Elasticsearchで全角スペースやらを半角スペースに変換するchar_filterを定義する

まとめ

char_filter に対して mapping を定義する際に、半角スペースを記述する場合は universal character name(\u0020)で記述しないとうまく認識されない。
\uXXXX 表記が使えるということを頭の片隅においておくと、役に立つことがある…かもしれない。

設定例

{
  "analysis": {
    "analyzer": {
      "for_exact_match": {
        "type": "custom",
        "char_filter": [
          "convert_space_filter"
        ],
        "filter": [
          "trim",
          "lowercase"
        ],
        "tokenizer": "keyword"
      }
    },
    "char_filter": {
      "convert_space_filter": {
        "type": "mapping",
        "mappings": [
          "　=>\\u0020"
        ]
      }
    }
  }
}

以下はおまけ。

ことのはじまり

文字列fieldに対して、スペースを含めて完全一致するかどうかのクエリを投げたいけど、全角スペースと半角スペースは同一に扱いたい、みたいな場面に遭遇した。

例えば

"name" という文字列 field に対して、"山田 太郎" というデータが入っているとする。(完全一致させるための field 定義についてはここでははしょります)
この時に、投げるクエリが "山田 太郎" でも "山田　太郎" でも完全一致しているとみなしたい。

また、全角スペースで区切られている"山田　花子"のようなデータについても、投げるクエリが "山田 花子" でも "山田　花子" でも完全一致しているとみなしたい。

ダメな設定例

最初は以下のように char_filter を設定していた。

全角スペース->半角スペースのつもり…

{
  "char_filter": {
    "convert_space_filter": {
      "type": "mapping",
      "mappings": [
        "　=> "
      ]
    }
  }
}

が、これだと意図通りには動かなかった(全角スペースは空文字に変換されて扱われてしまった)。
手元で軽く確認してみたところ mapping の文字列表現("{before}=>{after}")においては、{before}, {after}の前後の半角スペースは trim されてしまう様子。

なので、何かしらの文字を半角スペースに置換して扱いたい、みたいな場合には、半角スペースは \u0020 と表記する必要がありますよー、というだけの話。