1 / 26

基本編の用語説明 その2 エディタと日本語入力

基本編の用語説明 その2 エディタと日本語入力. エディタ. エディタ (editor) : 文書を作成、編集するアプリケーションソフトウェア 教育用計算機システムのエディタは、     テキストエディット 基本的な編集方法は ここ カーソル :文字が入力される位置を表している目印 カッペ、コピペ 検索と置換 編集結果の保存 文系のみなさんには興味はないだろうが emacs というエディタもある. さて、いよいよ日本語入力だが。。。. 文字コード : コンピュータの内部   対応 画面やキーボードで見える文字

bishop
Télécharger la présentation

基本編の用語説明 その2 エディタと日本語入力

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. 基本編の用語説明 その2エディタと日本語入力基本編の用語説明 その2エディタと日本語入力

  2. エディタ • エディタ(editor):文書を作成、編集するアプリケーションソフトウェア • 教育用計算機システムのエディタは、    テキストエディット • 基本的な編集方法はここ • カーソル:文字が入力される位置を表している目印 • カッペ、コピペ • 検索と置換 • 編集結果の保存 • 文系のみなさんには興味はないだろうがemacsというエディタもある

  3. さて、いよいよ日本語入力だが。。。 • 文字コード: コンピュータの内部 対応画面やキーボードで見える文字   (2進数で表現)   文字コード  (人間に読める:フォント) • フォント:画面にみえる字の形 • Unicode: 世界の主な文字を文字集合として 16ビットの文字コード詳しくはここ • アスキーコード:7ビットで英数字を表す文字コード • ビット:2進数1桁のこと。計算機で情報を表す最小単位 • 漢字コード:漢字は8ビットでは表現できないので、16ビット以上使うコードになる • ShiftJIS(SJIS), EUC, JISなどが混在。    • これらのコードが混在した状態でいったいどうやって文字コードを認識するのだろうか?   

  4. ISO 646 (ASCII) 文字セット

  5. 第2バイト 00 21 40 7E 80 JISコード 00 21 5E 5F 7E 81 9F E0 EF この行き来(1バイト文字と2バイト文字の行き来)は特殊文字列(ISO2022エスケープシーケンス)で行う 第1バイト(アスキーコード) JISカタカナ   JIS X0201 ここは1バイト文字 シフトJIS(sjis)の漢字領域のシフト SJISコード

  6. MacOSでの日本語入力はここ • 全角と半角 • 半角カタカナや全角英文字は避けましょう。

  7. ここから先は難しいので、根性の無い人は、これ以上進んではいけません:コードの歴史ここから先は難しいので、根性の無い人は、これ以上進んではいけません:コードの歴史 • ASCII(American Standard Code for Information Interchange)  ANSI • ISO 646 = 95文字のラテン文字 • アルファベット+数字+特殊文字 • 制御コード: LF, CR などの表示制御と   ACK,DEL などの通信制御 、など • JISX0201ではASCIIの特殊文字の一部が異なる(¥の使用など)

  8. 日本語コードの話 • 1バイトでは最大256文字 • 字種の多い言語では多バイトコード • 1バイトコードで事足りる欧米言語と多バイトコードが必要なアジアの言語とのバトルグランド • 文字コードのような基本的情報インフラの標準化は社会への影響莫大

  9. ISO2022 • エスケープシーケンスにより文字を拡張するための各種のメカニズム • 各国のISO646 (アメリカならASCII、日本ならJIS X 0201) を別個の文字集合として指定し切り替えて使える。 • ちなみに西ヨーロッパの文字では、ISO8859/1

  10. ISO2022 エスケープシーケンス

  11. JISコードの歴史 • JISX0208(1978) 当時はJISC6226 カタカナ(いわゆる半角カタカナ)および全角英字はいまや無用の長物ないしは有害 • 半角カタカナと全角英字は97JISでは使わないことに決めた • シフトJIS • 78JIS 83JIS  90JIS  97JIS

  12. 内部状態を持つ文字コードと持たない文字コード内部状態を持つ文字コードと持たない文字コード • 1バイトコードのASCIIは内部状態なし • 2バイトの内部状態なしコードを目指したのがユニコード • エスケープシーケンスのある文字コード ISO2022 に則るコードは内部状態を持つ。 • 内部状態を持つと何がまずいのか?

  13. JISコードにおける漢字 • 78JISの第1水準 2965文字=都道府県     名、市町村名を全て記述できる。      第2水準 3384文字 • JISX 0212 の補助漢字 5801文字

  14. 日本語EUC • Unixで常用される2バイトコード • 第1バイト最上位ビット=0  JIS X0201(ASCII対応部分) • 第1バイト最上位ビット=1 かつ第2バイト最上位ビット=1  JIS漢字 • 第1バイト=8E かつ第2バイト最上位ビット=1  JISカタカナ • 第1バイト=8E かつ第2バイト最上位ビット=1かつ第3バイト最上位ビット=1  JIS補助漢字 • 上位ビットを見るだけで字種を判別できる

  15. シフトJIS • JISX0208で使用していない文字を漢字の1バイト目に使う。すなわち、 • 1バイト目、 • 最上位ビット=0 JIS X0201(英数字など ASCII対応部分) • 最上位ビット=1 JISカタカナ • #x81-9F(JIS X 0201では未使用), E0-EF(ISO2022の制御符号部分) 漢字 • 2バイト目は#x40-EF • 合計24576文字 • 台湾、中国、韓国版として Big5, GBK,UHC

  16. 第2バイト 00 21 40 7E 80 00 21 5E 5F 7E 81 9F E0 EF 第1バイト JISカタカナ   JIS X0201 シフトJISの漢字領域のシフト

  17. 漢字の形 • 「包摂」 とは 異なる字形を同一視の基準のこと。 例えば、「高」や「富」や「国」のふたつの字形など • そもそも字形のぶれをきちんと定義できるのか? • 計算機技術によって解決できる種類の問題?

  18. 文字と文字コードと字形の関係 文字 字形 字形のゆれ  包摂基準で規定 文字と字形の 関係は複雑怪奇 「島」「嶋」 目的に応じて決める 文字コード

  19. 情報検索という目的だとどうなるか • 人名を検索したいなら「嶋」と「島」は別の文字コードにしておくべき • A と a が同じ文字コードでは困ることもあるので別のコードに • 字形が増えると文字コードが増える。検索ではいくつかの文字コードを同一視するようなプログラムを書く

  20. 用字系と使用言語の関係 • 「どの言語で書かれたテキストか」と「どの用字系が使われているか」を区別することも多言語処理では重要 • 同じ字と思しき字でも使われる用字系が違うと異なるコードが割り振られるべき。 • ユニコードのCJK(日中韓統一漢字コード)は、3ヶ国語の漢字を字形が似ているという理由で同じコードに割り当てている。

  21. 左右 縦横 • 文を 右から左に書くか、 左から右に書くか • 文を縦書きするか、横書きするか • このような問題は文字コードの問題か、言語の問題か、用字系の問題か •  平文(plain text) vs 構造化文書

  22. Plain Text  vs 構造化文書 • Plain text は単なる文字コードの連なり。表示や論理的構造を持たない。 • ネットワークエチケットのひとつにメールは Plain text で書くということがある。 • 構造化文書はタグによって、文書の論理構造や表示の指示、あるいは使用言語などまで指定したもの。 LaTex,SGML、XML、HTMLなど

  23. 自動文字コード認識 • ISO2022のエスケープシーケンスを探す • JIS、SJIS、EUCなどを仮定して復元。日本語らしい言語統計になるのが正しい文字コード • 言語統計とは? • 文字の頻度統計、N-gram統計、単語の頻度

  24. 文字コード変換ツール(UNIX) • nkf -変換先コード ファイル名 • 変換先コードは j、s、e、m

  25. 便利な情報リソース • 情報通信辞典:http://www.e-words.ne.jp/

  26. 使用言語の推定 • あるテキストの文字コードが分かると次はそのテキストが記述されている言語を推定 • 使用言語推定 • 言語特有の文字コード、文字列パタン、 • 言語固有の文字出現頻度、 • 言語固有の文字列 (n-gram)出現頻度 • などによって判断

More Related