---
title: "検索・RAG のためのアラビア語テキスト正規化 | BroadRouter"
description: "タシュキール、アリフの異体、ター・マルブータ、ハムザの台、ペルシア文字、数字、Unicode。検索に効くアラビア語の正規化ルールと害になるルールを、テスト済みの Python コードとともに解説します。"
url: https://broadrouter.com/ja/blog/arabic-text-normalization-search/
lang: ja
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。 [英語の原文を読む](https://broadrouter.com/blog/arabic-text-normalization-search/) (2026-11-16 更新).

# 検索と RAG のためのアラビア語テキスト正規化：変えるもの、変えないもの

BroadNet Inference チーム · 約 7 分で読めます · 公開日 2026-11-15 · 更新日 2026-11-16

検索や RAG のインデックスでは、保存するコピーとすべてのクエリを同じ方法で正規化します。Unicode NFKC、タシュキールとタトウィールの除去、アリフの統一、ى を ي、ة を ه に変換、数字の変換です。原文は表示用と LLM 用に残します。ハムザの台とター・マルブータは調整可能にします。再現率は上がりますが、別の単語もまとまります。

## 要点

-   正規化するのは検索キーであり、表示や引用するテキストではありません。原文を隣に保存します。
-   TREC-2001 のアラビア語ニュース記事を使った古典的な研究では、正規化だけで平均適合率が .194 から .238 に上がり、さらに軽量ステミングを加えると .376 に達しました。
-   最初に Unicode NFKC を実行します。分解されたハムザを合成し、表示形や合字を展開して、後続のルールを確実に効かせます。
-   ライブラリによって挙動が違います。PyArabic の normalize\_alef は ى を ا に、CAMeL Tools は ى を ي に変換します。ルールを 1 つに決め、どこでも同じものを使います。
-   埋め込み検索では、正規化した入力と生の入力を自社のクエリでテストします。正規化ルールの効果が測定されたのはキーワード検索です。

**このページの内容**

1.  正規化は本当に検索に役立ちますか？
2.  何を正規化し、各ルールの代償は何ですか？
3.  なぜ Unicode 正規化を最初に行うのですか？
4.  正規化すべきでないものは？
5.  CAMeL Tools、PyArabic、Lucene はどう違いますか？
6.  テスト済みのノーマライザーはどんなものですか？
7.  正規化は埋め込みや RAG とどう組み合わせますか？
8.  BroadNet Inference の位置づけ

アラビア語では、同じ単語をいくつもの書き方で書けます。ユーザーは احمد と入力し、文書には أَحْمَد と書かれています。文字をそのまま比較する検索インデックスはこの一致を見逃し、RAG パイプラインのキーワード検索部分も同様です。正規化は、比較の前に異体を 1 つの形にまとめることでこれを解決します。しかし雑に行うと、意味の異なる単語までまとめてしまいます。この記事では、ルールを 1 つずつ取り上げ、何をするか、いつ適用するか、何を壊すか、主要なライブラリでどう違うかを説明し、最後にテスト済みの Python コードを示します。

アラビア語 RAG パイプライン全体（チャンク分割、ハイブリッド検索、引用付きの回答）については、[実用的なアラビア語 RAG](https://broadrouter.com/ja/blog/arabic-rag-search/)を参照してください。この記事は、そのうち正規化の手順を深掘りします。

## 正規化は本当に検索に役立ちますか？

キーワード検索については役立ちます。証拠は古いものの明確です。Larkey、Ballesteros、Connell（SIGIR 2002）は、TREC-2001 のニュース記事コレクションでアラビア語の検索をテストしました。ステミングの前に、コーパスとクエリを正規化しています。母音記号と句読点の除去、アリフの統一、語末の ى と ة の変換です。拡張なしのクエリによる単一言語での結果は次のとおりです。

| 処理 | 平均適合率 | 生テキストからの変化（丸めた数値から算出） |
| --- | --- | --- |
| 生テキスト | .194 | — |
| 正規化 | .238 | +22.7% |
| 正規化＋軽量ステミング（light8） | .376 | +93.8% |

注意点が 2 つあります。これは 2002 年のニュースを対象としたキーワード検索であり、埋め込み検索ではありません。また、最大の効果は軽量ステミング（و や ال などの接頭辞と一般的な接尾辞の除去）によるもので、これは正規化とは別の手順です。Lucene の `ArabicAnalyzer` と Elasticsearch の `arabic` アナライザーは、ノーマライザーと軽量ステマーの両方を適用します。

## 何を正規化し、各ルールの代償は何ですか？

| ルール | 例 | 検索インデックス | リスク |
| --- | --- | --- | --- |
| Unicode NFKC | ﻻ → لا、ا + ٔ → أ | 適用する。常に最初 | 他の文字体系の互換文字も書き換える |
| 不可視の記号を除去 | ゼロ幅接合子、RLM/LRM、BOM | 適用する | アラビア語にはなし。ZWNJ はペルシア語では意味を持つ |
| タシュキールを除去 | أَحْمَدُ → أحمد | 適用する | 母音だけで区別される単語がまとまる |
| タトウィール（ـ）を除去 | الـــمدينة → المدينة | 適用する | なし |
| アリフを統一 | أ إ آ ٱ → ا | 適用する | 少数の組がまとまる：سأل（尋ねた）と سال（流れた） |
| アリフ・マクスーラ | ى → ي | 通常は適用 | على（〜の上に）と علي（アリー）がまとまる |
| ター・マルブータ | ة → ه | 通常は適用 | كتابة（書くこと）と كتابه（彼の本）がまとまる |
| ハムザの台 | ؤ ئ → ء | 任意 | مسؤول と مسئول がまとまる（良い）が、別の単語もまとまる |
| ペルシア文字 | ی → ي、ک → ك | ユーザーがペルシア語キーボードを使うなら適用 | アラビア語テキストにはなし |
| 数字 | ٢٠٢٦ と ۲۰۲۶ → 2026 | 適用する | なし。表示用には原文を残す |

「検索インデックス」の列は、インデックスキーとクエリに対するものです。保存、表示し、モデルに渡すテキストは書かれたままにします。

## なぜ Unicode 正規化を最初に行うのですか？

見た目が同じ文字でも、保存の仕方が異なることがあります。أ は 1 つのコードポイント（U+0623）の場合もあれば、ハムザなしのアリフに結合ハムザが続く形（U+0627 U+0654）の場合もあります。古い PDF や一部のキーボードは、アラビア文字の表示形（U+FB50〜U+FEFF）を生成します。たとえば 1 文字のラーム・アリフ ﻻ です。[Unicode 正規化](https://unicode.org/reports/tr15/)では、NFC がハムザをアリフに合成し、NFKC はさらに表示形や合字を展開します。Python では `unicodedata.normalize("NFKC", "ﻻ")` は لا を返し、`ﷲ` は الله になります。

これを何よりも先に実行してください。そうしないと、أ を置換する正規表現が分解形を見逃します。もう 1 つ落とし穴があります。CAMeL Tools の `dediac_ar` は、`AR_DIAC_CHARSET`（U+064B〜U+0652 と U+0670）の文字を除去します。このセットには結合ハムザやマッダの記号（U+0653〜U+0655）が含まれないため、分解形のテキストでは母音記号の除去後もそれらが残ります。NFKC なら先にそれらを合成します。

NFKC は互換マッピングなので、アラビア文字以外の文字、たとえば全角のラテン文字も変えます。検索キーでは通常それが望ましい結果であり、原文を隣に残す理由がもう 1 つ増えます。

## 正規化すべきでないものは？

-   \*\*表示、引用、引き写すテキスト。\*\*正規化したアラビア語はスペルミスのように見えます（المدينه）。原文をキーの隣に保存してください。
-   \*\*LLM に送るもの。\*\*モデルはハムザやタシュキールを問題なく読み、正確なテキストなら名前や引用も正しく保てます。タシュキールを除くとトークンは多少減ります。精度と引き換えにする前に、[アラビア語トークンカウンター](https://broadrouter.com/tools/arabic-token-counter/)でどれだけ減るか確認してください。
-   \*\*記号が意味を担うテキスト：\*\*コーラン、ハディース、詩、子ども向けの本、発音や母音付与のタスク（[LLM で母音記号を付ける](https://broadrouter.com/ja/blog/arabic-diacritization-llm/)を参照）。
-   \*\*スペルや文法の校正：\*\*先に正規化すると、直したいハムザやター・マルブータの誤りが消えてしまいます。[LLM でアラビア語の文法・スペルを校正する方法](https://broadrouter.com/ja/blog/arabic-grammar-spelling-correction-llm/)を参照してください。
-   \*\*識別子。\*\*製品コード、メールアドレス、URL、ラテン文字のテキストにアラビア語のルールを通してはいけません。正規化はアラビア文字のフィールド、またはアラビア文字のトークンだけに適用します。
-   \*\*完全一致で検索されるフィールド。\*\*法的な名称や ID のようなフィールドでは、生のコピーもインデックスしておけば、完全一致を最上位に表示できます。

## CAMeL Tools、PyArabic、Lucene はどう違いますか？

これらは同じルールを実装していないので、混ぜて使うとインデックスとクエリが永遠に一致しなくなります。各ライブラリのドキュメントとソースを読み、PyArabic 0.6.15 を実行しました。

| 関数 | 実際の動作 |
| --- | --- |
| CAMeL `normalize_unicode` | NFKC（`compatibility=False` なら NFC）。﷼ を ريال に、﷽ を完全な句に展開する |
| CAMeL `normalize_alef_ar` | إ أ ٱ آ → ا |
| CAMeL `normalize_alef_maksura_ar` | ى → ي |
| CAMeL `normalize_teh_marbuta_ar` | ة → ه |
| CAMeL `dediac_ar` | U+064B〜U+0652 と U+0670 を除去。タトウィールは残す |
| PyArabic `strip_tashkeel` | シャッダを含むすべてのハラカートを除去 |
| PyArabic `strip_tatweel` | ـ を除去 |
| PyArabic `normalize_alef` | すべてのアリフの形**と ى** → ا。إلى は الا になる |
| PyArabic `normalize_hamza` | 既定の方法では أ を含むすべてのハムザの形を ء にする。أحمد は ءحمد になる |
| Lucene `ArabicNormalizer` | アリフ上のハムザの形 → ا、ة → ه、ى → ي、ハラカートとタトウィールを除去 |

PyArabic の行には驚く人が多いはずです。`normalize_alef` の docstring にはアリフ・マクスーラは例外とありますが、0.6.15 では `ALEFAT` セットに ى が含まれ、関数はそれを ا に変換します。`normalize_hamza` はハムザを区別しない照合のためのもので、一般的な検索向けではありません。順序も重要です。先にアリフを正規化すると、`normalize_hamza` は ؤ、ئ、ء だけを処理するので、مسؤول と مسئول はどちらも مسءول になります。`tasheel` メソッドでは代わりに مسوول と مسيول になり、互いに一致しません。

Elasticsearch の `arabic_normalization` フィルターは Lucene のノーマライザーを使うので、Elasticsearch のインデックスと一致させたい Python パイプラインは、Lucene のルールを正確に写すべきです。つまり ى → ا ではなく ى → ي です。

## テスト済みのノーマライザーはどんなものですか？

この関数は Lucene の選択に従い、Unicode、数字、ペルシア文字の処理を加え、リスクのあるルールを切り替え可能にしています。標準ライブラリだけを使います。

```python
import re
import unicodedata

DIACRITICS = re.compile("[ً-ٰٟ]")  # tashkeel, extra marks, superscript alef
INVISIBLE = re.compile("[​-‏‪-‮⁦-⁩﻿]")  # zero-width, bidi
ALEF = re.compile("[آأإٱ]")    # آ أ إ ٱ -> ا
DIGITS = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "0123456789" * 2)
FARSI = str.maketrans({"ی": "ي", "ک": "ك"})  # ی -> ي, ک -> ك

def normalize(text, *, alef=True, alef_maksura=True, ta_marbuta=True,
              hamza_seats=False, digits=True):
    text = unicodedata.normalize("NFKC", text)     # compose marks, unpack ligatures
    text = INVISIBLE.sub("", text)
    text = DIACRITICS.sub("", text).replace("ـ", "")   # tashkeel, tatweel
    text = text.translate(FARSI)
    if alef:
        text = ALEF.sub("ا", text)
    if alef_maksura:
        text = text.replace("ى", "ي")    # ى -> ي
    if ta_marbuta:
        text = text.replace("ة", "ه")    # ة -> ه
    if hamza_seats:
        text = re.sub("[ؤئ]", "ء", text)  # ؤ ئ -> ء
    if digits:
        text = text.translate(DIGITS)
    return text
```

テスト文字列に対する結果は次のとおりです。

| 入力 | 出力 | 補足 |
| --- | --- | --- |
| أَحْمَدُ | احمد | タシュキールとハムザが消える |
| الـــمدينة | المدينه | タトウィールとター・マルブータ |
| إلى | الي | アリフとアリフ・マクスーラ |
| ا + U+0654 + مل | امل | 分解されたハムザが合成され、統一される |
| ﻻبد | لابد | 表示形が展開される |
| ٢٠٢٦ / ۱۴۰۵ | 2026 / 1405 | アラビア・インド数字とペルシア数字 |
| مسؤول / مسئول | `hamza_seats=True` ではどちらも مسءول | 既定では変化なし |
| فارسی | فارسي | ペルシア語のヤー |

使う場所は 2 つです。インデックスキーを作るときと、クエリを読み込むときです。`original` と `normalize(original)` を並べて保存し、後者で検索して前者を返します。無料の[アラビア語テキスト正規化ツール](https://broadrouter.com/tools/arabic-text-normalizer/)にテキストを貼り付ければ、設定を決める前に各ルールの効果を確認できます。

## 正規化は埋め込みや RAG とどう組み合わせますか？

RAG パイプラインには通常 2 つの検索器があります。キーワード検索（BM25）と[埋め込み](https://broadrouter.com/ja/glossary/embeddings/)です。正規化がキーワード側に役立つのは明らかです。埋め込み側には上記の証拠は当てはまりません。埋め込みモデルは生のテキストで学習しており、多くはすでに احمد と أحمد を近くに配置しています。埋め込み前の正規化は、役立つことも、何も変えないことも、害になることもあります。答えのわかっている実際のクエリを 50〜100 個用意し、生の入力と正規化した入力で実行して、再現率の高いほうを採用してください。どちらを選ぶにせよ、文書とクエリには同じように適用します。

正規化するとトークン数もわずかに減ります。母音記号やタトウィールは[トークナイザー](https://broadrouter.com/ja/glossary/tokenizer/)にとって余分な文字だからです。実測の比率は[トークナイザー効率データセット](https://broadrouter.com/data/tokenizer-efficiency/)と[アラビア語の 1 語あたりのトークン数](https://broadrouter.com/ja/blog/tokens-per-word-arabic-english/)にあります。音声認識を公平に評価する際にも同じ正規化を使います。[アラビア語の WER 解説](https://broadrouter.com/ja/blog/arabic-asr-wer-explained/)を参照してください。

アラビズィ（ラテン文字で書かれたアラビア語）には、まったく別のアプローチが必要です。[LLM はアラビズィをどう扱うか](https://broadrouter.com/ja/blog/arabizi-llm-handling/)を参照してください。

## BroadNet Inference の位置づけ

正規化は自分のコードで実行するので、API は不要です。BroadNet Inference の出番は検索の後です。埋め込みは販売していないので、好みの検索器と埋め込みプロバイダーに、回答ステップ用の BroadNet のチャットモデルを組み合わせてください。[GLM 5.3](https://broadrouter.com/ja/models/glm-5.3/) と DeepSeek V4.1 Flash は 1,048,576 トークンのコンテキストを扱えるので、検索した多くの文章を、正規化していない元のアラビア語のまま渡せます。アラビア語の品質でモデルを選ぶには、[アラビア語向け LLM の選び方](https://broadrouter.com/ja/blog/choosing-an-llm-for-arabic/)を参照してください。キーワード検索だけが必要なら、Elasticsearch の組み込みの `arabic` アナライザーで十分かもしれません。

関連する無料ツール （英語）

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[無料ツール （英語）](https://broadrouter.com/tools/)

## この記事の用語

[エンベディング（埋め込み、embeddings）](https://broadrouter.com/ja/glossary/embeddings/)

エンベディング（埋め込み）とは、テキストや画像などの入力を表すためにモデルが出力する浮動小数点数のリスト（ベクトル）です。意味の近い入力ほどベクトルも近いので、その距離で検索結果の順位付け、文書の分類、関連項目の発見ができます。

[ハムザ（hamza）](https://broadrouter.com/ja/glossary/hamza/)

ハムザ（ء）とは、アラビア語で声門閉鎖音を表す文字です。単独か、alef（أ إ）、waw（ؤ）、yeh（ئ）を台にして書き、آ は alef と madda の組み合わせです。表記が揺れるため、検索や音声の採点では alef 系の字形を ا にまとめることがよくあります。

[トークン（token）](https://broadrouter.com/ja/glossary/token/)

トークンとは、言語モデルが読み書きするテキストの単位です。モデルのトークナイザーが作る単語、単語の一部、句読点、バイト列のいずれかにあたります。LLM API は利用量をトークンで数え、上限を設け、通常はトークン単位で課金します。

[Unicode 正規化（Unicode normalization）](https://broadrouter.com/ja/glossary/unicode-normalization/)

Unicode 正規化とは、見た目が同じ文字列が同じコードポイントを使うように、テキストを標準形に変換することです。NFD、NFC、NFKD、NFKC の 4 形式があり、K の付く形式はアラビア文字の表示形や合字などの互換文字も通常の文字にまとめます。

[BM25](https://broadrouter.com/ja/glossary/bm25/)

BM25（Okapi BM25）とは、キーワード検索のランキング関数で、クエリの語が文書に何回出現するか、その語がコレクション全体でどれだけ珍しいか、文書の長さはどれくらいかをもとに文書をスコアリングします。Lucene と Elasticsearch のデフォルトの類似度です。

[アラビア語の発音記号（タシュキール、tashkeel）](https://broadrouter.com/ja/glossary/arabic-diacritics/)

アラビア語の発音記号（タシュキール）とは、文字の上下に書く小さな記号で、短母音、子音の重複、母音がないことを示します。省略可能で、ニュースを含むほとんどのアラビア語テキストでは書かれないため、読み手もソフトウェアも文脈から母音を推測します。

[アラビア語テキストの正規化（Arabic text normalization）](https://broadrouter.com/ja/glossary/arabic-text-normalization/)

アラビア語テキストの正規化とは、照合の前に同じ単語の表記ゆれを 1 つの形にそろえる処理です。発音記号とタトウィールを取り除き、アリフの形を統一し、多くの場合 ى を ي に、ة を ه に置き換えます。検索キーと評価に使い、表示するテキストには使いません。

[ツール呼び出し（Function Calling、tool calling）](https://broadrouter.com/ja/glossary/tool-calling/)

ツール呼び出し（Function Calling とも呼ばれます）とは、開発者が定義した関数の実行を求める構造化されたリクエストを、モデルが JSON の引数付きで返す LLM API の機能です。関数を実行して結果を返すのはアプリケーションで、モデル自身がコードを実行することはありません。

## よくある質問

### アラビア語テキストをインデックスする前にタシュキール（母音記号）を除くべきですか？

検索なら、除くべきです。ほとんどのクエリと現代のテキストには母音記号がないので、除かないと母音付きの文書がマッチしません。インデックスキーとクエリから除き、表示用には原文を残します。意味を担うコーラン、詩、発音のタスクでは残してください。

### ター・マルブータ（ة）はハー（ه）に正規化すべきですか？

検索では通常そうします。語末に ه と打つ人が多いからです。ただし、كتابة（書くこと）と كتابه（彼の本）のような組がまとまってしまいます。その衝突が自分の分野で問題になるなら ة を残し、両方の設定をテストしてください。

### Elasticsearch のアラビア語正規化は何をしますか？

arabic\_normalization トークンフィルターは Lucene の ArabicNormalizer を使い、アリフ上のハムザの各形をハムザなしのアリフに、ター・マルブータをハーに、アリフ・マクスーラをヤーに変え、ハラカートとタトウィールを除去します。組み込みの arabic アナライザーは、さらにストップワードと、接頭の冠詞、接続詞、前置詞、一般的な接尾辞を取り除くステマーを加えます。

### アラビア語の正規化は埋め込み検索に役立ちますか？

はっきりしていません。測定された効果はキーワード検索によるものです。埋め込みモデルは生のテキストから学習し、表記ゆれに対応できることも多いので、採用する前に実際のクエリの小さなセットを作り、正規化の有無で再現率を比べてください。

### LLM に送る前にアラビア語テキストを正規化すべきですか？

一般的には不要です。引用、名前、出典を正確に保つため、原文を送ってください。タシュキールを除くとトークンは多少減りますが、タスクで記号が不要な場合に限って行ってください。

## 続けて読む

-   [アラビア語 RAG：うまくいく正規化、チャンク分割、検索](https://broadrouter.com/ja/blog/arabic-rag-search/)
-   [アラビア語と英語の 1 語あたりのトークン数：アラビア語が高くつく理由](https://broadrouter.com/ja/blog/tokens-per-word-arabic-english/)
-   [アラビア語音声認識の単語誤り率（WER）をわかりやすく解説](https://broadrouter.com/ja/blog/arabic-asr-wer-explained/)
-   [Arabizi と LLM：3 や 7 などの数字を使うラテン文字アラビア語の扱い方](https://broadrouter.com/ja/blog/arabizi-llm-handling/)
-   [アラビア語向け LLM API の選び方：何をテストすべきか](https://broadrouter.com/ja/blog/choosing-an-llm-for-arabic/)
-   [LLM によるアラビア語の固有表現抽出：JSON、日付、チェック](https://broadrouter.com/ja/blog/arabic-named-entity-extraction-llm/)
-   [LLM でアラビア語に母音記号を付ける：プロンプト、検証、DER](https://broadrouter.com/ja/blog/arabic-diacritization-llm/)
-   [LLM でアラビア語の文法・スペルを校正する方法](https://broadrouter.com/ja/blog/arabic-grammar-spelling-correction-llm/)
-   [アラビア語の会議録音から議事録を作る：API パイプライン](https://broadrouter.com/ja/blog/arabic-meeting-minutes-from-recordings/)
-   [アラビア語 OCR API 比較：Google、Azure、Textract、Mistral、LLM](https://broadrouter.com/ja/blog/arabic-ocr-api-comparison/)
-   [ガイド：OpenAI Python SDK を BroadNet Inference で使う](https://broadrouter.com/ja/guides/openai-python-sdk/)

実際のワークロードで試してください。 新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

[始める](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-arabic-text-normalization-search&utm_content=page-cta) ·

**出典**

-   [Larkey、Ballesteros、Connell「Improving Stemming for Arabic Information Retrieval: Light Stemming and Co-occurrence Analysis」SIGIR 2002（2026-11-15 確認）](https://ciir.cs.umass.edu/pubfiles/ir-249.pdf)
-   [CAMeL Tools 1.6.0 ドキュメント、camel\_tools.utils.normalize（2026-11-15 確認）](https://camel-tools.readthedocs.io/en/latest/api/utils/normalize.html)
-   [CAMeL Tools のソース、charsets.py：dediac\_ar が使う AR\_DIAC\_CHARSET（2026-11-15 確認）](https://github.com/CAMeL-Lab/camel_tools/blob/master/camel_tools/utils/charsets.py)
-   [GitHub の PyArabic 0.6.15、araby モジュール（2026-11-15 確認）](https://github.com/linuxscout/pyarabic)
-   [Apache Lucene 9.12 ArabicNormalizer ドキュメント（2026-11-15 確認）](https://lucene.apache.org/core/9_12_0/analysis/common/org/apache/lucene/analysis/ar/ArabicNormalizer.html)
-   [Elasticsearch の正規化トークンフィルター：arabic\_normalization（2026-11-15 確認）](https://www.elastic.co/docs/reference/text-analysis/analysis-normalization-tokenfilter)
-   [Unicode Standard Annex #15「Unicode Normalization Forms」（2026-11-15 確認）](https://unicode.org/reports/tr15/)
-   [Unicode アラビア文字コード表、U+0600〜U+06FF（2026-11-15 確認）](https://www.unicode.org/charts/PDF/U0600.pdf)
