青空文庫テキストフォーマットについて (aozorahack)

青空文庫テキストフォーマットについて

2017/03/11aozorahack/株式会社達人出版会

高橋征義

クイズで学ぶ青空文庫

（フォーマット編）

第1問

青空文庫公式サイトでサポートしていないファイル形式はどれ? 1) テキストファイル 2) HTML 3) Word 4) エキスパンドブック 5) PalmDoc

稀少なフォーマット● PDF:http://www.aozora.gr.jp/cards/000029/card227.html 伽藍とバザール

● エキスパンドブック:http://www.aozora.gr.jp/cards/000005/card5.html あいびき

● palmdoc:http://www.aozora.gr.jp/cards/000114/card608.html モウグリの兄弟たち

青空文庫のテキストファイル● 青空文庫の独自記法

– 「青空文庫形式」● HTMLファイルに変換

– テキストファイルからHTMLファイルへは自動変換が可能

青空文庫形式の特徴● 人間が読みやすい

– 機械では解析しづらい● 全角文字を記法に使う● 「見た目」のための記法

– 「5字下げ」とか「改ページ」とか

HTML・XMLやTeX等、他の記法と比べるとかなり独特な記法になっている

http://www.aozora.gr.jp/cards/001095/files/42626_ruby_59990.zip

青空文庫形式●大きく4つの部分に分かれる

–ヘッダ– 注記の説明– 本文– フッタ

ヘッダ注記の説明

フッタ

本文

ヘッダ● タイトル● 著者● サブタイトル（もしあれば）● 原題（もしあれば）● 訳者（もしあれば）

ヘッダの例方丈記鴨長明（空行）

ヘッダの例半七捕物帳猫騒動岡本綺堂（空行）

【テキスト中に現れる記号について】-------------------------------------------------------【テキスト中に現れる記号について】

《》：ルビ（例）三毛《みけ》猫

｜：ルビの付く文字列の始まりを特定する記号（例）寛政｜申《さる》年生まれ

［＃］：入力者注　主に外字の説明や、傍点の位置の指定　　　（数字は、JIS X 0213の面区点番号またはUnicode、底本のページと行数）（例）※［＃「日＋向」、第3水準1-85-25］-------------------------------------------------------

フッタの例

底本：「時代推理小説　半七捕物帳（一）」光文社文庫、光文社　　　1985（昭和60）年11月20日初版1刷発行入力：tatsuki校正：山本奈津恵1999年7月24日公開2012年6月12日修正青空文庫作成ファイル：このファイルは、インターネットの図書館、青空文庫（http://www.aozora.gr.jp/）で作られました。入力、校正、制作にあたったのは、ボランティアの皆さんです。

全体の構成【ヘッダ】（空行*1）--------【テキスト中に現れる記号について】--------【本文】（空行*3）【フッタ】

クイズ・第2問青空文庫記法で対応していないものはどれ？ 1) 改ページ 2) 表 3) 画像 4) 罫線（罫囲み） 5) 返り点

青空文庫の注記記法【［＃……］】という形– ［＃改ページ］– ［＃挿絵１（fig54921_04.png、横

336×縦400）入る］

字下げの例…ここでもっと大事なのは論述のスタイルである。

［＃３字下げ］灰いろの抽象の世に住まんには濃きに過ぎたる煩悩の色

　九鬼周造が詩と短歌をかなり数多く残し、…

字下げの例…然し愚な純な弱い白が、主人夫妻にはいつまでも忘られぬのである。

［＃ここから５字下げ］白は大正七年一月十四日の夜半病死し、赤沢君の山の上の小家の梅の木陰に葬られました。甲州に往って十年です。村の人々が赤沢君に白のクヤミを言うたそうです。「白は人となり候」と赤沢君のたよりにありました。「白」は幸福な犬です。　　大正十二年二月九日追記［＃ここで字下げ終わり］

見出し序文［＃「序文」は大見出し］

見出しの例［＃２字下げ］上　先生と私［＃「上　先生と私」は大見出し］

［＃５字下げ］一［＃「一」は中見出し］

　私《わたくし》はその人を常に先生と呼んでいた。だからここでもただ先生と書くだけで本名は打ち明けない。これは世間を憚《はば》かる遠慮というよりも、その方が私にとって自然だからである。私はその人の記憶を呼び起すごとに、すぐ「先生」といいたくなる。筆を執《と》っても心持は同じ事である。よそよそしい頭文字《かしらもじ》などはとても使う気にならない。

ルビの例［＃２字下げ］上　先生と私［＃「上　先生と私」は大見出し］

［＃５字下げ］一［＃「一」は中見出し］

　私《わたくし》はその人を常に先生と呼んでいた。だからここでもただ先生と書くだけで本名は打ち明けない。これは世間を憚《はば》かる遠慮というよりも、その方が私にとって自然だからである。私はその人の記憶を呼び起すごとに、すぐ「先生」といいたくなる。筆を執《と》っても心持は同じ事である。よそよそしい頭文字《かしらもじ》などはとても使う気にならない。

ルビの例

http://www.aozora.gr.jp/cards/000148/files/773_14560.html

罫囲み［＃ここから１段階小さな文字］［＃ここから１字下げ］［＃ここから４１字詰め］［＃ここから罫囲み］附記［＃「附記」は太字］　この探偵小説には私が懸賞をだします。犯人を推定した最も優秀な答案に、この小説の解決篇の原稿料を呈上します。細目はいずれ、誌上に発表しますが、だいたい、九回か十回連載の予定、大いに皆さんと知慧くらべをやりましょう。当らなければ、原稿料は差上げませんよ。たいがい、差上げずに、すむでしょう。［＃地から１字上げ］坂口安吾［＃ここで罫囲み終わり］［＃ここで字詰め終わり］［＃ここで字下げ終わり］［＃ここで小さな文字終わり］

［＃５字下げ］四　第一の殺人［＃「四　第一の殺人」は中見出し］

http://www.aozora.gr.jp/cards/001095/files/42626_60035.html

罫囲み［＃ここから１段階小さな文字］［＃ここから１字下げ］［＃ここから４１字詰め］［＃ここから罫囲み］附記［＃「附記」は太字］　この探偵小説には私が懸賞をだします。犯人を推定した最も優秀な答案に、この小説の解決篇の原稿料を呈上します。細目はいずれ、誌上に発表しますが、だいたい、九回か十回連載の予定、大いに皆さんと知慧くらべをやりましょう。当らなければ、原稿料は差上げませんよ。たいがい、差上げずに、すむでしょう。［＃地から１字上げ］坂口安吾［＃ここで罫囲み終わり］［＃ここで字詰め終わり］［＃ここで字下げ終わり］［＃ここで小さな文字終わり］

［＃５字下げ］四　第一の殺人［＃「四　第一の殺人」は中見出し］

クイズ・第3問青空文庫で使っている文字集合はどの範囲まで？ 1) JIS X 0208(第1・2水準) 2) JIS X 0213(第3・4水準) 3) UnicodeのBMP(〜U+FFFF)まで 4) Unicode 6.0全て 5) それ以上

青空文庫と文字コード●テキストはJIS X 0208(Shift_JIS)で記述する–包摂規準はJIS X 0213ではなくJIS X 0208の包摂規準を使う

● JIS X 0208で記述できない文字については外字記法を使う

外字記法※[#「てへん＋劣」、第3水準1-84-77]→ 挘※［＃「二／二」、U+4E96、167-2］→ 亖

外字記法※［＃「仝」の「工」に代えて「サ」、屋号を示す記号、75-9］

http://www.e-yamasa.com/

http://www.aozora.gr.jp/gaiji_chuki/index.html

http://www.aozora.gr.jp/gaiji_chuki/gaiji_chuki.pdf

青空文庫形式テキストファイルを扱えるツール

aozora2html● 青空文庫形式のテキストファイルをHTMLに変換するツール

● 青空文庫で配布しているtxt2html(t2hs.rb) を改造したもの

● 2017/03/10リリースのver.0.9.0で大幅改造

●ライセンス: CC0

https://rubygems.org/gems/aozora2html/

AozoraEpub3● 「青空文庫の注記入りテキストファイルをePub3ファイル(zip圧縮)に変換するツールです。」

●ライセンス: GPL

https://github.com/hmdev/AozoraEpub3

青空文庫形式テキストファイルと青空文庫CSV

テキストファイルの探し方● 青空文庫のサイトの図書カードから探す

● 青空文庫のCSVファイルから探す

図書カード

青空文庫CSVファイル● 青空文庫で配布している「作家別作品一覧拡充版CSVファイル」

https://github.com/aozorahack/hackathon2016/blob/master/doc/csv.md

テーブル構成

青空文庫テキストフォーマットについて (aozorahack)

Technology