#text 電子化テキストとは  暫定版 - Now under construction! (1998.10.8)
 このページでいう「電子化テキスト」とは、テキストファイル形式で電子化されたデータを指します。


目次
  1. テキストファイル形式の概要
  2. テキストファイル形式の電子化テキストのさまざま
    1. 分類の基準 *
    1. 基本的に文字データのみのもの *
    2. HTML形式のもの *
      HTML形式のファイルの利用法について **
    3. SGML形式のもの *
    4. CSV形式のもの *
    5. その他(KOKINルール、kanateルール、など)*
  3. テキストファイルの問題点(利用上の留意事項)
  4. テキストファイル形式の利点
  1. 参考文献・サイト

II. テキストファイル形式の電子化テキストのさまざま


0. 分類の基準

 テキストファイル形式の具体的な姿を見る前に、分類の基準を示しておくことにします。
 テキストファイル形式のファイルは、具体的には、文字そのもの(文字データ)と文字データの扱いに関するいくつかデータから成り立っています。日本語に即して具体的に示せば、

  1. 文字データ(アルファベット、数字、ひらがな、カタカナ、漢字、記号 等)
  2. 文字データ以外(改行、文字修飾情報、タグなど)
になります。

 A.「文字データ」とは、要するに文字そのものです。これが無ければ、データとして意味をなさない、肝心かなめのものです。一方、B.「文字データ以外」とは、具体的には、改行やタブ、CSVの区切り文字、さらにはホームページ用によく使われるHTML形式等のタグと呼ばれるものなどです。ファイルによっては文字の装飾情報(倍角やアンダーラインの指定など)が加わる場合もあります。その場合であっても、付加情報にはそれを示す印が明示されますから、識別が可能です(画面上では「^」後にアルファベットが付いたものや、TeX用のファイルのように「\」ではじまるタグが付くものなどがあります)。

 以下、B.「文字データ以外」により、5分類して示すこととします。

分類タイプB. 文字データ以外
1.基本的に文字データのみのものプレーンテキスト改行など、わずか
2.HTML形式のもの符号化テキスト*1HTML用のタグ
3.SGML形式のもの符号化テキスト*1SGML用のタグ
4.CSV形式のものカンマ(,)やタブなどの区切り符号
5.その他
  • KOKINルール
  • kanateルール
符号化テキスト*1それぞれのルールに基づくタグ

  1. 基本的に文字データのみのもの
    典型的なテキストファイル形式のファイルで、プレーンテキスト(ピュアテキストとも)とも呼ばれるものです。A.「文字データ」が大半を占め、B.「文字データ以外」は改行を主としています。つまり、基本的には、本文(「いろは歌」で言えばイロハ47文字のみのもの、など)だけのものを指すと考えてください。この中には、ファイルについての説明を加えているものや、振り仮名やJISにない文字などについて独自の方法で示しているものも含めます。ファイル名は「〜.txt」となっているものが多く、そのままエディターやワープロで扱えるものです。→具体例

  2. HTML形式のもの ⇒参照(HTML形式のファイルの利用法について
    HTML(エイチティエムエル)とは、Hyper Text Markup Language の略です。マークアップ言語 *2 の1つで、SGML形式を踏襲したものですが、むしろWWW上のハイパーテキスト *3 のファイル記述形式として広く知られ、イメージやURLを貼り込んで、ハイパーテキストを実現しています。ただ、SGMLとは異なり、文書構造よりもレイアウト情報が重視される傾向がありますが、標準的なタグでは表現力に欠ける点などが問題点として指摘されています(そのためか、各ブラウザが独自のタグを用いるなどして不便を生ずる場合もあります)。現在は、HTML4.0が最新の定義ですが、さらに発展させた XML *4 の規格が検討されています。なお、HTMLは「エイチティエムエル」と読むことが多いようです。また、ファイル名は多く「〜.htm」「〜.html」となっています。→具体例

  3. SGML形式のもの
    SGML(エスジーエムエル)は、Standard Generalized Markup Language の略です。代表的なマークアップ言語で、文書の構造をタグと呼ばれる符号で記述したものです。これによって、文書の処理や管理、コンピュータ間でのデータ交換などが容易に行なえるようになりました。1987年には ISO標準8879として承認されており、アメリカ国防総省などの公文書フォーマットとしても採用されています。ただ、非常に機能が高いために導入に困難が伴う(対応エディタなども高額)のと、レイアウトや画像などの表現力にやや乏しい点があり、現在は簡略化した XML *4 の規格が検討されています。
     なお、ワープロソフト OASYS V6 や 一太郎office8 では、SGML形式のファイルを扱うことができます。一太郎の場合は、オプションのSGMLモジュール(無償ダウンロード可)の組み込みが必要です。詳細は、ジャストシステムのホームページ #LINK をご覧ください。

  4. CSV形式のもの
    主として、統計的処理を意図したデータに見られるファイル形式です。身近な例では、アドレス帳などのデータが、このファイル形式に近いものになります。例えば、「名前」「よみ」「郵便番号」「住所」「電話番号」の5つの項目からなるアドレス帳があったとします。それを、1人1行として、「名前,よみ,郵便番号,住所,電話番号」という形でコンマ(,)で区切ったものがCSV形式になります。

    名前,よみ,郵便番号,住所,電話番号
    権兵衛,ごんべえ,123-4567,東京都中央区中央1-2-3,01-2345-6789

    CSV(Comma Separate Value の略)とは、データ項目がコンマ(,)で区切られていることからの命名ですが、区切りのマークはコンマ以外のもの(タブやスラッシュ(/)など)もあります。ファイル名は多く「〜.csv」となっています。中には「〜.k3」(桐用 - 数値データと文字データを""によって区別したもの)となっているものもあります。→具体例

  5. その他
    KOKINルール
    国文学研究資料館が古典のデータベース化をはかるに当たって、SGML形式に準拠して日本古典の書誌情報を盛り込めるようにしたものです。記述方法としては、#1 作品構造及び文体構造(校訂本、書誌、作品名、ジャンル、巻など)に関するもの、#2 日本語の表記(本文、傍記<振り仮名・振り漢字・校異など>、文字セットなど)に関するもの、#3 各種属性情報(品詞情報など)を定義しています。具体的なタグは、#1は¥Uや¥N1など、#2は/や( )などを用いています。KOKINルールと呼ばれるのは、主として和歌集を対象として定義されたものだからでしょう。詳細は、安永(1994)をご覧ください。
    kanateルール
    江木・前田(1996)において、江木鶴子・前田桂子両氏が提唱されたもので、浄瑠璃テキスト用(具体的には『仮名手本忠臣蔵』)に、上記のKOKINルールを拡張したもの(一部は簡略化)です。具体的には、浄瑠璃記号や踊り字(繰り返し符号)・台詞などが拡張されています。なお、同論文は、このほかにも電子テキスト化(機械可読化)に当たっての方法や問題点が手際よく整理されており、大いに参考になります。

     1 符号化テキスト(Encoded text)
     マークアップ言語によって記述されたテキストを符号化テキストといいます。プレーンテキスト(ピュアテキスト)と対になる用語です。
     2 マークアップ言語(Markup Language)
     文字データ以外のさまざまな属性情報(文字のタイプ(イタリックか、ボールドか、など)や組版情報、ハイパーリンク情報)などを、あらかじめ定義されたコマンドとして、文書中に記述していく方式の言語をいいます。代表的なマークアップ言語としては、TeXやHTML、SGMLなどがあります。また、マークアップ言語のコマンドを解釈し、実行するソフトには、HTMLに対するWWWブラウザ、TeXに対するLaTeXなどがあります。
     3 ハイパーテキスト(Hyper text)
     複数のテキスト(文書情報)を互いに関連づけ、自由に行き来できるようにしたシステムの概念をいいます。複数のページをリンクさせたホームページのように、複数の文書をリンクさせたものの総体とも言える?
     4 XML(エックスエムエル)
     eXtensible Markup Languageの略で、Internet上でのSGMLの利用を容易にすることを目的として設計されたマークアップ言語です。HTMLのような、あらかじめ決められたマークアップ方法(タグ)だけではなく、文書独自のマークアップ方法を定義できるようになり、自由度が増しています。現在W3Cでは、このXMLの標準化が進められており、XML1.0が勧告案として発表されています。
     なお、この8月発売の OASYS V6が XMLに対応し、Microsoft社の XMLのページ〈 http://www.microsoft.com/XML/ 〉では「XMLメモ帳(英語版)」(Ver.1.0β、日本語の入力は不可)が公開されるなど、次第に環境が整いつつあります。また、次期のMicrosoft Officeでサポート予定とのことです。

    参考文献


    #e-text目次へ戻る #HOMEホームページへ戻る