elastic4sでカタカナ、ローマ字を使う

インデックス作成するときにカタカナとかローマ字に変換してしまえばユーザがカタカナとか入力した時でもヒットさせることができます。

使うのはkuromoji_readingformです

use_romajiでカタカナとローマ字を切り替えることができます。

elastic4sのDSLで使えるようにするためにKuromojiReadingformを作成します。

import org.elasticsearch.common.xcontent.XContentBuilder
import com.sksamuel.elastic4s.analyzers.TokenFilter

import com.sksamuel.elastic4s.analyzers.TokenFilterDefinition

case class KuromojiReadingform(name: String, userRomaji: Boolean) extends TokenFilterDefinition {
  val filterType = "kuromoji_readingform"

  override def build(source: XContentBuilder): Unit = {
    source.field("use_romaji", userRomaji)
  }
}

object KuromojiReadingform {
  def apply(name: String, userRomaji: Boolean) = new KuromojiReadingform(name, userRomaji)
}

あとはマッピングを定義して

createIndex("bands").mappings(
  mapping("artist") as (
    textField("name"),
    textField("description") analyzer "my_analyzer"
  )
)
  .analysis(
    CustomAnalyzerDefinition(
      "my_analyzer",
      KuromojiTokenizer,
      KuromojiReadingform("kuromoji_kana_filter", userRomaji)
    )
  )

analyze投げるとカタカナかローマ字に変換されているのがわかります。

val response: AnalyzeResponse = client.java.admin().indices().analyze(new AnalyzeRequest("bands").analyzer("my_analyzer").text("働きたくない")).actionGet()
response.forEach { token =>
  {
    println(s"""
  |token: ${token.getTerm()}
  |start_offset: ${token.getStartOffset()}
  |end_offset: ${token.getEndOffset()}
  |type: ${token.getType}
  |position: ${token.getPosition}
  """.stripMargin)
  }
}

出力結果
useRomajiがtrueの場合

token: hataraki
start_offset: 0
end_offset: 2
type: word
position: 0


token: taku
start_offset: 2
end_offset: 4
type: word
position: 1


token: nai
start_offset: 4
end_offset: 6
type: word
position: 2

userRomajiがfalseの場合

token: ハタラキ
start_offset: 0
end_offset: 2
type: word
position: 0


token: タク
start_offset: 2
end_offset: 4
type: word
position: 1


token: ナイ
start_offset: 4
end_offset: 6
type: word
position: 2

完全なコードはこちら