1. Tokenizers（分词器）
原文链接 : https://www.elastic.co/guide/en/elasticsearch/reference/5.3/analysis-tokenizers.html
译文链接 : http://www.apache.wiki/pages/editpage.action?pageId=9405270
一个 tokenizer（分词器）接收一个字符流，将之分割为独立的 tokens（词元，通常是独立的单词），然后输出 tokens 流。
例如，whitespace tokenizer 遇到空白字符时分割文本。它会将文本 "Quick brown fox!" 分割为 [Quick, brown, fox!]。
该 tokenizer（分词器）还负责记录各个 term（词条）的顺序或 position 位置（用于 phrase 短语和 word proximity 词近邻查询），以及 term（词条）所代表的原始 word（单词）的 start（起始）和 end（结束）的 character offsets（字符偏移量）（用于高亮显示搜索的内容）。
Elasticsearch 提供了很多内置的分词器，可以用来构建 custom analyzers（自定义分词器）。
1.1.1. Word Oriented Tokenizers（整词分词器）
下列的分词器通常是将整个文本分为独立的单词 :
Standard Tokenizer （标准分词器）
standard tokenizer 根据 Unicode 文本分割算法，以单词边界分割文本。它删除大多数标点符号。 它是大多数语言的最佳选择。
letter tokenizer 遇到非字母时分割文本。
Lowercase Tokenizer（小写分词器）
lowercase tokenizer 类似 letter tokenizer，遇到非字母时分割文本，同时会将所有分割后的词元转为小写。
whitespace tokenizer 遇到空白字符时分割位文本。
uax_url_email tokenizer 类似 standard tokenizer，只不过它会把 URL 和 email 地址当成一个词元。
classic tokenizer 是一个基于英语语法的分词器。
Thai Tokenizer（泰语分词器）
thai tokenizer 将泰文文本分成单词。
1.1.2. Partial Word Tokenizers（局部单词分词器）
这些分词器将文本或者单词分割为小片段，用于 partial word（局部单词）的匹配 :
ngram tokenizer 遇到指定的字符（如 : 空白、标点）时分割文本，然后返回各个单词的 n-grams（连续字符的滑动窗口）。例如 quick → [qu, ui, ic, ck]。
edge_ngram tokenizer 遇到指定的字符（如 : 空白、标点）时分割文本，然后它返回锚定到单词开头的 n-gram。例如 quick → [q, qu, qui, quic, quick]。
1.1.3. Structured Text Tokenizers（结构化文本分词器）
下列的分词器通常用于结构化文本，如 身份证、邮箱、邮政编码、文件路径 :
keyword tokenizer 什么都没做，它将整个文本当成一个 词元。一般和 token 过滤器（例如 lowercase）一起使用，规范分词后的词元。
Pattern Tokenizer（正则分词器）
pattern tokenizer 使用正则表达式，在遇到单词分隔符时分割文本，或者将捕获到的匹配文本当成一个词元。
Path Tokenizer（路径层次分词器）
path_hierarchy tokenizer 把分层的值看成是文件路径，用路径分隔符分割文本，输出树上的各个节点。例如 /foo/bar/baz → [/foo, /foo/bar, /foo/bar/baz]。