]> git.openstreetmap.org Git - nominatim.git/blob - docs/customize/Tokenizers.md
Merge pull request #2707 from lonvia/make-icu-tokenizer-the-default
[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 unimbigiously 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 **normalisation** 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
209 #### Token Analysis
210
211 Token analyzers take a full name and transform it into one or more normalized
212 form that are then saved in the search index. In its simplest form, the
213 analyzer only applies the transliteration rules. More complex analyzers
214 create additional spelling variants of a name. This is useful to handle
215 decomposition and abbreviation.
216
217 The ICU tokenizer may use different analyzers for different names. To select
218 the analyzer to be used, the name must be tagged with the `analyzer` attribute
219 by a sanitizer (see for example the
220 [tag-analyzer-by-language sanitizer](#tag-analyzer-by-language)).
221
222 The token-analysis section contains the list of configured analyzers. Each
223 analyzer must have an `id` parameter that uniquely identifies the analyzer.
224 The only exception is the default analyzer that is used when no special
225 analyzer was selected. There is one special id '@housenumber'. If an analyzer
226 with that name is present, it is used for normalization of house numbers.
227
228 Different analyzer implementations may exist. To select the implementation,
229 the `analyzer` parameter must be set. The different implementations are
230 described in the following.
231
232 ##### Generic token analyzer
233
234 The generic analyzer `generic` is able to create variants from a list of given
235 abbreviation and decomposition replacements and introduce spelling variations.
236
237 ###### Variants
238
239 The optional 'variants' section defines lists of replacements which create alternative
240 spellings of a name. To create the variants, a name is scanned from left to
241 right and the longest matching replacement is applied until the end of the
242 string is reached.
243
244 The variants section must contain a list of replacement groups. Each group
245 defines a set of properties that describes where the replacements are
246 applicable. In addition, the word section defines the list of replacements
247 to be made. The basic replacement description is of the form:
248
249 ```
250 <source>[,<source>[...]] => <target>[,<target>[...]]
251 ```
252
253 The left side contains one or more `source` terms to be replaced. The right side
254 lists one or more replacements. Each source is replaced with each replacement
255 term.
256
257 !!! tip
258     The source and target terms are internally normalized using the
259     normalization rules given in the configuration. This ensures that the
260     strings match as expected. In fact, it is better to use unnormalized
261     words in the configuration because then it is possible to change the
262     rules for normalization later without having to adapt the variant rules.
263
264 ###### Decomposition
265
266 In its standard form, only full words match against the source. There
267 is a special notation to match the prefix and suffix of a word:
268
269 ``` yaml
270 - ~strasse => str  # matches "strasse" as full word and in suffix position
271 - hinter~ => hntr  # matches "hinter" as full word and in prefix position
272 ```
273
274 There is no facility to match a string in the middle of the word. The suffix
275 and prefix notation automatically trigger the decomposition mode: two variants
276 are created for each replacement, one with the replacement attached to the word
277 and one separate. So in above example, the tokenization of "hauptstrasse" will
278 create the variants "hauptstr" and "haupt str". Similarly, the name "rote strasse"
279 triggers the variants "rote str" and "rotestr". By having decomposition work
280 both ways, it is sufficient to create the variants at index time. The variant
281 rules are not applied at query time.
282
283 To avoid automatic decomposition, use the '|' notation:
284
285 ``` yaml
286 - ~strasse |=> str
287 ```
288
289 simply changes "hauptstrasse" to "hauptstr" and "rote strasse" to "rote str".
290
291 ###### Initial and final terms
292
293 It is also possible to restrict replacements to the beginning and end of a
294 name:
295
296 ``` yaml
297 - ^south => s  # matches only at the beginning of the name
298 - road$ => rd  # matches only at the end of the name
299 ```
300
301 So the first example would trigger a replacement for "south 45th street" but
302 not for "the south beach restaurant".
303
304 ###### Replacements vs. variants
305
306 The replacement syntax `source => target` works as a pure replacement. It changes
307 the name instead of creating a variant. To create an additional version, you'd
308 have to write `source => source,target`. As this is a frequent case, there is
309 a shortcut notation for it:
310
311 ```
312 <source>[,<source>[...]] -> <target>[,<target>[...]]
313 ```
314
315 The simple arrow causes an additional variant to be added. Note that
316 decomposition has an effect here on the source as well. So a rule
317
318 ``` yaml
319 - "~strasse -> str"
320 ```
321
322 means that for a word like `hauptstrasse` four variants are created:
323 `hauptstrasse`, `haupt strasse`, `hauptstr` and `haupt str`.
324
325 ###### Mutations
326
327 The 'mutation' section in the configuration describes an additional set of
328 replacements to be applied after the variants have been computed.
329
330 Each mutation is described by two parameters: `pattern` and `replacements`.
331 The pattern must contain a single regular expression to search for in the
332 variant name. The regular expressions need to follow the syntax for
333 [Python regular expressions](file:///usr/share/doc/python3-doc/html/library/re.html#regular-expression-syntax).
334 Capturing groups are not permitted.
335 `replacements` must contain a list of strings that the pattern
336 should be replaced with. Each occurrence of the pattern is replaced with
337 all given replacements. Be mindful of combinatorial explosion of variants.
338
339 ###### Modes
340
341 The generic analyser supports a special mode `variant-only`. When configured
342 then it consumes the input token and emits only variants (if any exist). Enable
343 the mode by adding:
344
345 ```
346   mode: variant-only
347 ```
348
349 to the analyser configuration.
350
351 ##### Housenumber token analyzer
352
353 The analyzer `housenumbers` is purpose-made to analyze house numbers. It
354 creates variants with optional spaces between numbers and letters. Thus,
355 house numbers of the form '3 a', '3A', '3-A' etc. are all considered equivalent.
356
357 The analyzer cannot be customized.
358
359 ### Reconfiguration
360
361 Changing the configuration after the import is currently not possible, although
362 this feature may be added at a later time.