aozorabunko-json

青空文庫 を Unicode の JSON に変換する

• index_pages/list_person_all_extended_utf8.csv をもとに次のデータを収集：
  • 本
  • 著者
  • 本 対 著者
• テキストファイル URL から作品をパースして収集
  • 収集する条件：
    • https://www.aozora.gr.jp/ から始まる
    • 作品著作権フラグ 及び 人物著作権フラグ がともに "なし"

実行

1. 青空文庫のリポジトリ を clone する
2. $ cargo run <青空文庫のリポジトリへのパス> [出力先パス]

対応状況

注記

青空文庫 注記一覧

• レイアウト

  • ページや段をあらためる処理
    • 改丁
    • 改ページ
    • 改見開き
    • 改段
  • 字下げ
    • 1 行だけの字下げ
    • ブロックでの字下げ
    • 凹凸の複雑な字下げ
    • 地付き
    • 地寄せ
  • ページの左右中央に組んである処理
    • 左右中央

• 見出し

  • 通常の見出し
  • 同行見出し
  • 窓見出し

• 外字
  出力は Unicode なので可能な限り注記から文字を求めて出力する。
  底本でのページ番号や行数は保存しない。

  • 第 1 第 2 水準にない漢字

    • JIS X 2013
    • Unicode
    • JIS X 2013 にも Unicode にもない
      • 現状は ※［{}］ そのままにしている

  • 特殊な仮名や記号など

    • JIS X 2013
    • くの字点
    • 変体仮名
      • 正体仮名にする

  • アクセント符号付きのラテン・アルファベット

• 訓点

  • 返り点
    • 一二点（一・二・三・四）
    • 上下点（上・中・下）
    • 甲乙点（甲・乙・丙・丁）
    • レ点
    • 竪点
  • 訓点送り仮名

• 強調

  • 傍点
  • 傍線
  • 太字と斜体

• 画像とキャプション

  • 写真や図版、挿絵などの画像
  • キャプション

• その他

  • 訂正とママ 無視する

    • ［＃「○○」に「ママ」の注記］
    • ［＃「○○」は底本では「●●」］
    • ［＃ルビの「○○」は底本では「●●」］
    • ［＃「○○」はママ］
    • ［＃ルビの「○○」はママ］

  • ルビとルビのように付く文字

  • 縦組み中で横に並んだ文字

  • 割り注

  • 行右小書き、行左小書き文字（縦組み）

  • 上付き小文字、下付き小文字（横組み）

  • 字詰め

  • 罫囲み

  • 横組み

  • 文字サイズ

• 青空文庫をこえた利用から

  • 本文終わり
    • 底本：
    • ［＃本文終わり］
      • 利用例が見つからないので保留

参考

• 青空文庫 注記一覧

• 青空文庫編 耕作員手帳

• 青空文庫編 入力ファイルを「テキスト版」に仕上げるために

• 青空文庫編 青空文庫収録ファイルの取り扱い規準

• 青空文庫編 青空部湖収録ファイルへの記載事項

• 青空文庫編 青空文庫 FAQ

• 青空文庫 組版案内（古い？）

• aozorabunko_text