MappingCharFilterFactory の使い方

MappingCharFilterFactory とは

MappingCharFilterFactory　は Tokenizer が処理を行う前段階で、文字に対する処理を行うコンポーネントのひとつ。

文字（文字列）を別の文字（文字列）に変換することができる。

主な利用目的は検索対象文字列の揺れの吸収。

変換パターンは以下の例が考えられる。

#半角→全角
ｱ=>ア
A=>Ａ
#全角→半角
イ=>ｲ
Ｕ=>U
#半角カナ二文字→全角カナ一文字
ﾊﾞ=>バ
#全角カナ一文字→半角カナ一二文字
ビ=>ﾋﾞ
#記号→全角カナ
㍗=>ワット
㌔=>キロ

上記の変換ルールをファイルに定義して利用する。

MappingCharFilterFactoryの設定方法

設定項目

設定できる項目は、文字列変換ルールを記述したファイル（マッピングファイル）のみ

schema.xmlの設定例

<fieldType name= (略
  <analyzer>
    <charFilter class="solr.MappingCharFilterFactory" mapping="mapping.txt" />
    <tokenizer class="(略
  </analyzer>
</fieldType>

マッピングファイルの注意点

1. 文字コードはUTF-8
2. カンマが含まれるファイル名を指定する場合は \ でエスケープする
3. 変換前の文字列が重複しているとエラーになる

マッピングファイルの書き方

1. 変換前の文字列と返還後の文字列をそれぞれダブルクォートでくくり、間に=>を記述する

2. 各行は次のパターンにマッチしていればよい

   "(.*)"\s*=>\s*"(.*)"\s*$
   

3. # から始まる行はコメント行

4. ファイルの文字コードはUTF-8で、変更はできない

5. BOMはあってもなくてもよい

6. エスケープ文字は以下のものが利用できる

   "タブ"=>"\t"
   "\r\n"=>"\n"
   "バックスペース"=>"\b"
   "円"=>"\\"
   "ユニコードあ"=>"\u3042"