Tokenizer API

このページでは、lindera-wasm が公開する JavaScript/TypeScript API について説明します。

TokenizerBuilder

設定済みの Tokenizer インスタンスを作成するためのビルダークラスです。

コンストラクタ

const builder = new TokenizerBuilder();

デフォルト設定で新しいビルダーを作成します。

メソッド

setMode(mode)

トークナイズモードを設定します。

• パラメータ: mode (string) -- "normal" または "decompose"
• 戻り値: void

builder.setMode("normal");

setDictionary(uri)

トークナイズに使用する辞書を設定します。

• パラメータ: uri (string) -- 辞書の URI（例: "embedded://ipadic"）
• 戻り値: void

builder.setDictionary("embedded://ipadic");

setUserDictionary(uri)

ユーザー定義辞書を設定します。

• パラメータ: uri (string) -- ユーザー辞書のパスまたは URI
• 戻り値: void

builder.setUserDictionary("file:///path/to/user_dict.csv");

setKeepWhitespace(keep)

出力に空白トークンを保持するかどうかを設定します。

• パラメータ: keep (boolean) -- true で空白トークンを保持
• 戻り値: void

builder.setKeepWhitespace(true);

appendCharacterFilter(name, args)

前処理パイプラインに文字フィルタを追加します。

• パラメータ:
  • name (string) -- フィルタ名（例: "unicode_normalize"、"japanese_iteration_mark"）
  • args (object, 省略可) -- フィルタの設定
• 戻り値: void

builder.appendCharacterFilter("unicode_normalize", { kind: "nfkc" });

appendTokenFilter(name, args)

後処理パイプラインにトークンフィルタを追加します。

• パラメータ:
  • name (string) -- フィルタ名（例: "japanese_stop_tags"、"lowercase"）
  • args (object, 省略可) -- フィルタの設定
• 戻り値: void

builder.appendTokenFilter("japanese_stop_tags", {
    tags: ["助詞", "助動詞", "記号"]
});

build()

設定済みの Tokenizer インスタンスをビルドして返します。ビルダーは消費されます。

• 戻り値: Tokenizer

const tokenizer = builder.build();

Tokenizer

メインのトークナイザークラスです。TokenizerBuilder.build() またはコンストラクタ経由で作成できます。

Tokenizer コンストラクタ

const tokenizer = new Tokenizer(dictionary, mode, userDictionary);

• パラメータ:
  • dictionary (Dictionary) -- 読み込み済みの辞書オブジェクト
  • mode (string, 省略可) -- トークナイズモード（"normal" または "decompose"、デフォルト: "normal"）
  • userDictionary (UserDictionary, 省略可) -- 読み込み済みのユーザー辞書

Tokenizer メソッド

tokenize(text)

入力テキストをトークナイズします。

• パラメータ: text (string) -- トークナイズするテキスト
• 戻り値: Token[] -- トークンオブジェクトの配列

const tokens = tokenizer.tokenize("関西国際空港");

tokenizeNbest(text, n, unique?, costThreshold?)

トータルパスコスト順に N-best トークナイズ結果を返します。

• パラメータ:
  • text (string) -- トークナイズするテキスト
  • n (number) -- 返す結果の数
  • unique (boolean, 省略可) -- 同一のセグメンテーション結果を重複排除（デフォルト: false）
  • costThreshold (number, 省略可) -- bestCost + threshold 以内のパスのみ返す
• 戻り値: { tokens: object[], cost: number } の配列

const results = tokenizer.tokenizeNbest("すもももももももものうち", 3);

Token

トークナイザーが生成する単一のトークンを表します。

プロパティ

Token メソッド

getDetail(index)

指定されたインデックスの詳細文字列を返します。

• パラメータ: index (number) -- details 配列へのゼロベースインデックス
• 戻り値: string | undefined

const pos = token.getDetail(0);   // 例: "名詞"
const reading = token.getDetail(7); // 例: "トウキョウ"

toJSON()

トークンのプレーンな JavaScript オブジェクト表現を返します。

• 戻り値: surface、byteStart、byteEnd、position、wordId、isUnknown、details をキーに持つ object

console.log(JSON.stringify(token.toJSON(), null, 2));

ヘルパー関数

loadDictionary(uri)

指定された URI から辞書を読み込みます。

• パラメータ: uri (string) -- 辞書の URI（例: "embedded://ipadic"）
• 戻り値: Dictionary

import { loadDictionary } from 'lindera-wasm-ipadic-web';

const dict = loadDictionary("embedded://ipadic");

loadUserDictionary(uri, metadata)

指定された URI からユーザー辞書を読み込みます。

• パラメータ:
  • uri (string) -- ユーザー辞書ファイルのパスまたは URI
  • metadata (Metadata) -- 辞書のメタデータオブジェクト
• 戻り値: UserDictionary

buildDictionary(inputDir, outputDir, metadata)

ソースファイルからコンパイル済み辞書をビルドします。

• パラメータ:
  • inputDir (string) -- 辞書ソースファイルを含むディレクトリのパス
  • outputDir (string) -- 出力ディレクトリのパス
  • metadata (Metadata) -- 辞書のメタデータオブジェクト
• 戻り値: void

buildUserDictionary(inputFile, outputDir, metadata?)

CSV ファイルからコンパイル済みユーザー辞書をビルドします。

• パラメータ:
  • inputFile (string) -- ユーザー辞書 CSV ファイルのパス
  • outputDir (string) -- 出力ディレクトリのパス
  • metadata (Metadata, 省略可) -- 辞書のメタデータオブジェクト
• 戻り値: void

version() / getVersion()

lindera-wasm パッケージのバージョン文字列を返します。

• 戻り値: string

import { version } from 'lindera-wasm-ipadic-web';

console.log(version()); // 例: "2.1.1"

snake_case エイリアス

Python API との一貫性のため、すべてのメソッドは snake_case 形式でも利用可能です：