導入
Webアプリケーションで検索機能やレコメンドエンジンを開発する際、避けて通れないのが「日本語の形態素解析」です。日本語は英語と異なり単語の区切りにスペースがないため、検索精度を高めるには文章を単語単位に分解する「分かち書き」が不可欠です。しかし、サーバー環境の制限でMeCabのような外部ツールをインストールできないケースは少なくありません。今回は、PHPのみで完結し、環境を選ばず導入可能なライブラリ「igo-php」を活用した実装方法を解説します。
基礎知識
形態素解析とは、自然言語を文法的な最小単位（形態素）に分割し、それぞれの品詞や活用形を特定する技術です。PHPでこれを実現する主な手法は以下の3つです。
1. API利用: Yahoo! APIなど外部サービスを利用します。手軽ですが、リクエスト制限や利用規約の制約があります。
2. MeCabのインストール: 業界標準の高性能エンジンです。ただし、サーバーへのroot権限やモジュールインストールが必要です。
3. igo-phpの利用: Java製の形態素解析器をPHPに移植したものです。ライブラリをプロジェクト内に配置するだけで動作するため、レンタルサーバーやコンテナ環境など、制限の多い環境で非常に有効です。
実装/解決策
igo-phpを利用するには、辞書データの生成が必要です。以下の手順で準備を行います。
1. 辞書の準備: MeCab用のIPA辞書をダウンロードし、igo本体（.jarファイル）を使用して辞書ファイルをビルドします。
2. 辞書のビルドコマンド: コンソールで以下のコマンドを実行し、PHPで読み込める形式の辞書ディレクトリ（ipadic）を作成します。
java -Xmx1024m -cp igo-0.4.5.jar net.reduls.igo.bin.BuildDic ipadic (辞書パス) EUC-JP
3. ライブラリの配置: igo-phpの「lib」フォルダをプロジェクトに含めます。
サンプルプログラム
以下は、igo-phpを使用して文章を分かち書きする基本的なコードです。
wakati($text);
// 結果を表示
print_r($result);
/
- 出力結果例:
- Array (
- [0] => PHP
- [1] => で
- [2] => 自然
- [3] => 言語
- [4] => 処理
- [5] => を
- [6] => 実装
- [7] => し
- [8] => ます
- )
/
?>
応用・注意点
実務でigo-phpを運用する際のポイントをまとめます。
1. メモリ制限の回避:
形態素解析はメモリを大量に消費することがあります。処理中に「Allowed memory size exhausted」エラーが発生する場合は、プログラムの冒頭で ini_set(‘memory_limit’, ‘128M’); と記述し、メモリ上限を一時的に引き上げてください。
2. parse()メソッドの活用:
wakati() は単純な単語リストを返しますが、詳細な解析が必要な場合は parse() を使用してください。単語だけでなく「品詞」や「読み」まで含む多次元配列が取得できるため、特定の品詞（名詞のみ抽出など）を除外するような高度なロジックを組むことが可能です。
3. 辞書の更新:
辞書データはビルド時に作成されるため、固有名詞などを認識させたい場合は、辞書ファイルをカスタマイズして再ビルドする必要があります。実務では、頻出する社内用語や業界用語を辞書に追加することで、解析精度が大幅に向上します。