token 化工具、小寫篩選器及停止篩選器所組成。選項 maxTokenLength (類型：int) - 語彙基元長度的上限。預設值為 255。超過長度上限的權杖會進行分割。可用的語彙基元長度上限是 300 個字元。 stopwords (類型：字串陣列) - 停用字詞清單。預設為空白清單。
standardasciifolding.lucene	(有選項時才需套用類型)	使用 ASCII 折疊篩選器的標準分析器。
停止	StopAnalyzer	在非字母的位置上分割文字，套用 lowercase 和 stopword 語彙基元篩選器。選項 stopwords (類型：字串陣列) - 停用字詞清單。預設值為英文的預先定義清單。
whitespace	(有選項時才需套用類型)	使用 whitespace Token 化工具的分析器。分割長度超過 255 個字元的語彙基元。

¹ 分析器類型一律會在程式碼中加上前置詞 #Microsoft.Azure.Search，以致 PatternAnalyzer 實際上將指定為 #Microsoft.Azure.Search.PatternAnalyzer。為求簡潔，我們已移除前置詞，但您的程式碼中仍須要有前置詞。

analyzer_type 僅提供給可自訂的分析器使用。如果沒有任何選項 (如同 keyword 分析器)，則也不會有相關聯的 #Microsoft.Azure.Search 類型。

字元篩選

字元篩選會在字串到達權杖化工具之前新增處理。

Azure AI 搜尋服務支援下列清單中的字元篩選。如需有關每個項目的詳細資訊，請參閱 Lucene API 參考。

char_filter_name	char_filter_type¹	說明和選項
html_strip	(有選項時才需套用類型)	嘗試去除 HTML 結構的字元篩選器。
對應	MappingCharFilter	套用比對 (由比對選項定義) 的字元篩選器。比對採用貪婪演算法 (由指定點上最長的模式比對勝出) 取代項目可以是空字串。選項 mappings (類型：字串陣列) - 下列格式的對應：`a=>b` (將所有出現的字元 `a` 取代為字元 `b`)。必要。
pattern_replace	PatternReplaceCharFilter	取代輸入字串中字元的字元篩選器。其使用規則運算式來識別要保留的字元序列，並使用取代模式來識別要取代的字元。例如，input text = `aa bb aa bb`pattern=`(aa)\\\s+(bb)` replacement=`$1#$2`result = `aa#bb aa#bb`。選項 pattern (類型：字串) - 必要。 replacement (類型：字串) - 必要。

¹ 字元篩選條件類型一律會在程式碼中加上前置詞 #Microsoft.Azure.Search，以致 MappingCharFilter 實際上將指定為 #Microsoft.Azure.Search.MappingCharFilter。為縮短表格寬度，我們已移除前置詞，但請務必將其包含在您的程式碼中。請注意，char_filter_type 僅提供給可自訂的篩選使用。如果沒有任何選項 (如同 html_strip)，則也不會有相關聯的 #Microsoft.Azure.Search 類型。

權杖化工具

權杖化工具會將連續文字分割成權杖的序列，例如將句子分成多個文字，或是將文字分成根形式。

Azure AI 搜尋服務支援下列清單中的權杖化工具。如需有關每個項目的詳細資訊，請參閱 Lucene API 參考。

tokenizer_name	tokenizer_type¹	說明和選項
classic	ClassicTokenizer	以文法為基礎且適合用來處理大部分歐洲語言文件的 Token 化工具。選項 maxTokenLength (類型：int) - 語彙基元長度的上限。預設值：255，最大值：300。超過長度上限的權杖會進行分割。
edgeNGram	EdgeNGramTokenizer	透過從邊緣到指定 n-gram 大小的方式來 Token 化輸入。選項 minGram (類型：int) - 預設值：1，最大值：300。 maxGram (類型：int) - 預設值：2，最大值：300。必須大於 minGram。 tokenChars (類型：字串陣列) - 要在語彙基元中保留的字元類別。允許的值： `letter`、`digitwhitespacepunctuationsymbol`。預設為空陣列 - 保留所有字元。
keyword_v2	KeywordTokenizerV2	以單一語彙基元的形式發出整個輸入。選項 maxTokenLength (類型：int) - 語彙基元長度的上限。預設值：256，最大值：300。超過長度上限的權杖會進行分割。
letter	(有選項時才需套用類型)	在非字母的位置上分割文字。分割長度超過 255 個字元的語彙基元。
lowercase	(有選項時才需套用類型)	在非字母的位置分割文字，並將其轉換成小寫。分割長度超過 255 個字元的語彙基元。
microsoft_language_tokenizer	MicrosoftLanguageTokenizer	使用語言特有的規則分割文字。選項 maxTokenLength (類型：int) - 權杖長度的上限，預設值：255，最大值：300。超過長度上限的權杖會進行分割。超過 300 個字元的語彙基元會先分割成長度為 300 個字元的語彙基元，然後再根據設定的 maxTokenLength 分割這每一個語彙基元。 isSearchTokenizer (類型：bool) - 如果作為搜尋 Token 化工具使用，則設定為 true，如果作為索引 Token 化工具使用，則設為 false。 language (類型：字串) - 要使用的語言，預設值是 `english`。允許的值包括： `bangla`、`bulgariancatalanchineseSimplifiedchineseTraditionalcroatianczechdanishdutchenglishfrenchgermangreekgujaratihindiicelandicindonesianitalianjapanesekannadakoreanmalaymalayalammarathinorwegianBokmaalpolishportugueseportugueseBrazilianpunjabiromanianrussianserbianCyrillicserbianLatinslovenianspanishswedishtamilteluguthaiukrainianurduvietnamese`
microsoft_language_stemming_tokenizer	MicrosoftLanguageStemmingTokenizer	使用語言特有的規則來分割文字，並將字組縮減到其基本形式。此權杖化工具會執行語式化。選項 maxTokenLength (類型：int) - 權杖長度的上限，預設值：255，最大值：300。超過長度上限的權杖會進行分割。超過 300 個字元的語彙基元會先分割成長度為 300 個字元的語彙基元，然後再根據設定的 maxTokenLength 分割這每一個語彙基元。 isSearchTokenizer (類型：bool) - 如果作為搜尋 Token 化工具使用，則設定為 true，如果作為索引 Token 化工具使用，則設為 false。 language (類型：字串) - 要使用的語言，預設值是 `english`。允許的值包括： `arabic`、`bangla`、`bulgarian`、`catalan`、`croatian`、`czech`、`danish`、`dutch`、`english`、`estonian`、`finnish`、`french`、`german`、`greek`、`gujarati`、`hebrew`、`hindi`、`hungarian`、`icelandic`、`indonesian`、`italian`、`kannada`、`latvian`、`lithuanian`、`malay`、`malayalam`、`marathi`、`norwegianBokmaal`、`polish`、`portuguese`、`portugueseBrazilian`、`punjabi`、`romanian`、`russian`、`serbianCyrillic`、`serbianLatin`、`slovak`、`slovenian`、`spanish`、`swedish`、`tamil`、`telugu`、`turkish`、`ukrainian`、`urdu`
nGram	NGramTokenizer	將輸入 Token 化到指定的 n-gram 大小。選項 minGram (類型：int) - 預設值：1，最大值：300。 maxGram (類型：int) - 預設值：2，最大值：300。必須大於 minGram。 tokenChars (類型：字串陣列) - 要在語彙基元中保留的字元類別。允許的值：`letter`、`digit`、`whitespace`、`punctuation`、`symbol`。預設為空陣列 - 保留所有字元。
path_hierarchy_v2	PathHierarchyTokenizerV2	路徑類階層的 Token 化工具。選項 delimiter (類型：字串) - 預設值：'/。 replacement (類型：字串) - 如有設定，則會取代分隔符號字元。預設值與分隔符號的值相同。 maxTokenLength (類型：int) - 語彙基元長度的上限。預設值：300，最大值：300。長度超過 maxTokenLength 的路徑會遭到忽略。 reverse (類型：bool) - 如果為 true，則會以反向順序產生語彙基元。預設：false。 skip (類型：bool) - 要略過的起始語彙基元數目。預設值是 0。
模式	PatternTokenizer	此 Token 化工具會使用 RegEx 模式比對來建構不同的語彙基元。選項 pattern (類型：字串) - 用來比對權杖分隔符號的規則運算式模式。預設值為 `\W+`，其符合非文字字元。 flags (類型：字串) - 規則運算式旗標。預設值是空字串。允許的值：CANON_EQ、CASE_INSENSITIVE、COMMENTS、DOTALL、LITERAL、MULTILINE、UNICODE_CASE、UNIX_LINES group (類型：int) - 要將哪個群組擷取至語彙基元。預設值為 -1 (分割)。
standard_v2	StandardTokenizerV2	遵循 Unicode 文字分割規則來分解文字。選項 maxTokenLength (類型：int) - 語彙基元長度的上限。預設值：255，最大值：300。超過長度上限的權杖會進行分割。
uax_url_email	UaxUrlEmailTokenizer	將 URL 和電子郵件 Token 化為一個語彙基元。選項 maxTokenLength (類型：int) - 語彙基元長度的上限。預設值：255，最大值：300。超過長度上限的權杖會進行分割。
whitespace	(有選項時才需套用類型)	在空白字元處分割文字。分割長度超過 255 個字元的語彙基元。

¹ 權杖化工具類型一律會在程式碼中加上前置詞 #Microsoft.Azure.Search，以致 ClassicTokenizer 實際上將指定為 #Microsoft.Azure.Search.ClassicTokenizer。為縮短表格寬度，我們已移除前置詞，但請務必將其包含在您的程式碼中。請注意，tokenizer_type 僅提供給可自訂的權杖化工具使用。如果沒有任何選項，如同字母權杖化工具也不會有相關聯的 #Microsoft.Azure.Search 類型。

權杖篩選

權杖篩選器是用來篩選出或修改 tokenizer 所產生的權杖。例如，您可以指定小寫篩選器，將所有字元轉換成小寫。您可以在自訂分析器中具有多個權杖篩選器。權杖篩選會以所列的順序執行。

在下表中，使用 Apache Lucene 實作的語彙基元篩選器會連結至 Lucene API 文件。

token_filter_name	token_filter_type¹	說明和選項
arabic_normalization	(有選項時才需套用類型)	套用阿拉伯文標準化程式的語彙基元篩選器，用來標準化正字法。
apostrophe	(有選項時才需套用類型)	去除單引號 (包括單引號本身) 之後的所有字元。
asciifolding	AsciiFoldingTokenFilter	將不在前 127 個 ASCII 字元內的英文字母、數字和符號類 Unicode 字元 (`Basic Latin` Unicode 區塊) 轉換為其對等的 ASCII 項目 (如果有的話)。選項 preserveOriginal (類型：bool) - 如果為 true，則保留原始的語彙基元。預設值為 false。
cjk_bigram	CjkBigramTokenFilter	將從 StandardTokenizer 產生的 CJK 字詞塑造成雙字母組 (bigram)。選項 ignoreScripts (類型：字串陣列) - 要略過的指令碼。允許的值包含：`han`、`hiragana`、`katakana`、`hangul`。預設為空白清單。 outputUnigrams (類型：bool) - 如果您一定要輸出單字母組 (unigram) 和雙字母組 (bigram)，則設為 true。預設值為 false。
cjk_width	(有選項時才需套用類型)	標準化 CJK 寬度的差異。將全形的 ASCII 變體摺疊成對等的基本拉丁文，並將半形的片假名變體摺疊成對等的假名。
classic	(有選項時才需套用類型)	移除英文所有格，以及移除縮寫中的點。
common_grams	CommonGramTokenFilter	在編製索引時，建構常用字詞的雙字母組。仍會編製單個字詞的索引，並與雙字母組重疊。選項 commonWords (類型：字串陣列) - 一組常見的字組。預設為空白清單。必要。 ignoreCase (類型：bool) - 如果為 true，則比對不區分大小寫。預設值為 false。 queryMode (類型：bool) - 產生雙字母組，然後移除常用字組與常用字組後的單一字詞。預設值為 false。
dictionary_decompounder	DictionaryDecompounderTokenFilter	分解在許多日耳曼語系中找到的複合字。選項 wordList (類型：字串陣列) - 要作為比對依據的字組清單。預設為空白清單。必要。 minWordSize (類型：int) - 只會處理超過此長度的字組。預設值為 5。 minSubwordSize (類型：int) - 只會輸出超過此長度的部分字組 (subword)。預設值為 2。 maxSubwordSize (類型：int) - 只會輸出低於此長度的部分字組 (subword)。預設值是 15。 onlyLongestMatch (類型：bool) - 只將最長的相符部分字組 (subword) 新增到輸出。預設值為 false。
edgeNGram_v2	EdgeNGramTokenFilterV2	從輸入語彙基元的前端或後端作為起點，以產生指定大小的 n-gram。選項 minGram (類型：int) - 預設值：1，最大值：300。 maxGram (類型：int) - 預設值：2，最大值：300。必須大於 minGram。 side (類型：字串) - 指定 n-gram 應從輸入的哪一側產生。允許值︰`front` 和 `back`
elision	ElisionTokenFilter	移除元音省略。例如，`l'avion` (the plane) 會轉換成 `avion` (plane)。選項 articles (類型：字串陣列) - 要移除的一組冠詞。預設為空白清單。如果沒有冠詞清單，預設會移除所有法文的冠詞。
german_normalization	(有選項時才需套用類型)	根據 German2 雪球演算法的啟發式學習法標準化德文字元。
hindi_normalization	(有選項時才需套用類型)	標準化印度文字，以移除拼字變化的一些差異。
indic_normalization	IndicNormalizationTokenFilter	標準化印度語文字的 Unicode 表示法。
keep	KeepTokenFilter	此語彙基元篩選器只保留文字包含在指定字組清單的語彙基元。選項 keepWords (類型：字串陣列) - 要保留的字組清單。預設為空白清單。必要。 keepWordsCase (類型：bool) - 如果為 true，則會先將所有字組改為小寫。預設值為 false。
keyword_marker	KeywordMarkerTokenFilter	將字詞標示為關鍵字。選項 keywords (類型：字串陣列) - 要標示為關鍵字的字組清單。預設為空白清單。必要。 ignoreCase (類型：bool) - 如果為 true，則會先將所有字組改為小寫。預設值為 false。
keyword_repeat	(有選項時才需套用類型)	將每個傳入的語彙基元發出兩次，一次作為關鍵字，一次作為非關鍵字。
kstem	(有選項時才需套用類型)	適用於英文的高效能 `kstem` 篩選條件。
length	LengthTokenFilter	移除太長或太短的文字。選項 min (類型：int) - 最小數目。預設值：0，最大值：300。 max (類型：int) - 最大數目。預設值：300，最大值：300。
limit	Microsoft.Azure.Search.LimitTokenFilter	限制編製索引時的語彙基元數目。選項 maxTokenCount (類型：int) - 要產生的語彙基元數目上限。預設值是 1。 consumeAllTokens (類型：bool) - 是否必須使用輸入中的所有語彙基元，即使已達到 maxTokenCount。預設值為 false。
lowercase	(有選項時才需套用類型)	將語彙基元文字標準化為小寫。
nGram_v2	NGramTokenFilterV2	產生指定大小的 n-gram。選項 minGram (類型：int) - 預設值：1，最大值：300。 maxGram (類型：int) - 預設值：2，最大值：300。必須大於 minGram。
pattern_capture	PatternCaptureTokenFilter	使用 Java RegEx 發出多個語彙基元，一個或多個模式中的每個擷取群組各會有一個。選項 patterns (類型：字串陣列) - 要根據每個語彙基元比對的模式清單。必要。 reserveOriginal (類型：bool) - 若設定為 true，則傳回原始的語彙基元，即使符合其中一個模式也是如此，預設值：true
pattern_replace	PatternReplaceTokenFilter	將模式套用到資料流中每個語彙基元的語彙基元篩選器，將以指定的取代字串取代相符項目。選項 pattern (類型：字串) - 必要。 replacement (類型：字串) - 必要。
persian_normalization	(有選項時才需套用類型)	對波斯文套用標準化。
phonetic	PhoneticTokenFilter	建立語音相符項目的語彙基元。選項 encoder (型別：字串) - 要使用的語音編碼器。允許的值包括：`metaphone`、`doubleMetaphone`、`soundex`、`refinedSoundex`、`caverphone1`、`caverphone2`、`cologne`、`nysiis`、`koelnerPhonetik`、`haasePhonetik`、`beiderMorse`。預設值：`metaphone`。預設值為 metaphone。請參閱 encoder 以取得詳細資訊。 replace (類型：bool) - 如果編碼的語彙基元應該取代原始的語彙基元，則為 true，如果編碼的語彙基元應該新增為同義字，則為 false。預設值為 True。
porter_stem	(有選項時才需套用類型)	根據 Porter 詞幹演算法 (Porter stemming algorithm) 來轉換語彙基元資料流。
reverse	(有選項時才需套用類型)	反轉語彙基元字串。
scandinavian_normalization	(有選項時才需套用類型)	標準化可交換的斯堪的納維亞字元用法。
scandinavian_folding	(有選項時才需套用類型)	折疊斯堪的納維亞字元 `åÅäæÄÆ`into `a` 和 `öÖøØ`into `o`。其也可以區分雙母音 `aa`、`ae`、`ao`、`oe` 和 `oo` 的使用，並且只保留第一個。
shingle	ShingleTokenFilter	將語彙基元的組合建立為單一語彙基元。選項 maxShingleSize (類型：int) - 預設值為 2。 minShingleSize (類型：int) - 預設值為 2。 outputUnigrams (類型：bool) - 如果為 true，輸出資料流會包含輸入語彙基元 (單字母組) 及 shingle。預設值為 True。 outputUnigramsIfNoShingles (類型：bool) - 如果為 true，則覆寫 outputUnigrams 行為==而 false 用於沒有可用 shingle 的狀況。預設值為 false。 tokenSeparator (類型：字串) - 加入相鄰語彙基元來形成 shingle 時要用的字串。預設值為單一空格 . filterToken (類型：字串) - 在每個沒有權杖的位置插入字串。預設值為 `_`。
snowball	SnowballTokenFilter	Snowball 語彙基元篩選器。選項 language (類型：字串) - 允許的值包括：`armenian`、`basque`、`catalan`、`danish`、`dutch`、`english`、`finnish`、`french`、`german`、`german2`、`hungarian`、`italian`、`kp`、`lovins`、`norwegian`、`porter`、`portuguese`、`romanian`、`russian`、`spanish`、`swedish`、`turkish`
sorani_normalization	SoraniNormalizationTokenFilter	標準化 `Sorani` 文字的 Unicode 表示法。選項無。
詞幹分析器	StemmerTokenFilter	特定語言的詞幹分析篩選器。選項 language (類型：字串) - 允許的值包括： - `arabic` - `armenian` - `basque` - `brazilian` - `bulgarian` - `catalan` - `czech` - `danish` - `dutch` - `dutchKp` - `english` - `lightEnglish` - `minimalEnglish` - `possessiveEnglish` - `porter2` - `lovins` - `finnish` - `lightFinnish` - `french` - `lightFrench` - `minimalFrench` - `galician` - `minimalGalician` - `german` - `german2` - `lightGerman` - `minimalGerman` - `greek` - `hindi` - `hungarian` - `lightHungarian` - `indonesian` - `irish` - `italian` - `lightItalian` - `sorani` - `latvian` - `norwegian` - `lightNorwegian` - `minimalNorwegian` - `lightNynorsk` - `minimalNynorsk` - `portuguese` - `lightPortuguese` - `minimalPortuguese` - `portugueseRslp` - `romanian` - `russian` - `lightRussian` - `spanish` - `lightSpanish` - `swedish` - `lightSwedish` - `turkish`
stemmer_override	StemmerOverrideTokenFilter	任何可透過字典進行詞幹分析的字詞都會標示為關鍵字，這樣可避免鏈結底部的詞幹分析。必須放在任何詞幹分析篩選器之前。選項 rules (類型：字串陣列) - 使用下列格式的詞幹分析規則：`word => stem`，例如 `ran => run`。預設為空白清單。必要。
stopwords	StopwordsTokenFilter	從語彙基元資料流移除停用字詞。根據預設，篩選器會使用預先定義的停用字詞清單 (適用於英文)。選項 stopwords (類型：字串陣列) - 停用字詞清單。如果指定 stopwordsList，則無法指定此項目。 stopwordsList (類型：字串) - 停用字詞的預先定義清單。如果指定 `stopwords`，則無法指定此項目。允許的值包括：`arabic`、`armenian`、`basque`、`brazilian`、`bulgarian`、`catalan`、`czech`、`danish`、`dutch`、`english`、`finnish`、`french`、`galician`、`german`、`greek`、`hindi`、`hungarian`、`indonesian`、`irish`、`italian`、`latvian`、`norwegian`、`persian`、`portuguese`、`romanian`、`russian`、`sorani`、`spanish`、`swedish`、`thai`、`turkish`，預設值：`english`。如果指定 `stopwords`，則無法指定此項目。 ignoreCase (類型：bool) - 如果為 true，則會先將所有字組改為小寫。預設值為 false。 removeTrailing (類型：bool) - 如果為 true，若最後一個搜尋字詞是停用字詞，則會略過。預設值為 True。
synonym	SynonymTokenFilter	比對語彙基元資料流中的單一或多個同義字。選項 synonyms (類型：字串陣列) - 必要。下列兩種格式之一的同義字清單： -incredible, unbelievable, fabulous => amazing - 在 => 符號左邊的所有字詞都可由該符號右邊的所有字詞取代。 -incredible, unbelievable, fabulous, amazing - 以逗號分隔的對等字組清單。設定 expand 選項來變更此清單的解譯方式。 ignoreCase (類型：bool) - 將輸入的大小寫摺疊以用於比對。預設值為 false。 expand (類型：bool) - 如果為 true，則同義字清單中的所有字組 (如果不使用 => 標記) 都可互相對應。下列清單：incredible, unbelievable, fabulous, amazing 同等於：incredible, unbelievable, fabulous, amazing => incredible, unbelievable, fabulous, amazing 如果為 false，下列清單：incredible, unbelievable, fabulous, amazing 同等於：incredible, unbelievable, fabulous, amazing => incredible。
修剪	(有選項時才需套用類型)	修剪語彙基元的開頭及結尾空白字元。
truncate	TruncateTokenFilter	將字詞截斷至特定長度。選項 length (類型：int) - 預設值：300，最大值：300。必要。
unique	UniqueTokenFilter	篩選出與前一個語彙基元使用相同文字的語彙基元。選項 onlyOnSamePosition (類型：bool) - 如果設定，則只會移除相同位置上的重複項目。預設值為 True。
uppercase	(有選項時才需套用類型)	將語彙基元文字標準化為大寫。
word_delimiter	WordDelimiterTokenFilter	將字組分割成部分字組，並對部分字組群組執行選擇性的轉換。選項 generateWordParts (類型：bool) - 產生部分字組，例如，`AzureSearch` 會變成 `AzureSearch`。預設值為 True。 generateNumberParts (類型：bool) - 產生數字的部分字組。預設值為 True。 catenateWords (類型：bool) - 將所能連接的最多字組部分合併，例如，`Azure-Search` 會變成 `AzureSearch`。預設值為 false。 catenateNumbers (類型：bool) - 將所能連接的最多數字部分合併，例如，`1-2` 會變成 `12`。預設值為 false。 catenateAll (類型：bool) - 將所有部分字組合併，例如，`Azure-Search-1` 會變成 `AzureSearch1`。預設值為 false。 splitOnCaseChange (類型：bool) - 如果為 true，則根據大小寫變更來分割字組，例如，`AzureSearch` 會變成 `AzureSearch`。預設值為 True。 preserveOriginal - 保留原始子組並新增至部分字組清單。預設值為 false。 splitOnNumerics (類型：bool) - 如果為 true，則根據數字來分割，例如 `Azure1Search` 會變成 `Azure1Search`。預設值為 True。 stemEnglishPossessive (類型：bool) - 移除每個部分字組的尾端 `'s`。預設值為 True。 protectedWords (類型：字串陣列) - 要防止分隔的語彙基元。預設為空白清單。

¹ 權杖篩選條件類型一律會在程式碼中加上前置詞 #Microsoft.Azure.Search，以致 ArabicNormalizationTokenFilter 實際上將指定為 #Microsoft.Azure.Search.ArabicNormalizationTokenFilter。為縮短表格寬度，我們已移除前置詞，但請務必將其包含在您的程式碼中。