]> git.openstreetmap.org Git - nominatim.git/blob - docs/customize/Tokenizers.md
Merge remote-tracking branch 'upstream/master'
[nominatim.git] / docs / customize / Tokenizers.md
1 # Tokenizers
2
3 The tokenizer module in Nominatim is responsible for analysing the names given
4 to OSM objects and the terms of an incoming query in order to make sure, they
5 can be matched appropriately.
6
7 Nominatim offers different tokenizer modules, which behave differently and have
8 different configuration options. This sections describes the tokenizers and how
9 they can be configured.
10
11 !!! important
12     The use of a tokenizer is tied to a database installation. You need to choose
13     and configure the tokenizer before starting the initial import. Once the import
14     is done, you cannot switch to another tokenizer anymore. Reconfiguring the
15     chosen tokenizer is very limited as well. See the comments in each tokenizer
16     section.
17
18 ## Legacy tokenizer
19
20 The legacy tokenizer implements the analysis algorithms of older Nominatim
21 versions. It uses a special Postgresql module to normalize names and queries.
22 This tokenizer is automatically installed and used when upgrading an older
23 database. It should not be used for new installations anymore.
24
25 ### Compiling the PostgreSQL module
26
27 The tokeinzer needs a special C module for PostgreSQL which is not compiled
28 by default. If you need the legacy tokenizer, compile Nominatim as follows:
29
30 ```
31 mkdir build
32 cd build
33 cmake -DBUILD_MODULE=on
34 make
35 ```
36
37 ### Enabling the tokenizer
38
39 To enable the tokenizer add the following line to your project configuration:
40
41 ```
42 NOMINATIM_TOKENIZER=legacy
43 ```
44
45 The Postgresql module for the tokenizer is available in the `module` directory
46 and also installed with the remainder of the software under
47 `lib/nominatim/module/nominatim.so`. You can specify a custom location for
48 the module with
49
50 ```
51 NOMINATIM_DATABASE_MODULE_PATH=<path to directory where nominatim.so resides>
52 ```
53
54 This is in particular useful when the database runs on a different server.
55 See [Advanced installations](../admin/Advanced-Installations.md#importing-nominatim-to-an-external-postgresql-database) for details.
56
57 There are no other configuration options for the legacy tokenizer. All
58 normalization functions are hard-coded.
59
60 ## ICU tokenizer
61
62 The ICU tokenizer uses the [ICU library](http://site.icu-project.org/) to
63 normalize names and queries. It also offers configurable decomposition and
64 abbreviation handling.
65 This tokenizer is currently the default.
66
67 To enable the tokenizer add the following line to your project configuration:
68
69 ```
70 NOMINATIM_TOKENIZER=icu
71 ```
72
73 ### How it works
74
75 On import the tokenizer processes names in the following three stages:
76
77 1. During the **Sanitizer step** incoming names are cleaned up and converted to
78    **full names**. This step can be used to regularize spelling, split multi-name
79    tags into their parts and tag names with additional attributes. See the
80    [Sanitizers section](#sanitizers) below for available cleaning routines.
81 2. The **Normalization** part removes all information from the full names
82    that are not relevant for search.
83 3. The **Token analysis** step takes the normalized full names and creates
84    all transliterated variants under which the name should be searchable.
85    See the [Token analysis](#token-analysis) section below for more
86    information.
87
88 During query time, only normalization and transliteration are relevant.
89 An incoming query is first split into name chunks (this usually means splitting
90 the string at the commas) and the each part is normalised and transliterated.
91 The result is used to look up places in the search index.
92
93 ### Configuration
94
95 The ICU tokenizer is configured using a YAML file which can be configured using
96 `NOMINATIM_TOKENIZER_CONFIG`. The configuration is read on import and then
97 saved as part of the internal database status. Later changes to the variable
98 have no effect.
99
100 Here is an example configuration file:
101
102 ``` yaml
103 normalization:
104     - ":: lower ()"
105     - "ß > 'ss'" # German szet is unambiguously equal to double ss
106 transliteration:
107     - !include /etc/nominatim/icu-rules/extended-unicode-to-asccii.yaml
108     - ":: Ascii ()"
109 sanitizers:
110     - step: split-name-list
111 token-analysis:
112     - analyzer: generic
113       variants:
114           - !include icu-rules/variants-ca.yaml
115           - words:
116               - road -> rd
117               - bridge -> bdge,br,brdg,bri,brg
118       mutations:
119           - pattern: 'ä'
120             replacements: ['ä', 'ae']
121 ```
122
123 The configuration file contains four sections:
124 `normalization`, `transliteration`, `sanitizers` and `token-analysis`.
125
126 #### Normalization and Transliteration
127
128 The normalization and transliteration sections each define a set of
129 ICU rules that are applied to the names.
130
131 The **normalization** rules are applied after sanitation. They should remove
132 any information that is not relevant for search at all. Usual rules to be
133 applied here are: lower-casing, removing of special characters, cleanup of
134 spaces.
135
136 The **transliteration** rules are applied at the end of the tokenization
137 process to transfer the name into an ASCII representation. Transliteration can
138 be useful to allow for further fuzzy matching, especially between different
139 scripts.
140
141 Each section must contain a list of
142 [ICU transformation rules](https://unicode-org.github.io/icu/userguide/transforms/general/rules.html).
143 The rules are applied in the order in which they appear in the file.
144 You can also include additional rules from external yaml file using the
145 `!include` tag. The included file must contain a valid YAML list of ICU rules
146 and may again include other files.
147
148 !!! warning
149     The ICU rule syntax contains special characters that conflict with the
150     YAML syntax. You should therefore always enclose the ICU rules in
151     double-quotes.
152
153 #### Sanitizers
154
155 The sanitizers section defines an ordered list of functions that are applied
156 to the name and address tags before they are further processed by the tokenizer.
157 They allows to clean up the tagging and bring it to a standardized form more
158 suitable for building the search index.
159
160 !!! hint
161     Sanitizers only have an effect on how the search index is built. They
162     do not change the information about each place that is saved in the
163     database. In particular, they have no influence on how the results are
164     displayed. The returned results always show the original information as
165     stored in the OpenStreetMap database.
166
167 Each entry contains information of a sanitizer to be applied. It has a
168 mandatory parameter `step` which gives the name of the sanitizer. Depending
169 on the type, it may have additional parameters to configure its operation.
170
171 The order of the list matters. The sanitizers are applied exactly in the order
172 that is configured. Each sanitizer works on the results of the previous one.
173
174 The following is a list of sanitizers that are shipped with Nominatim.
175
176 ##### split-name-list
177
178 ::: nominatim.tokenizer.sanitizers.split_name_list
179     selection:
180         members: False
181     rendering:
182         heading_level: 6
183
184 ##### strip-brace-terms
185
186 ::: nominatim.tokenizer.sanitizers.strip_brace_terms
187     selection:
188         members: False
189     rendering:
190         heading_level: 6
191
192 ##### tag-analyzer-by-language
193
194 ::: nominatim.tokenizer.sanitizers.tag_analyzer_by_language
195     selection:
196         members: False
197     rendering:
198         heading_level: 6
199
200 ##### clean-housenumbers
201
202 ::: nominatim.tokenizer.sanitizers.clean_housenumbers
203     selection:
204         members: False
205     rendering:
206         heading_level: 6
207
208 ##### clean-postcodes
209
210 ::: nominatim.tokenizer.sanitizers.clean_postcodes
211     selection:
212         members: False
213     rendering:
214         heading_level: 6
215
216 ##### clean-tiger-tags
217
218 ::: nominatim.tokenizer.sanitizers.clean_tiger_tags
219     selection:
220         members: False
221     rendering:
222         heading_level: 6
223
224 #### delete-tags
225
226 ::: nominatim.tokenizer.sanitizers.delete_tags
227     selection:
228         members: False
229     rendering:
230         heading_level: 6
231
232 #### Token Analysis
233
234 Token analyzers take a full name and transform it into one or more normalized
235 form that are then saved in the search index. In its simplest form, the
236 analyzer only applies the transliteration rules. More complex analyzers
237 create additional spelling variants of a name. This is useful to handle
238 decomposition and abbreviation.
239
240 The ICU tokenizer may use different analyzers for different names. To select
241 the analyzer to be used, the name must be tagged with the `analyzer` attribute
242 by a sanitizer (see for example the
243 [tag-analyzer-by-language sanitizer](#tag-analyzer-by-language)).
244
245 The token-analysis section contains the list of configured analyzers. Each
246 analyzer must have an `id` parameter that uniquely identifies the analyzer.
247 The only exception is the default analyzer that is used when no special
248 analyzer was selected. There are analysers with special ids:
249
250  * '@housenumber'. If an analyzer with that name is present, it is used
251    for normalization of house numbers.
252  * '@potcode'. If an analyzer with that name is present, it is used
253    for normalization of postcodes.
254
255 Different analyzer implementations may exist. To select the implementation,
256 the `analyzer` parameter must be set. The different implementations are
257 described in the following.
258
259 ##### Generic token analyzer
260
261 The generic analyzer `generic` is able to create variants from a list of given
262 abbreviation and decomposition replacements and introduce spelling variations.
263
264 ###### Variants
265
266 The optional 'variants' section defines lists of replacements which create alternative
267 spellings of a name. To create the variants, a name is scanned from left to
268 right and the longest matching replacement is applied until the end of the
269 string is reached.
270
271 The variants section must contain a list of replacement groups. Each group
272 defines a set of properties that describes where the replacements are
273 applicable. In addition, the word section defines the list of replacements
274 to be made. The basic replacement description is of the form:
275
276 ```
277 <source>[,<source>[...]] => <target>[,<target>[...]]
278 ```
279
280 The left side contains one or more `source` terms to be replaced. The right side
281 lists one or more replacements. Each source is replaced with each replacement
282 term.
283
284 !!! tip
285     The source and target terms are internally normalized using the
286     normalization rules given in the configuration. This ensures that the
287     strings match as expected. In fact, it is better to use unnormalized
288     words in the configuration because then it is possible to change the
289     rules for normalization later without having to adapt the variant rules.
290
291 ###### Decomposition
292
293 In its standard form, only full words match against the source. There
294 is a special notation to match the prefix and suffix of a word:
295
296 ``` yaml
297 - ~strasse => str  # matches "strasse" as full word and in suffix position
298 - hinter~ => hntr  # matches "hinter" as full word and in prefix position
299 ```
300
301 There is no facility to match a string in the middle of the word. The suffix
302 and prefix notation automatically trigger the decomposition mode: two variants
303 are created for each replacement, one with the replacement attached to the word
304 and one separate. So in above example, the tokenization of "hauptstrasse" will
305 create the variants "hauptstr" and "haupt str". Similarly, the name "rote strasse"
306 triggers the variants "rote str" and "rotestr". By having decomposition work
307 both ways, it is sufficient to create the variants at index time. The variant
308 rules are not applied at query time.
309
310 To avoid automatic decomposition, use the '|' notation:
311
312 ``` yaml
313 - ~strasse |=> str
314 ```
315
316 simply changes "hauptstrasse" to "hauptstr" and "rote strasse" to "rote str".
317
318 ###### Initial and final terms
319
320 It is also possible to restrict replacements to the beginning and end of a
321 name:
322
323 ``` yaml
324 - ^south => s  # matches only at the beginning of the name
325 - road$ => rd  # matches only at the end of the name
326 ```
327
328 So the first example would trigger a replacement for "south 45th street" but
329 not for "the south beach restaurant".
330
331 ###### Replacements vs. variants
332
333 The replacement syntax `source => target` works as a pure replacement. It changes
334 the name instead of creating a variant. To create an additional version, you'd
335 have to write `source => source,target`. As this is a frequent case, there is
336 a shortcut notation for it:
337
338 ```
339 <source>[,<source>[...]] -> <target>[,<target>[...]]
340 ```
341
342 The simple arrow causes an additional variant to be added. Note that
343 decomposition has an effect here on the source as well. So a rule
344
345 ``` yaml
346 - "~strasse -> str"
347 ```
348
349 means that for a word like `hauptstrasse` four variants are created:
350 `hauptstrasse`, `haupt strasse`, `hauptstr` and `haupt str`.
351
352 ###### Mutations
353
354 The 'mutation' section in the configuration describes an additional set of
355 replacements to be applied after the variants have been computed.
356
357 Each mutation is described by two parameters: `pattern` and `replacements`.
358 The pattern must contain a single regular expression to search for in the
359 variant name. The regular expressions need to follow the syntax for
360 [Python regular expressions](file:///usr/share/doc/python3-doc/html/library/re.html#regular-expression-syntax).
361 Capturing groups are not permitted.
362 `replacements` must contain a list of strings that the pattern
363 should be replaced with. Each occurrence of the pattern is replaced with
364 all given replacements. Be mindful of combinatorial explosion of variants.
365
366 ###### Modes
367
368 The generic analyser supports a special mode `variant-only`. When configured
369 then it consumes the input token and emits only variants (if any exist). Enable
370 the mode by adding:
371
372 ```
373   mode: variant-only
374 ```
375
376 to the analyser configuration.
377
378 ##### Housenumber token analyzer
379
380 The analyzer `housenumbers` is purpose-made to analyze house numbers. It
381 creates variants with optional spaces between numbers and letters. Thus,
382 house numbers of the form '3 a', '3A', '3-A' etc. are all considered equivalent.
383
384 The analyzer cannot be customized.
385
386 ##### Postcode token analyzer
387
388 The analyzer `postcodes` is pupose-made to analyze postcodes. It supports
389 a 'lookup' varaint of the token, which produces variants with optional
390 spaces. Use together with the clean-postcodes sanitizer.
391
392 The analyzer cannot be customized.
393
394 ### Reconfiguration
395
396 Changing the configuration after the import is currently not possible, although
397 this feature may be added at a later time.