#text 電子化テキストとは　　暫定版 - Now under construction! (1999.1.25)
　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
  3. テキストファイルの問題点（利用上の留意事項）
    1. 使用文字について
      1. コンピュータで扱える文字（コード化された文字）
      2. 文字コードの種類
      3. JIS規格による違い
      4. 機種による違い
      5. 外字
      6. 制御記号など
      7. コンピュータで直接扱えない文字
    2. 体裁の示し方について
      1. ふりがな（ルビ）の取り扱い・示し方
      2. JISに無い文字の示し方
      3. ページ情報
      4. 注記などの示し方
    3. そのほか
  4. テキストファイル形式の利点
  1. 参考文献・サイト

III. テキストファイルの問題点（利用上の留意事項）

　この章では、テキストファイルの問題点として、どのような点に留意して使用する必要があるかを示すこととします。１ではコンピュータ上で共通コードとして扱える文字について、２では１のコード化された文字がどうやって電子化テキストに具体化されているかについて、３ではそのほかの問題についてそれぞれ触れることにします。

　1. 使用文字について

a. コンピュータで扱える文字（コード化された文字）
―――――――――――――――――――――――――
　コンピュータで表示できる文字にはおのずから限度があります。たとえば、繰り返し符号の１つ「#Iteration mark」はほとんどのワープロ、コンピュータでは文字データとしては表示できないと思われます（画像として表示するのであれば先のようにどんな文字でも可能です）。このほか、変体仮名やいわゆるガ行鼻濁音（「カ」＋半濁音符）、多くの漢字も同様です。
　このように、コンピュータで直接扱えない文字を数え上げればキリがありません。それは諸橋轍次編『大漢和辞典』の掲載字が約５万字であるのに比較すれば当然のことです。しかし、あまりにも多数の文字を扱うことはかえってワープロやコンピュータに高い性能を求めることとなり、あるいは目的の文字を探し出すのに手間取ったかもしれません。必要とされる範囲を設定した上で「ＪＩＳ漢字」が制定されたことは、それなりに意味のあることと思われます（少なくとも、これにより電子情報の交換が可能になったことは確かです。詳細は『ＪＩＳ漢字字典』を参照してください）。その結果、以下の文字が JIS-X0208 注1 として定められました。

分類文字数文字
a)特殊文字
1)和字間隔1　
2)記述記号18、。，．・：；？！―‐／＼～∥｜…‥
3)ダイアクリティカルマーク8゛゜´｀¨＾￣＿
4)仮名又は漢字に準じるもの10ヽヾゝゞ〃仝々〆〇ー
5)括弧記号22‘’“”（）〔〕［］｛｝〈〉《》「」『』【】
6)学術記号45＋－±×÷＝≠＜＞≦≧∞∴♂♀∈∋⊆⊇⊂⊃∪∩∧∨￢⇒⇔∀∃∠⊥⌒∂∇≡≒≪≫√∽∝∵∫∬
7)単位記号11°′″℃￥＄￠￡％ʼn
8)一般記号32＃＆＊＠§☆★○●◎◇◆□■△▲▽▼※〒→←↑↓〓♯♭♪†‡¶◯
b)数字10０１２３４５６７８９
c)ラテン文字52ＡＢＣＤＥＦＧＨＩＪＫＬＭＮＯＰＱＲＳＴＵＶＷＸＹＺａｂｃｄｅｆｇｈｉｊｋｌｍｎｏｐｑｒｓｔｕｖｗｘｙｚ
d)平仮名83ぁあぃいぅうぇえぉおかがきぎくぐけげこごさざしじすずせぜそぞただちぢっつづてでとどなにぬねのはばぱひびぴふぶぷへべぺほぼぽまみむめもゃやゅゆょよらりるれろゎわゐゑをん
e)片仮名86ァアィイゥウェエォオカガキギクグケゲコゴサザシジスズセゼソゾタダチヂッツヅテデトドナニヌネノハバパヒビピフブプヘベペホボポマミムメモャヤュユョヨラリルレロヮワヰヱヲンヴヵヶ
f)ギリシア文字48ΑΒΓΔΕΖΗΘΙΚΛΜΝΞΟΠΡΣΤΥΦΧΨΩαβγδεζηθικλμνξοπρστυφχψω
g)キリール文字66АБВГДЕЁЖЗИЙКЛМНОПРСТУФХЦЧШЩЪЫЬЭЮЯабвгдеёжзийклмнопрстуфхцчшщъыьэюя
h)漢字
1)第一水準2965（一般日本語表記用）→一覧へ
2)第二水準3390（地名・人名を含む個別分野用）→一覧へ
i)けい線素片32─│┌┐┘└├┬┤┴┼━┃┏┓┛┗┣┳┫┻╋┠┯┨┷┿┝┰┥┸╂

　この他にも、ANSIキャラクタコードや独自拡張文字などの、コンピュータ上で表示できるコード化された文字がありますが、独自拡張文字については d. 機種による違い で触れるつもりです。

b. 文字コードの種類　⇒参照（日本語の文字コードについて）
―――――――――――
　文字コードとは、コンピュータで文字を扱う上での約束事の一つであり、両者の対応関係を決めたものです。コンピュータの内部では０と１の組み合わせによる文字コードを用いて、画面表示においてはそれに対応する文字が表示されます。この約束事は本来的には１つであるべきと思われますが、現在は４つのものが使用されています。

これらのコードはツール等によって相互に変換することが可能です（⇒参照「日本語の文字コードについて・変換方法」）。ただし、文字コードは字体までは規定しておりませんので、次条（c. JIS規格による違い）に見るように、同じコードでも表示される字体が異なる場合もあります。

c. JIS規格による違い
―――――――――――
　電子情報として扱う文字の規格はJIS規格（日本工業規格）で定められています。これは、工業製品上の問題として捉えられていたためでしょう。具体的には、以下のような規格番号として、これまで数回にわたって改訂されてきました。

その中で、JIS78からJIS83への変化は字体の変更、コードの入れ替え等を伴う大きなものでした。いくつかの代表的な例を下に示します。ただし、現在主力として用いられている機種の大半は JIS83以降と思われますので、問題は古いデータを扱う場合などに限られるとは思います（フォントも関わるのでアプリケーションにもよるかもしれません）。JIS78は一般の書籍出版で使用される字体に倣っていますので、むしろこの方が都合がよい場合もあるようですが、JIS規格は機種やOSなどによって左右されますので、簡単には変更できない場合が多いと思われます（フォントによる変更は可能でしょう）。

表1 同じ字で字体が変更になったものの例
JIS90文字語例変更部分JIS78JIS83
38-34涜冒涜つくり賣売
35-29箪箪笥あし單単
40-14溌溌剌つくり發発
22-77躯体躯つくり區区
18-10鴎森鴎外へん區区

表2 字体が入れ替わったもの
文字JIS78⇔JIS83文字JIS78⇔JIS83
鴬82-84×18-09潅62-85×20-35
鶯18-0982-84灌20-3562-85
賎76-45×33-08壷52-68×36-59
賤33-0876-45壺36-5952-68
侭48-54×43-89篭68-38×47-22
儘43-8948-54籠47-2268-38

×はコードがクロスしていることを示しています。またコード表示は区点番号によります。

d. 機種による違い
――――――――――
　一般にコンピュータで使用できる文字は a. コンピュータで表示できる文字 で示しましたが、それ以外にも利用できる文字があります。ただし、これらは機種やOSなどに依存しますので、環境が異なれば基本的には利用できません。代表的なものを分類して示せば以下のようになります。 

(1) NEC98シリーズ専用外字（NEC選定IBM拡張文字コードとも、通称９８外字）
(2) ＩＢＭ外字（IBM拡張文字コード）
(3) マッキントッシュの外字
(4) ワープロ専用機の拡張文字
(4)はメーカーによりさまざまでしょうから、以下は(1)(2)(3)を中心に触れることとします。(1)(2)(3)の具体例は次の表の通りです。

種類 (1) NEC98シリーズ
専用外字
（NEC98シリーズ用）		 (2) ＩＢＭ外字
（IBM PS/V用）		 (3) Macintosh外字
具
体
例		 
纊褜俉彅丨仡僴兊冝卲
厲咊喆塚增尞﨑德揵摠
擎敎晴暠暲朗杦枻桒栁
橫淸濵瀨凞猪珉璟皂皜
益硺礼神福精綠羽﨟薰
諟諸賴﨣郞鄕鉑閒靍靑
飯驎髙鮱鵰黑ⅰⅱⅲⅳ
ⅴⅵⅶⅷⅸⅹ￢￤＇＂
ⅰⅱⅲⅳⅴⅵⅶⅷⅸⅹ
ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩ
￢￤＇＂㈱№℡∵纊褜
彅丨伃偆僴兊冝刕厓厲
咊喆塚妺寬﨑德愠揵敎
晴暠朗枻桒栁淸濵瀨煇
益礼福精綠羽蕫﨟諸賴
﨣鄕鄧鋻閒靏靑髙鵰黑
�氣�｡�｢�｣�､�･�ｦ�ｳ�ｴ
�ｵ
�ﾇ�ﾈ�ﾉ�ﾊ�ﾋ�ﾌ�ﾍ�ﾎ�ﾏ�ﾐ
�ﾑ�ﾒ�ﾓ�ﾔ�ﾕ�ﾖ

　これらは、それぞれの機種の仕様として独自に拡張されたものです。それぞれが独自にコードと文字の対応関係を定めているため、環境が変われば、対応する文字が異なったり、存在しなかったりするわけです。具体的には、表示される文字が異なったり、表示されなかったり（空白や■、または・）します。ですから、できるだけこれらの文字は使わない方が賢明であり、得策だということになります（もちろん、個人が単一の環境で利用する限りにおいては何ら問題は生じません）。ただ、独自の拡張が認められているコード領域は限定されていますので、当然ながらデータ自体には変更はありません。
　なお、OSとしては表示不可能であってもアプリケーション上では表示可能である場合と、その反対の場合もあり、プリンタフォント等の印刷環境も含めるとさらにバリエーションが増えますので、それぞれの使用環境で確かめてください。
　また、半角のカタカナはJISで規定されています（JIS X 0208 附属書１表１）が、表示できない環境もありますので、利用に当たっては注意が必要です。

e. 外字
―――――
　OSによる違いはありますが、たいていの場合、利用者が独自に外字を作成登録して使用できるコード領域が与えられています。Windowsですと、F040から F9FCが割り当てられています。しかし、Windowsでしたら同じ外字のフォントファイルを登録していなければ、表示内容が異なってしまいます。ですから、機種依存の文字と同様、できるだけ用いない方が賢明ということになります。

f. 制御記号など
―――――――――
　制御コード（キャラクタコード）とは、コンピュータや周辺機器を制御するためのコードをいいます。文字とは直接関係しませんが、テキストファイルの中には制御コードを混在させるものがありますので、簡単に触れることとします。

　制御コードの例

Hex文字制御内容
08　H　BS(後退)
0C　L　FF(改頁)
1B　EC　ESC(エスケープ)

g. コンピュータで直接扱えない文字
――――――――――――――――――
　以上で示してきたもの以外は、コンピュータ・ワープロ上で直接扱えないことになります。その数は、もしかしたら扱える文字よりも多いのかもしれません。
　これらは、JISにない文字として、

  1. 別の方法（代用字を用いる、解字して示す、など）で表示するか
  2. JIS補助漢字 あるいは UNICODEが使える環境を用意するか しかないと思われます。現状としては、1.の方法が多くとられているようですが、ただこれは決して消極的な手段ではなく、現在の段階ではこれが一番互換性のある方法だからと言えます。


　2. 体裁の示し方について

a. 漢字・仮名
――――――――
　漢字字体を原本通りにしようとしても限界があります。そこで、一般的にはJISにあるものはそれを用いることになりますが、その時、JISに複数の字体があるものはどうするかという問題が生じます。また、仮名遣いも現代仮名遣いに直したり、歴史的仮名遣いに統一したりすることもあります。特に、古典の場合には、歴史的仮名遣い通りとは限りませんし、また、促音・拗音等も小字で表記してあるわけではありませんので、底本のままとするか、適宜修正するかは、さまざまの場合があるようです。

　(1) 漢字字体（新字体・旧字体、異体字）
JISの中で２種類以上の字体が併存しているものには、＜富・冨＞＜船・舩＞などがあり、新字体・旧字体に対応するものは＜会・會＞＜経・經＞＜楽・樂＞などです。これらをどのように用いるかについて、おおよそ次のような考え方があるように思います。
  1. 新字体に統一する。
  2. 旧字体に統一する。
  3. 底本の字体に近いものを採用する。
A.と B.に関してはさほど問題はなかろうかと思いますが、C.については「近い」ということが実際にはどのように具体化されるかが問題となります。
　(2) 仮名遣い（現代仮名遣い、歴史的仮名遣い）
仮名遣いについても、字体と同様に３種類の考えが認められますが、どの立場であるのかは明確になります。
  1. 現代仮名遣いに統一する。
  2. 歴史的仮名遣いに統一する。
  3. 底本の仮名遣いのままとする。
　(3) そのほか（清濁、拗音、促音、など）
特に、江戸時代以前の資料について、濁点や拗音・促音の表記をどう扱うかという問題です。
  1. 濁点
    古くは、濁音だからといって必ずしも濁点を付すわけではありませんでした。それをそのまま清音の仮名とするか、濁音の仮名に変えるか、などの違いがあります。中には、もともと濁点のない仮名を濁音とする場合には、濁点「″」を別途加えて「か″」とする方法もあります。
  2. 拗音・促音
    これも、古くは小字表記ではありませんでした。それを大字のままとするか、小字に変えるか、という違いです。
  3. 句読点、「」（会話文表示）
    これらは、古くは使われなかったものです。解釈を示したり、よみとりやすくしたりするために、加える場合が多いようです。なお、明治の資料においても、"」"を記さない資料もありますので、時代を限定することは危険でしょう。

b. 繰り返し符号
―――――――――
　活字本においてもさまざまな繰り返し符号が用いられています。それに準じて、電子化テキストにおいても、以下のような代替の文字を用いることが多いようです。

１字に対応する繰り返し符号は、JISに用意されているもので概ね事足りるようです。一方、２字以上に対応する繰り返し符号は、主として「／＼」が用いられます。「／＼」は、縦書きにした場合に、平仮名の「く」を縦方向に２倍に伸ばした形に似るため、このような方法がとられるようです。「％＼」はその濁点つきのものです。このほかにも、いくつかの方法がとられますが、詳しくはそれぞれのファイルの説明をご覧ください。

c. JISに無い文字の示し方
―――――――――――――
　ゲラ原稿では〓（ゲタ）を入れたりしますが、これでは１種類の文字しか示せません。校正中のことですから当然ではありますが、電子化テキストでは複数を区別するためにもさまざまな方策がとられています。文字そのものを示す方法としては、

があり、文字の説明の仕方としては、 などがあります。いずれもの場合も、適当な場所で詳しい説明を記しています。

d. ふりがな（ルビ）の取り扱い・示し方
――――――――――――――――――――
　ふりがなを示すものとそうでないものがあります。ふりがなを示す場合には次のような方法が取られることが多いようです。

　ただ、ふりがなの対象がどこからかを示すことはできないので、被ふりがなの文字列の前にマークを付す方法もあります（江木・前田(1996)参照）。

e. ページ情報
――――――――
電子化の元となった書籍（底本）や、参考文献などのページなどを示すことがあります。

f. 注記などの示し方
―――――――――――
　段落末尾に示したり、HTML形式のハイパーリンクを利用したものなどがあります。
　なお、本文のみを対象とする場合にはさほどの関係はないことになりますが、それでもJISにない文字についての注記などの場合もありますので、それぞれのファイルについてご確認ください。


　3. そのほか

　上記のほかに、留意すべきと思われる点を示すこととします。

a. 底本
―――――
　既存の書籍の形態をもつ底本に基づき電子化テキストを作成するのか、あるいは特定の底本を持たずに、いわば電子化テキスト自体が一つのテキストとしてなるようなものを作成するのか。紙という媒体によるテキストとの関わり方において、大きく２つの見方が成り立つと考えられます。前者が補助的な媒体と言いうるのに対し、後者はそれ自体が独立したものとなり、BBSやWWW上などでは個人の作品として数多くのものが公開されています。また、後者には、JALLC版「万葉集」のように、諸本を校合した校本として作成されたものもあります。両者ともにそれぞれの価値をもつものであって、優劣は存在しないと考えられます。ただし、テキストファイル形式（特にプレーンテキスト）においては、前述のさまざまな制約から、すべてを電子的に扱えるとは言えず、何らかの形で紙の媒体と組み合わせる必要があるように、私には思われます。

b. 本文保証
―――――――
　前述のように電子化によって失われる本文の姿のほかに、入力ミスなどによって生ずる電子化本文の質的低下が考えられます。コンピュータというと正確無比という印象があるかもしれませんが、むしろデータには誤りがあって然るべきと考えた方が適当でしょう（もちろん、十分な校正が施され、責任をもって公開されているデータもあるとは思いますが、大抵の場合、ミスがある可能性があるとの断り書きがあるように感じます）。ですから、有償の商品の場合は別でしょうが、無償のデータの場合は本文の保証はないと考えるべきと思います。つまりは、利用する人間が自らの責任において確認しつつ用いることになるはずです。
　問題は、確認する方法をどうするかということになります。書籍の形態による特定の底本がある場合には、それと対照させることにより発見・修正することになります。一方、そうでない場合（しかもあまり説明がない場合）には、利用者が自ら選定した特定の底本に基づき手を加えることになります（底本の知的財産権を侵さない範囲での利用）。ただ、予備調査として検索するのであれば、厳密に校訂を加える必要もないでしょう。利用者の目的に応じて、電子化本文を扱う方法を選ぶ必要があります。なお、書籍においても同様のことが考えられますが、電子化本文よりは確実なものと見做されるように思います。

c. 知的財産権
――――――――
　著作権等を含む知的財産権についても、一通り簡単に整理しておきたいと思います。
　知的財産権には次の７種類ほどが考えられます。

  1. 原著作者権
    その著作物を著した人の権利です。いわゆる著作権の代表的なもので、著作者の死亡後５０年が保護期間とされているものです。
  2. 原本所有者権
    その著作物を所有している人の権利です。
  3. 影印者権
    底本に影印本（写真版）を用いた場合に、その影印を作成した人の権利です。ただし、著作権上では権利を主張することはできないようです（豊島(1991)参照）。
  4. 翻刻者権
    翻刻した人の権利です。
  5. 校訂者権
    本文を校訂した人の権利です。校訂作業には十分な知的要素があると認められ、その成果に対しては著作権相当の権利を認めてよいと考えられています。
  6. 編集著作権
    原著作権とは別途のもので、編集において創造的な行為をなした人の権利と考えられます。
  7. 出版権
    公刊された底本を用いる場合の、その本を出版した人（団体）の権利です。出版権は設定契約がない場合は３年と規定されています。
  8. 機械本作成者権
    電子化した人の権利です。特定の底本によるものであっても、入力には上述してきたようなさまざまな要素を勘案することが求められますので、相応の権利を認めることができます。
　権利として認められているものでも、その権利を主張するためには (c)を明記することが必要です。 豊島(1991)および、 江木・前田(1996)参照。

注

1 JIS-X0208
芝野(1997)参照。
2
豊島(1991)参照。
参考文献
芝野(1997)
芝野耕司編『ＪＩＳ漢字字典』（1997.11、日本規格協会刊）
江木・前田(1996)
江木鶴子・前田桂子「『仮名手本忠臣蔵』テキストデータベースの作成と公開における問題点」（『宇部短期大学学術報告』第33号、1996年7月）
　◆WWW上の公開サイト ⇒ http://maru.ube-c.ac.jp/users/maeda/ronbun.html #LINK #Change
豊島(1991)
豊島正之「AWKで隆達歌謡の索引を作る」（1991.9）
　◆パッケージ（awkkwic.lzh）のダウンロード
高橋(1998)
高橋明彦「JALLC TANOMOSHI project No.1 ** 謡曲三百五十番集入力 *」の凡例（案）（1998.7第１版、最新版は12月3日付）

#e-text目次へ戻る #HOMEホームページへ戻る