Elasticsearch-sudachi的罗马字读音假名过滤器

假名过滤器

在Elasticsearch的Sudachi插件中，有一个sudachi_readingform过滤器，用于获取读音形式的假名。

{
  "settings": {
    "index": {
      "analysis": {
        "filter": {
          "romaji_readingform": {
            "type": "sudachi_readingform",
            "use_romaji": true
          },
          "katakana_readingform": {
            "type": "sudachi_readingform",
            "use_romaji": false
          }
        },
        "tokenizer": {
          "sudachi_tokenizer": {
            "type": "sudachi_tokenizer"
          }
        },
        "analyzer": {
          "romaji_analyzer": {
            "tokenizer": "sudachi_tokenizer",
            "filter": [ "romaji_readingform" ]
          },
          "katakana_analyzer": {
            "tokenizer": "sudachi_tokenizer",
            "filter": [ "katakana_readingform" ]
          }
        }
      }
    }
  }
}

在这个设置下，您可以使用以下查询获得读音。

{
  "analyzer": "katakana_analyzer",
  "text": "寿司"
}

结果将会变成这样。

{
  "tokens" : [
    {
      "token" : "スシ",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "word",
      "position" : 0
    }
  ]
}

您还可以选择使用罗马拼音进行阅读。

{
  "analyzer": "romaji_analyzer",
  "text": "寿司"
}

{
  "tokens" : [
    {
      "token" : "susi",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "word",
      "position" : 0
    }
  ]
}

黑字与罗马字的格式差异

该罗马字拼音转换功能最初来自于kuromoji，并且是按照它的规则进行的。然而，kuromoji和Elasticsearch-sudachi在罗马字拼音的表示规则上有所不同。kuromoji采用了Hepburn式（的一种），而Elasticsearch-sudachi则采用了类似MS-IME风格的罗马字输入形式。

在罗马字拼写法中，常见的有Hepburn式、kunrei式和日本式，但是 Elasticsearch-sudachi 选择了与kuromoji不同的 MS-IME 风格的输入法规则作为其拼写规则。

当考虑到在 Elasticsearch 中使用读音的罗马字拼写的目的时，最有价值的应该就是增量搜索。在输入搜索关键词时，不会出现使用“Hepburn”或其他常见罗马字输入的情况。因此，我们采用了输入法的格式，尤其是最广泛使用的MS-IME系列的拼写规则。

总结

在Elasticsearch-sudachi中，您可以使用sudachi_readingfrom过滤器获取罗马字拼音。罗马字的格式是为了在增量搜索中使用，使用类似于MS-IME的输入法。

祝你过上美好的酸橙生活。