Elasticsearch で日本語の全文検索を行うための方法の一つは Kuromoji を利用することです。Kuromoji は Java で書かれているオープンソースの日本語形態素解析エンジンです。コマンド例をまとめます。

「黒文字」というものは茶道でよく見られますが、和菓子をお盆から懐紙へ移動したり、食べやすい大きさに切ったりするための道具です。

プラグインインストール (または削除)

Elasticsearch 1.7 に対応する Kuromoji は 2.7.0 です。対応バージョンは elasticsearch-analysis-kuromoji から確認できます。

インストール

sudo /usr/share/elasticsearch/bin/plugin install elasticsearch/elasticsearch-analysis-kuromoji/2.7.0
sudo /usr/share/elasticsearch/bin/plugin --list
sudo service elasticsearch restart

削除

sudo service elasticsearch stop
sudo /usr/share/elasticsearch/bin/plugin remove analysis-kuromoji
sudo /usr/share/elasticsearch/bin/plugin --list
sudo service elasticsearch start

手動インストール (GitHub レポジトリの消失が心配で zip をローカルダウンロードしておいた場合)

sudo mkdir /usr/share/elasticsearch/plugins/analysis-kuromoji
wget http://download.elasticsearch.org/elasticsearch/elasticsearch-analysis-kuromoji/elasticsearch-analysis-kuromoji-2.7.0.zip
unzip elasticsearch-analysis-kuromoji-2.7.0.zip
sudo mv elasticsearch-analysis-kuromoji-2.7.0.jar lucene-analyzers-kuromoji-4.10.4.jar /usr/share/elasticsearch/plugins/analysis-kuromoji/
sudo chown -R elasticsearch: /usr/share/elasticsearch/plugins/analysis-kuromoji
sudo /usr/share/elasticsearch/bin/plugin --list
sudo service elasticsearch restart

Analyzer の動作検証 (参考: Analyze API)

$ curl -XGET 'localhost:9200/_analyze?analyzer=kuromoji&pretty' -d '東京スカイツリー'
{
  "tokens" : [ {
    "token" : "東京",
    "start_offset" : 0,
    "end_offset" : 2,
    "type" : "word",
    "position" : 1
  }, {
    "token" : "スカイ",
    "start_offset" : 2,
    "end_offset" : 5,
    "type" : "word",
    "position" : 2
  }, {
    "token" : "ツリー",
    "start_offset" : 5,
    "end_offset" : 8,
    "type" : "word",
    "position" : 3
  } ]
}
$ curl -XGET 'localhost:9200/_analyze?analyzer=kuromoji&pretty' -d '飲み'
{
  "tokens" : [ {
    "token" : "飲む",
    "start_offset" : 0,
    "end_offset" : 2,
    "type" : "word",
    "position" : 1
  } ]
}
$ curl -XGET 'localhost:9200/_analyze?analyzer=kuromoji&pretty' -d '寿司がおいしいね'
{
  "tokens" : [ {
    "token" : "寿司",
    "start_offset" : 0,
    "end_offset" : 2,
    "type" : "word",
    "position" : 1
  }, {
    "token" : "おいしい",
    "start_offset" : 3,
    "end_offset" : 7,
    "type" : "word",
    "position" : 3
  } ]
}
$ curl -XGET 'localhost:9200/_analyze?analyzer=kuromoji&pretty' -d 'コピー'
{
  "tokens" : [ {
    "token" : "コピー",
    "start_offset" : 0,
    "end_offset" : 3,
    "type" : "word",
    "position" : 1
  } ]
}
$ curl -XGET 'localhost:9200/_analyze?analyzer=kuromoji&pretty' -d 'サーバー'
{
  "tokens" : [ {
    "token" : "サーバ",
    "start_offset" : 0,
    "end_offset" : 4,
    "type" : "word",
    "position" : 1
  } ]
}

Kuromoji を利用するインデックスを作成

Analyzer は 1 つの Tokenizer と 0 個以上の TokenFilter の組み合わせです。analysis-kuromoji を導入したことで「kuromoji_tokenizer と kuromoji_baseform, kuromoji_part_of_speech, cjk_width, stop, kuromoji_stemmer, lowercase」が組み合さった kuromoji という Analyzer が提供されています。新規にインデックスを作成して kuromoji を my_type タイプのドキュメントの my_field 処理時の Analyzer として利用するようにカスタムマッピングを設定します。

新規作成 (my_field のインデックス時と検索時には kuromoji Analyzer を利用)

$ curl -XPUT 'localhost:9200/my_index?pretty' -d '
{
  "mappings" : {
    "my_type" : {
      "properties" : {
        "my_field" : { "type": "string", "analyzer": "kuromoji" }
      }
    }
  }
}'

マッピングがなされていることを確認

$ curl -XGET 'localhost:9200/my_index?pretty'
{
  "my_index" : {
    "aliases" : { },
    "mappings" : {
      "my_type" : {
        "properties" : {
          "my_field" : {
            "type" : "string",
            "analyzer" : "kuromoji"  ← 設定された
          }
        }
      }
    },
    "settings" : {
      "index" : {
        "creation_date" : "1442870058455",
        "number_of_shards" : "5",
        "number_of_replicas" : "1",
        "version" : {
          "created" : "1070299"
        },
        "uuid" : "2XhIJowWQ62yigv5PvoLxQ"
      }
    },
    "warmers" : { }
  }
}

データを投入して検索

データ投入

$ curl -XPUT 'localhost:9200/my_index/my_type/1?pretty' -d '
{
  "my_field": "東京スカイツリー"
}'

検索

$ curl -XPOST 'localhost:9200/my_index/_search?pretty' -d '
> {
>   "query": { "match": { "my_field": "スカイ" } }
> }'
{
  "took" : 11,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "failed" : 0
  },
  "hits" : {
    "total" : 1,
    "max_score" : 0.15342641,
    "hits" : [ {
      "_index" : "my_index",
      "_type" : "my_type",
      "_id" : "1",
      "_score" : 0.15342641,
      "_source":
{
  "my_field": "東京スカイツリー"
}
    } ]
  }
}

参考: マッピングのない場合はデフォルトの Analyzer が利用されるためヒット率が低下

$ curl -XPUT 'localhost:9200/my_index/my_type/2?pretty' -d '
{
  "my_field_2": "東京スカイツリー"
}'
$ curl -XPOST 'localhost:9200/my_index/_search?pretty' -d '
> {
>   "query": { "match": { "my_field_2": "スカイ" } }
> }'
{
  "took" : 6,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "failed" : 0
  },
  "hits" : {
    "total" : 0,
    "max_score" : null,
    "hits" : [ ]
  }
}

以下のように分解されていたため「スカイ」がヒットしませんでした。

$ curl -XGET 'localhost:9200/_analyze?pretty' -d '東京スカイツリー'
{
  "tokens" : [ {
    "token" : "東",
    "start_offset" : 0,
    "end_offset" : 1,
    "type" : "<IDEOGRAPHIC>",
    "position" : 1
  }, {
    "token" : "京",
    "start_offset" : 1,
    "end_offset" : 2,
    "type" : "<IDEOGRAPHIC>",
    "position" : 2
  }, {
    "token" : "スカイツリー",
    "start_offset" : 2,
    "end_offset" : 8,
    "type" : "<KATAKANA>",
    "position" : 3
  } ]
}