。CRによるコンビュ〝タ大蔵経の構築 - J

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-