【第5回】Python3とMeCabを使ってHTMLでふりがな（自動ルビ振り）を実現させるためへの挑戦

1 はじめに
2 漢字と片仮名混じりのテキストにHTMLのふりがなを振る
3 漢字と片仮名混じりのテキストでもHTMLのふりがなが適切に振られた
4 まとめ

はじめに

HTMLでふりがなをつけるのはなかなか面倒である。それをいかに自動でふりがなを振れるかに挑戦中である。前回ではMeCabの辞書を変更し、またいくつかの漢字と仮名のパターンを追加した。

漢字と片仮名混じりのテキストにHTMLのふりがなを振る

前回の作業中に気づいたのだがテストしていると「イラン産」や「魔法少女リリカルなのは」、「160立方メートル」のような片仮名まじりの言葉の時に適切にふりがなが振られていないことがわかったので、今回はそこを直していこうと思う。

修正前

イラン産いらんさん
魔法少女リリカルなまほうしょうじょりりかるなのは
立方メートルりっぽうめーとる

正規表現でひらがなのみマッチさせていたのをカタカナにも対応させる

コード内にふりがなを認識させていた部分「\u3041 -\u3093\」をカタカナにも対応させるために「\u30A1-\u30FC」を追加する。
厳密にカタカナのみにマッチさせるなら「\u30A1-\u30F4」となるが、カタカナで多用する長音「ー」も含めるために「\u30A1-\u30FC」とする。
それを合わせると「[\u3041 -\u3093\u30A1-\u30FC]」になる。

ふりがなを抽出するコードも修正

ふりがな以外を削除していたコードも修正する必要がある。

# 片仮名を仮名にする
origin_split_0_kana = henkan(origin_split[0])
# 読み仮名の行頭から始めの仮名を削除
kana = kana.lstrip(origin_split_0_kana)

上記のようにカタカナの部分をふりがなに変え、「kana」の変数からふりがな部分以外を削除する。

修正後

イラン産さん
魔法少女まほうしょうじょリリカルなの
立方りっぽうメートル

漢字と片仮名混じりのテキストでもHTMLのふりがなが適切に振られた

これでカタカナまじりでもちゃんとHTMLのふりがなが振られるようになった。これでまた一歩前進したが、まだまだ厄介なのが残っている。

まとめ

新しい辞書のせいで「月は東に日は西に」（なんかのアニメらしい）も固有名詞と扱われ「<ruby><rb>月は東に日は西</rb><rt>つきはひがしにひはにしに</rt></ruby>」とふりがなが振られるので、次回は、これを修正していきたいと思う。

現状でのコードは下記の通り。

#!/usr/local/bin/python3
# -*- coding: utf_8 -*-
import sys
import MeCab
import re
import jaconv
def henkan(text):
    kana = jaconv.kata2hira(text)
    return kana
def tohensu(origin, kana):
    origin = "".join(origin)
    kana = "".join(kana)
    return origin, kana
def kanadelete(origin, kana):
    origin = list(origin)
    kana = list(kana)
    num1 = len(origin)
    num2 = len(kana)
    okurigana = ""
    if origin[num1-1] == kana[num2-1] and origin[num1-2] == kana[num2-2]:
        okurigana = origin[num1-2]+origin[num1-1]
        origin[num1-1] = ""
        origin[num1-2] = ""
        kana[num2-1] = ""
        kana[num2-2] = ""
        origin, kana = tohensu(origin, kana)
    elif origin[num1-1] == kana[num2-1]:
        okurigana = origin[num1-1]
        origin[num1-1] = ""
        kana[num2-1] = ""
        origin = "".join(origin)
        kana = "".join(kana)
    else:
        origin, kana = tohensu(origin, kana)
    return origin, kana, okurigana
def kanji_kana(origin, kana):
    # 仮名を基準に分割
    origin_split = re.split(r'([\u3041 -\u3093\u30A1-\u30FC]+)', origin)
    # 不要な空白を削除
    origin_split = [x.strip() for x in origin_split if x.strip()]
    # 片仮名を仮名にする
    origin_split_1_kana = henkan(origin_split[1])
    # 「送り仮名」を含んだ「読み仮名」から「送り仮名」を後方一致で削除する
    kana = kana.rstrip(origin_split_1_kana)
    # それぞれ分割したものをHTMLのタグに挿入する
    print(
        "<ruby><rb>{0}</rb><rt>{1}</rt></ruby>".format(origin_split[0], kana), end="")
    print(origin_split[1], end="")
def kana_kanji(origin, kana):
    # 仮名を基準に分割
    origin_split = re.split(r'([\u3041 -\u3093\u30A1-\u30FC]+)', origin)
    # 不要な空白を削除
    origin_split = [x.strip() for x in origin_split if x.strip()]
    # 片仮名を仮名にする
    origin_split_0_kana = henkan(origin_split[0])
    # 「行頭の仮名」を含んだ「読み仮名」から「行頭の仮名」を前方一致で削除する
    kana = kana.lstrip(origin_split_0_kana)
    # それぞれ分割したものをHTMLのタグに挿入する
    print(origin_split[0], end="")
    print(
        "<ruby><rb>{0}</rb><rt>{1}</rt></ruby>".format(origin_split[1], kana), end="")
def kanji_kana_kanji(origin, kana):
    # 漢字を基準に分割
    origin_split = re.split(r'([\u3041 -\u3093\u30A1-\u30FC]+)', origin)
    # 不要な空白を削除
    origin_split = [x.strip() for x in origin_split if x.strip()]
    # 両端から１文字削除（精度を高めるため）
    kana_delete = kana[1:]
    kana_delete = kana_delete[:-1]
    # 両端から１文字削除したものの中に該当する仮名がいくつ存在するか確認し（２文字以上存在する場合、この処理の正確性が欠けるため）条件を満たす場合のみ分割しルビを振る
    if kana_delete.count(origin_split[1]) == 1:
        # 片仮名を仮名にする
        origin_split_1_kana = henkan(origin_split[1])
        # 該当する仮名で分割
        kana_split = re.split(u'(' + origin_split_1_kana + ')', kana)
        print(
            "<ruby><rb>{0}</rb><rt>{1}</rt></ruby>{2}<ruby><rb>{3}</rb><rt>{4}</rt></ruby>".format(origin_split[0], kana_split[0], origin_split[1], origin_split[2], kana_split[2]), end="")
    # 条件を満たさない場合は分割せずにルビを振る
    else:
        print(
            "<ruby><rb>{0}</rb><rt>{1}</rt></ruby>".format(origin, kana), end="")
def kanji_kana_kanji_kana(origin, kana):
    # 仮名を基準に分割
    origin_split = re.split(r'([\u3041 -\u3093\u30A1-\u30FC]+)', origin)
    # 不要な空白を削除
    origin_split = [x.strip() for x in origin_split if x.strip()]
    # 行頭から１文字削除（精度を高めるため）
    kana_delete = kana[1:]
    # 行頭から１文字削除したものの中に該当する仮名がいくつ存在するか確認し（２文字以上存在する場合、この処理の正確性が欠けるため）条件を満たす場合のみ分割しルビを振る
    if kana_delete.count(origin_split[1]) == 1 and kana_delete.count(origin_split[3]) == 1:
        # 片仮名を仮名にする
        origin_split_1_kana = henkan(origin_split[1])
        origin_split_3_kana = henkan(origin_split[3])
        kana_split = re.split(
            u'(' + origin_split_1_kana + '|' + origin_split_3_kana + ')', kana)
        kana_split = [x.strip() for x in kana_split if x.strip()]
        # print(kana_split)
        # print(origin_split)
        print(
            "<ruby><rb>{0}</rb><rt>{1}</rt></ruby>{2}<ruby><rb>{3}</rb><rt>{4}</rt></ruby>{5}".format(origin_split[0], kana_split[0], origin_split[1], origin_split[2], kana_split[2], origin_split[3]), end="")
    # 条件を満たさない場合は分割せずにルビを振る
    else:
        print(
            "<ruby><rb>{0}</rb><rt>{1}</rt></ruby>".format(origin, kana), end="")
def kana_kanji_kana(origin, kana):
    # 仮名を基準に分割
    origin_split = re.split(r'([\u3041 -\u3093\u30A1-\u30FC]+)', origin)
    # 不要な空白を削除
    origin_split = [x.strip() for x in origin_split if x.strip()]
    # 片仮名を仮名にする
    origin_split_0_kana = henkan(origin_split[0])
    origin_split_2_kana = henkan(origin_split[2])
    # 読み仮名の行頭から始めの仮名を削除
    kana = kana.lstrip(origin_split_0_kana)
    # 読み仮名の行末から最後の仮名を削除
    kana = kana.rstrip(origin_split_2_kana)
    print(
        "{0}<ruby><rb>{1}</rb><rt>{2}</rt></ruby>{3}".format(origin_split[0], origin_split[1], kana, origin_split[2]), end="")
# mecab = MeCab.Tagger("-Ochasen")
mecab = MeCab.Tagger(
    "-d /usr/local/lib/mecab/dic/mecab-ipadic-neologd -Ochasen")
mecab.parse('')  # 空でパースする必要がある
node = mecab.parseToNode("イラン産")
# node = mecab.parseToNode("魔法少女リリカルなのは")
# node = mecab.parseToNode("160立方メートル")
while node:
    origin = node.surface  # もとの単語を代入
    # アルファベットや数字など読み仮名が存在しない場合にエラーになるので読み仮名が存在する時のみ代入させる
    if node.feature.split(",")[7:]:
        # 読み仮名を代入
        yomi = node.feature.split(",")[7]
        kana = henkan(yomi)
    # 正規表現で漢字と一致するかをチェック
    pattern = "[一-龥]"
    matchOB = re.search(pattern, origin)
    # originが空のとき、漢字以外の時はふりがなを振る必要がないのでそのまま出力する
    if origin != "" and matchOB:
        # 正規表現で「漢字+仮名」かどうかチェック
        matchOB_kanji_kana = re.fullmatch(
            r'(^[一-龥]+)([\u3041 -\u3093\u30A1-\u30FC]+)', origin)
        # 正規表現で「仮名+漢字」かどうかチェック
        matchOB_kana_kanji = re.fullmatch(
            r'(^[\u3041 -\u3093\u30A1-\u30FC]+)([一-龥]+|)', origin)
        # 正規表現で「仮名+漢字」かどうかチェック
        matchOB_kanji_kana_kanji = re.fullmatch(
            r'(^[一-龥]+)([\u3041 -\u3093\u30A1-\u30FC]+)([一-龥]+)', origin)
        # 正規表現で「漢字+仮名+漢字+仮名」かどうかチェック
        matchOB_kanji_kana_kanji_kana = re.fullmatch(
            r'(^[一-龥]+)([\u3041 -\u3093\u30A1-\u30FC]+)([一-龥]+)([\u3041 -\u3093\u30A1-\u30FC]+)', origin)
        # 正規表現で「仮名+漢字+仮名」かどうかチェック
        matchOB_kana_kanji_kana = re.fullmatch(
            r'(^[\u3041 -\u3093\u30A1-\u30FC]+)([一-龥]+)([\u3041 -\u3093\u30A1-\u30FC]+)', origin)
        if origin != "" and matchOB_kanji_kana:
            kanji_kana(origin, kana)
        # 正規表現で「仮名+漢字」の場合
        elif origin != "" and matchOB_kana_kanji:
            kana_kanji(origin, kana)
        elif origin != "" and matchOB_kanji_kana_kanji:
            kanji_kana_kanji(origin, kana)
        elif origin != "" and matchOB_kanji_kana_kanji_kana:
            kanji_kana_kanji_kana(origin, kana)
        elif origin != "" and matchOB_kana_kanji_kana:
            kana_kanji_kana(origin, kana)
        else:
            origin, kana, okurigana = kanadelete(origin, kana)
            print(
                "<ruby><rb>{0}</rb><rt>{1}</rt></ruby>".format(origin, kana), end="")
            print(okurigana, end="")
    else:
        print(origin, end="")
    node = node.next