本ページは,現在構築中です。
このページでは,タグ付けされていないテキストファイル対象に,その構造を考慮しつつ,『ひまわり』にインポートする方法を説明します。
次の例は,青空文庫に収録されている芥川龍之介の「蜘蛛の糸」の一部です。青空文庫のテキスト版では,次のように,ルビや注記が一定の構造を持って記述されています。文字列検索を行う場合,そのまま検索すると,ルビや注記が検索の妨げになってしまいます。
『ひまわり』は,インポート時にこのような構造を『ひまわり』で扱える形式に変換します。ただし,変換の規則は自分で作る必要があります。
なお,本ページで示す方法は,テキスト構造を考慮したインポートの仕組みを説明するためのものです。より簡便に形態素解析結果を取り込みたい場合は,#などを参照して下さい。
次のソフトウェアをPCにインストールして下さい。
インポートの流れは,次に示すとおり,基本的に#と同じです。ただし,
#では,『ひまわり』は,正規表現置換を用いてテキストの変換規則を定義し,適用する変換規則が定義できます。
『ひまわり』は,XML で構造化されたテキストデータを検索対象とします。そのため,インポートの具体的な手順を説明する前に,インポートの結果の XML データについて最初に説明しておきます。
<m pos="名詞">これ</m> <m pos="助詞">は</m> <m pos="名詞">テスト</m> <m pos="助動詞">でし</m> <m pos="助動詞">た/m>