印度學佛教學研究第40巻第2號 OCRによるコンピュータ大蔵経の構築清 OCRを干成4年3月水光幸利用してコンピュータに大蔵経を入力し, 検索用コンピュータ大蔵経と大蔵経索引を作成することを目的とする。 (1) OCRによる大蔵経入力ハード: NECPC-9801RA, プロテクトメモリ6MB以上, NECPC-IN503G (320dpiイメージスキャナ)・バラレルインターフエースソフト:「採字帳」日本語版 (1) 1頁1段株式会社テックメイトづっ読みとっていき, 段が変わる毎に手動で巻・頁・段データを入力する。 (巻数データを入力する例) (巻数を入力しない例) 48, 427, bまたは48, 427b427, bまたは427b (2) 注釈番号は全角アスタリスク＊に変換, 返り点は半角スラッシュ/に変換し, 自動的に除去する。 (3) 読み取り速度は, Urs App 1行約20秒, 1頁あたり平均30分。読み取り用辞書は, 氏によって「大正大蔵経フオント辞書」(基本辞書として約2500字) 作成されている。読み取り文字数は最大4000字, が異形同字・同形異字なども登録できる。 (4) JISに含まれない外字については, データ交換のために一括して ◎で代替するが, 個人的使用の範囲では, 使用しているMS-DOSの録するか, 全角文字ABCな可能な範囲で外字登どで代用しておくことにより区別して検索することが可能となる。さらに外字ファイルGJ. DATに登録しておくことにより, 索引に取り込むことができる。 (5) 大蔵経48巻「宗鏡録」百巻のうち26巻約125頁を入力したが, 登録文字数は 3000字余りであり, 4000字の範囲では大蔵経のかなりの部分をカバーできると思われる。 (OCRによる入力データ例) -854- (234) OCRに 48, 417, b: よるコンピュータ大蔵経の構築 (清水) この部分をOCR中にマニュアルで入力。＊宗鏡録巻第一標宗章第一詳夫。祖標輝理。傳黙契之正宗。佛演教門。立詮下之大旨。則前賢所稟語學有鋸。是以先列標宗章。爲有疑故問。以決疑故答。因問而 (2) 検索用データ作成ソフト (A.EXE) 必要プアイル: 説明 (著作権者) A.EXE: アレンジプログラム (筆者) DELCHR.DAT: 削除文字フアイル (書換自由) (1) OCRによって入力されたデータは行末が句点で揃っていないため, 最終句点以後の行末データを次の行に送り, 正確な語彙検索が出来るようにする。 (2) データ中の不要な文字、例えば半角空白・全角空白・返り点記号/・縦棒-・脚注代替記号＊などは, 削除文字ファイルDELCHR.DATに登録しておくことにより自動的に削除される。 (3) 1行中に句点がない場合は次の行に結合され, 記号「∼」で行数を表示する。後に記号「∼」を検索し, 適切な位置に句点を施すことが容易となる。 (4) 15文字以内で, 行末に句点がない場合は自動的に行末に句点を付加する。 (5) 5言および7言の繰り返しによる詩の場合は, 自動的に5文字ごと7文字ごとに句点を付加する。 (6) 検索用データ作成ソフトA.EXEの使用法は, Aと入力して,「入力データファイル名」と「出力ファイル名」の問い合わせに答えるだけである。巻数を入力してない場合は, 自動的に問い合わせがあるので, 必要に応じてそれに答える。 (7) 処理時間は, 大蔵経125頁分で約6分, 1000頁でも1時間はかからない。 (8) 出力データの形式 (=検索用コンピュータ大蔵経の形式) は, <巻数, 頁段行, 前の行から受けた漢字数, 行データ, 後の行に送る漢字数> となる。 (出力例) 48, 417b1, 0, 宗鏡録巻第一。,0 48, 417b2, 0, 標宗章第一。,0 -853- (235) OCRによるコンピュータ大蔵経の構築 (清水) 48, 517b3, 0, 詳夫。祖標暉理。傳黙契之正宗。佛演教門。,1 48, 417b4, 1, 立詮下之大旨。則前賢所稟後學有簾。,3 48, 417b5, 3, 是以先列標宗章。爲有疑故問。以決疑故答。,3 48, 417b6, 3, 因問而疑情得啓。因答而妙解潜生。,6 この出力形式は, Urs (3) App 氏の提案を採用させて頂いた。各種の検索方法 A.EXEによって作成したデータは, フリーウェア (著作権は保持するが無料で配布されるソフト) としてパソコン通信で配布されているGREP, RER, JGAWK, 場合, 約2秒/大 JPERLな FGREP, CG どにより, 高速かつ便利に検索できる。FGREPの蔵経100頁。行単位で正規表現を用いた多重検索が可能。またテキストデータベース「パワーサーチ」(株式会社アシスト) は, 同義語・類義語のシソーラス検索を可能とし, 省略の多い人名や書名の検索に便利である。コンマ区切りのファイルのため, リレーショナルデータベースdBASEなデータとして取り込むことも出来るが, grep (4) どの類の検索に比べかなり遅くなる。大蔵経索引作成ソフト (I.COM) 必要ファイル: 説明 (著作権者, 特に記してないものは筆者) I.COM: 起動プログラム (筆者作成後, 清水洋平氏の batcp を使用) INDEX1.EXE: インデックスプログラム1 1NDEX2.EXE: インデックスプログラム2 1NDEX3.EXE: インデックスプログラム3 ADDKINFO.EXE: 漢字情報付加プログラム (豊島正之氏) SORTF.EXE: 並べ換えプログラム (豊轟正之氏) GJ.DAT: 外字プアイル (書換自由) DELCHR.DAT: 削除文字フアイル (書換自由) YDICCHR.USR: 大漢和漢字データファイル (豊島正之氏, 金水敏氏, 古田啓氏のものを加工) (1) これらのファイルは全てカレントドラィブに置く。元のファイルの20倍以上のディスク容量を必要とするので, 大容量のハードディスクが必要。 (2) 大蔵経索引作成ソフトI.COMの使用法は, Iと入力して, 「入力データファイル名」と「出力ファイル名」の問い合わせに答えるだけである。 -852- OCRによるコンピュータ大蔵経の構築 (清 (3) 処理時間は, 大蔵経8頁分が約5分。MACに水) (236) よる80頁の印刷物としての出力までをあわせて30分で終了した。これは, Urs App 氏の「六祖壇経」による実験で確認された。 (出力例) 【一】難解。是第 ○之説。備最417b7 以佛眼観 ○切十方/國417b22 伽経偶云。 ○切方不/生417b16 方/國土中○切物。尚不417b23 設有 ○解 ○悟。皆是落417b21 宗鏡録巻第 ○/標宗章第417b1 (4) この索引はキーとなる漢字を ○で表し, その前後に漢字5文字を伴う。キー漢字以後の5文字も (行末記号/を自動的に無視して) 大漢和番号順に並べられており, キー漢字を含む6文字以内の熟語はすべて同一箇所にまとまる。したがって一字索引と熟語索引を兼ねている。 (5) 外字の扱いは全角文字ABCabcなどで代用し, 大漢和にある場合はその番号を, 大漢和にない場合は適切な番号を6桁にそろえて, GJ.DATにしておくことにより, 索引の適切な位置に挿入される。(A123456, 登録 b23456 7など) たとえば「一太郎」などで外字登録すると, かなりの外字漢字が印刷可能となる。以上の拙作ソフト「大蔵経ユーティリティーVer1.0」際禅学研究所 Urs App リエントのOSLコ他各種は, 花園大学国副所長のご協力により, またNECPC-VANSIGオーナーおよびコスモスにて無料で配布されている。なお, 拙作「サンスクリットユーティリティーVer0.75」も, 清水公庸氏・町田和彦氏・京都ハーバード各入力方式に対応した検索用データ作成ソフト・索引作成ソフト (サンスクリット辞書順) として, SIGオリエントで無料公開した。引続きバーリ語・チベット語のユーティリティーを無料公開する予定である。以上のソフトはすべてフリーウェアである。 <キーワード> OCR, コンピュータ大蔵経, 大蔵経索引 (駒込学園教諭) -851-