Ccmmutty logo
Commutty IT
1
0 pv13 min read

自動で文章にルビを振りたい!

https://cdn.magicode.io/media/notebox/8d7b7b1d-d63a-4991-b561-f116e259f2b2.jpeg

形態素解析ライブラリを利用して、振り仮名を!

昔の記事でpykakasiというルビを振るためのツールをお勧めしたことがありましたが、
ふりがなの精度は結構悪いです。(お金→おきん)
当時の記事
Pythonおすすめライブラリ
そんなわけで、もうちょっとマシな精度(絶対安心ではない)の形態素解析ライブラリを使用して、無理矢理ルビを振ることにしました。
形態素解析ライブラリを知ってる人なら、MeCabがまず浮かびますでしょうが、導入が若干だるいです。
そんなわけで、Pythonで扱うには最も手軽なjanomeを利用していきます。
スピードは少し下がるようですが、精度はMeCabと同じでした。(導入する辞書によって差異は発生します)
Pythonの導入に関しては下記の記事をご覧ください

Python導入編

pip install janome
これだけで、janomeの導入は終わり!
Mecabだと別途辞書のインストールや設定が必要なので、ふりがなを振る程度なら必要ないです。

テキストファイルを読み込む関数を用意

まずはテキストファイルを読み込む関数を用意します。
ちなみに、最後にコピペするだけで、すぐに使用可能な状態でまとめたのコードがのってありますので、
仕組みにまったく興味のない人は最後のサンプルまでどうぞ。
ついでに、これらのコードでいかなる損害を受けようともこちらは保証しません。
(ので、振り仮名を振る前にテキストファイルのバックアップは取っておいてくださいね)
これがテキストファイルを読み込む関数となります。 エンコード関係なく開けるので結構便利ですよ(自慢)
python
def read_file(file_path):
    encodings = ['utf-8', 'Shift_JIS', 'euc_jp', 'iso2022_jp']
    
    for enc in encodings:
        try:
            with open(file_path, 'r', encoding=enc) as f:
                text = f.read()
                break
        except UnicodeDecodeError:
            text =""
            continue
    else:
        # どのエンコーディングでもファイルを正常に読み取れなかった場合、エラー出力
        raise
    
    return text

振り仮名を振る関数

次に形態素解析ライブラリのjanomeを利用して振り仮名を振る関数を用意します。
easy_reading Already_read Already_read Already_read Already_read Already_read
python
from janome.tokenizer import Tokenizer

import os
import re
import sys


def hurigana(text_load, easy_reading=set()):
    text_load = text_load.split("\n")

    if os.path.exists(Junior := r"小学生で習う漢字一覧のテキストファイル.txt"):
        easy_reading = easy_reading.union(set(read_file(Junior)))
    Already_read = easy_reading

    t = Tokenizer()

    write_text = ""

    for text in text_load:
        # 初期化 例では"["を検出する
        if "[" in text:
            write_text += text + "\n"
            Already_read = easy_reading
            continue
        novel_text = []
        hiragana_text = []
        tokens = t.tokenize(text)
        for token in tokens:
            if len(token.surface) > 0:
                novel_text.append(token.surface)
                # カタカナが入ってしまってる
                hiragana_text.append(token.reading)

        is_huri = False
        for e, new_text in enumerate(novel_text):
            # すでにふりがなが振ってある場合、なにもしない
            if "|" in new_text or is_huri:
                write_text += novel_text[e]
                is_huri = True
                Already_read = Already_read.union(set(new_text))

                if "》" in new_text:
                    is_huri = False

            else:
                new_kanji = False
                # 重複漢字スルー
                for new in new_text:
                    if (13312 < ord(new) < 64217 or ord(new) == 12293) and not new in Already_read:
                        new_kanji = True
                if new_kanji:
                    # 仮の方法
                    write_text += rf"|{novel_text[e]}{hiragana_text[e]}》"
                    Already_read = Already_read.union(set(new_text))

                else:
                    write_text += novel_text[e]

        write_text += "\n"

    return write_text


if __name__ == "__main__":
    #  hurigana(read_file(r"封印魔道士は魔道士になる夢を見る.txt"))
    print(hurigana(text_load="封印魔道士は魔道士になる夢を見る"))

|封印《フウイン》|魔道《マドウ》|士《シ》は魔道士になる|夢《ユメ》を|見る《ミル》
  • ここから二つのこととが分かります
    • ふりがながカタカナ
    • 送り仮名まで一緒にルビが振られてしまう(|見る《ミル》)
ただし、問題が一つあり、
難しい漢字しだいでは振り仮名に《*》が付きます
そのため、手入力による修正が必要と鳴りますので、気をつけてください
二回目の魔道士に振り仮名が振られていないのは、easy_readingで二回目以降の振り仮名を防いでいるのが理由です。
# 重複漢字スルー
    for new in new_text:
        if (13312 < ord(new) < 64217 or ord(new) == 12293) and not new in easy_reading:
            new_kanji = True
細かいところを調整したい人は各自で頑張ってください。
例えば"小学生で習う漢字一覧のテキストファイル.txt"の欄があるようにすべての漢字に振られても読みにくいので、
自分の環境では振られないようにしています。
参考サイト
学年別漢字配当表 - 文部科学省

カタカナをひらがなにする関数

さて、カタカナをひらがなにするのは簡単なので、サクッとしてしまいましょう。
python
# カタカナをひらがなにする関数
def kata2Hira(target):
    return "".join(
        [
            chr(n - 96) if (12448 < n and n < 12535) or n == 12541 or n == 12542 else chr(n)
            for n in [ord(c) for c in target]
        ]
    )
print(kata2Hira("|封印《フウイン》|魔道《マドウ》|士《シ》は魔道士になる|夢《ユメ》を|見る《ミル》"))

|封印《ふういん》|魔道《まどう》|士《し》は魔道士になる|夢《ゆめ》を|見る《みる》
次の問題は|見る《みる》ですね。
もっと悪いことに、「思い通り」の場合だと、|思い通り《オモイドオリ》みたいになります。
ということで次は"思い通り"と"おもいどおり"の二つの引数を渡すことで、
|思《おも》い|通《どお》りと表示させるようにします。

ルビを漢字のみに振る

ちなみに下記のコードはpykakasiの時に頑張って作ったのですが、
上記のパターンを含めて、色々思考錯誤した結果、かなり読みにくくなりました。
そんなわけで、変数もグダグダですが、改修は皆様の手に託された!
(こうやって攻略本は滅びていったんだよな)
python
def ruby_conversion(kanjis, hiragana):
    idiom_list = []
    is_Ruby = []

    # 漢字の位置検出
    hira_position = [
        e
        for e, hira in enumerate(kanjis)
        if (13312 < ord(hira) < 64217 or ord(hira) == 12293)
        and not e
        in [
            e + 1
            for e, hira in enumerate(kanjis)
            if 13312 < ord(hira) < 64217 or ord(hira) == 12293
        ]
    ]
    hira_position.append(len(kanjis))

    #
    first_spel = min(hira_position)
    hira_position = [h - first_spel for h in hira_position]
    if first_spel:
        first_hira = kanjis[:first_spel]
        kanjis = kanjis[first_spel:]
        hiragana = hiragana[first_spel:]

    else:
        first_hira = ""

    # 単語ごとに切り取り
    for e, kanji_choice in enumerate(hira_position):
        if e < len(hira_position) - 1:
            idiom_list.append(kanjis[hira_position[e] : hira_position[e + 1]])

    end_word = True

    for e, idiom in enumerate(reversed(idiom_list)):
        # 二つ以上ある単語の末尾確認
        if e != len(idiom_list) - 1:
            e = (e * -1) - 2
            before_endspel = idiom_list[e][-1]
            end_word = False

        start_count = 0
        for enu, hira in enumerate(reversed(hiragana)):
            # ひらがなの中に単語が入っていないか見ながら、重複阻止
            hira_end_count = len(
                [c for c in idiom if not 13312 < ord(c) < 64217 and ord(c) != 12293]
            )
            if not end_word and enu >= hira_end_count:
                if before_endspel == hira:
                    start_count -= 1
                    if hira_end_count == 0:
                        hira_end_count = None
                        is_Ruby.append(
                            f"|{idiom[: hira_end_count]}{hiragana[start_count+1 :hira_end_count]}》"
                        )
                    else:
                        hira_end_count = hira_end_count * (-1)
                        is_Ruby.append(
                            f"|{idiom[: hira_end_count]}{hiragana[start_count+1 :hira_end_count]}{idiom[ hira_end_count :]}"
                        )

                    end_word = True
                    hiragana = hiragana[: start_count + 1]
                    break
                elif enu == len(hiragana) - 1:
                    assert not enu == len(hiragana) - 1

                else:
                    start_count -= 1
            elif not end_word:
                start_count -= 1

            # 最後の単語はひらがなの文字数に応じて切り取り
            elif end_word:
                if hira_end_count == 0:
                    hira_end_count = None
                    is_Ruby.append(f"|{idiom[: hira_end_count]}{hiragana[ :hira_end_count]}》")
                else:
                    hira_end_count = hira_end_count * (-1)
                    is_Ruby.append(
                        f"|{idiom[: hira_end_count]}{hiragana[ :hira_end_count]}{idiom[ hira_end_count :]}"
                    )
                break

    re_is_ruby = first_hira + "".join(is_Ruby[::-1])

    return re_is_ruby


print(ruby_conversion("封印魔道士は魔道士になる夢を見る", "ふういんまどうしはまどうしになるゆめをみる"))

|封印魔道士《ふういんまどうし》は|魔道士《まどうし》になる|夢《ゆめ》を|見《み》る
上手くいきましたね。
これら全部を組み込んだ関数が以下の通りとなります。
また、出力が若干違いますので、そのあたりも踏まえてご確認ください。

最後にまとめたサンプルとなります

python
from janome.tokenizer import Tokenizer
import os

def huriganas(text_load, easy_reading=set()):
    text_load = text_load.split("\n")

    if os.path.exists(Junior := r"小学生で習う漢字一覧のテキストファイル.txt"):
        easy_reading = easy_reading.union(set(read_file(Junior)))
    Already_read = easy_reading

    t = Tokenizer()

    write_text = ""

    for text in text_load:
        # 初期化 例では"["を検出するつと
        if "[" in text:
            write_text += text + "\n"
            Already_read = easy_reading
            continue
        novel_text = []
        hiragana_text = []
        tokens = t.tokenize(text)
        for token in tokens:
            if len(token.surface) > 0:
                novel_text.append(token.surface)
                hiragana_text.append(kata2Hira(token.reading))

        is_huri = False
        for e, new_text in enumerate(novel_text):
            if "|" in new_text or is_huri:
                write_text += novel_text[e]
                is_huri = True
                Already_read = Already_read.union(set(new_text))

                if "》" in new_text:
                    is_huri = False

            else:
                new_kanji = False
                for new in new_text:
                    if (13312 < ord(new) < 64217 or ord(new) == 12293) and not new in Already_read:
                        new_kanji = True

                if new_kanji:
                    if not len(
                        [i for i in hiragana_text[e] if (13312 < ord(i) < 64217 or ord(i) == 12293)]
                    ):
                        write_text += ruby_conversion(novel_text[e], hiragana_text[e])
                        Already_read = Already_read.union(set(new_text))
                    else:
                        write_text += novel_text[e]

                else:
                    write_text += novel_text[e]

        write_text += "\n"

    return write_text


if __name__ == "__main__":
    print(huriganas(text_load="封印魔道士は魔道士なる夢を見る"))

|封印《ふういん》|魔道《まどう》|士《し》は魔道士なる|夢《ゆめ》を|見《み》る
これじゃぁ、ちょっと片手落ちということで
上記のコードに下記のコードをちょいと付け足し
python
if __name__ == "__main__":
    text_file_path = r"Windows10の場合、Shift + 右クリックでパスのコピーがでます.txt"
    
    ruby_text = hurigana(read_file(text_file_path))
    
    ruby_path = os.path.abspath(text_file_path)[:-4] + "_ruby.txt"
    with open(ruby_path, "w", encoding="utf-8") as f:
        f.write(ruby_text)
振り仮名を振って欲しいテキストファイルにShift + 右クリック(Windows11だとそのまま出ます)
そして、ベースとでおk
text_file_path = r"コピーしたファイルパスをベースト"
text_file_pathに入れたファイルパスと同じフォルダーに"_ruby"と名前が付いて、
振り仮名が振られたファイルを保存します。
参考サイト
chatGPT
【Python】漢字をローマ字・ひらがな・カタカナに自動変換する

Discussion

コメントにはログインが必要です。