#!/usr/bin/env python3 """ gy_dhsjr_link.py — 廣韻 × DHSJR 接続スクリプト DHSJR TSV の `単字_見出し` を廣韻.csv の音韻地位に接続し、 各字の音韻地位（声母・清濁・等・開合・韻・摂・声調）と 高松・沼本表に基づく漢音・呉音予測仮名形を付与する。 出力: - dhsjr_gy_linked.tsv : DHSJR 行ごとに音韻地位と予測形を付加 - dhsjr_gy_unmatched.tsv : 廣韻に見つからなかった字の一覧 - dhsjr_gy_multi.tsv : 廣韻に複数エントリがある字の一覧（要確認） 使い方: # 単一 DHSJR TSV を廣韻に接続 python gy_dhsjr_link.py --dhsjr path/to/30-017-01_IRS.tsv \\ --gy 廣韻.csv \\ --outdir ./linked_out/ # ディレクトリ内の全 TSV を一括処理 python gy_dhsjr_link.py --dhsjr-dir path/to/DHSJR/data/ \\ --gy 廣韻.csv \\ --outdir ./linked_out/ # SGY_fanqie.csv も参照してより詳細な音韻情報を付加 python gy_dhsjr_link.py --dhsjr path/to/30-017-01_IRS.tsv \\ --gy 廣韻.csv \\ --sgy SGY_fanqie.csv \\ --outdir ./linked_out/ # HDIC辞書（KTB・SYP・TSJなど）の Entry 列を見出し字として使用 python gy_dhsjr_link.py --dhsjr path/to/KTB.tsv \\ --gy 廣韻.csv \\ --entry-col Entry \\ --outdir ./linked_out/ # 見出し字列と声調列を両方指定（独自列名のTSVへの対応） python gy_dhsjr_link.py --dhsjr path/to/custom.tsv \\ --gy 廣韻.csv \\ --entry-col 見出し字 \\ --tone-col 声調 \\ --outdir ./linked_out/ --entry-col のデフォルトは「単字_見出し」（DHSJR標準）。 --tone-col のデフォルトは「声点」（DHSJR標準）。声調列がない場合は複数音の絞り込みをスキップする。 --itaiji は異体字TSV（NIHUテーブル等）のパス。複数ファイルをカンマ区切りで指定可能。 --itaiji-json は異体字JSON（{"字A":"字B"} や {"字A":["字B","字C"]}、 または [{"c1":"字A","c2":"字B"}] 形式のペアリスト）のパス。 「新字・旧字」のような方向の区別は不要で、廣韻に収録されている側が 自動的に正規化先として選ばれる。 異体字正規化を行う場合、元の字形を GY_正規化前 列に記録する。 Python 3.9 以上。標準ライブラリのみ使用。 ---- データ設計メモ ---- 廣韻.csv の音韻地位フォーマット: 声母 (開合)? 等? (開合)? (重紐ABC)? 韻 声調 例: 端一東平 / 章開三支平 / 見三C東平 SGY_fanqie.csv の主要フィールド: hanzi, shengmu, shengmu_deng, she_kaihe_deng, qingzhuo, rhyme_id, tone_volume_code 音韻地位の6次元: 1. 声母 (shengmu) 2. 清濁 (qingzhuo: 全清/次清/全濁/次濁) 3. 等 (deng: 一/二/三/四) 4. 開合 (kaihe: 開/合/中) 5. 韻 (yun) 6. 声調 (tone: 平/上/去/入) 高松・沼本表の予測形は「等が12等か34等か」「開合」「摂」の組み合わせで決まる。 本スクリプトでは声母行（ハ行系など）と韻摂音形を別々に付与し、 合成予測形は付与しない（組み合わせの多対多性のため）。 照合判定は別スクリプト（今後作成）で行う。 """ from __future__ import annotations import argparse import csv import re import sys from collections import defaultdict from pathlib import Path # --------------------------------------------------------------------------- # 定数: 韻 → 摂 マッピング（廣韻58韻 → 16摂） # --------------------------------------------------------------------------- YUN_TO_SHE: dict[str, str] = { # 通摂 "東": "通", "冬": "通", "鍾": "通", # 江摂 "江": "江", # 止摂 "支": "止", "脂": "止", "之": "止", "微": "止", # 遇摂 "魚": "遇", "虞": "遇", "模": "遇", # 蟹摂 "齊": "蟹", "祭": "蟹", "泰": "蟹", "佳": "蟹", "皆": "蟹", "夬": "蟹", "灰": "蟹", "咍": "蟹", "廢": "蟹", # 臻摂 "真": "臻", "臻": "臻", "殷": "臻", "文": "臻", "欣": "臻", "元": "臻", "魂": "臻", "痕": "臻", # 山摂 "寒": "山", "桓": "山", "刪": "山", "山": "山", "先": "山", "仙": "山", # 效摂 "蕭": "效", "宵": "效", "肴": "效", "豪": "效", # 果摂 "歌": "果", "戈": "果", # 假摂 "麻": "假", # 宕摂 "陽": "宕", "唐": "宕", # 梗摂 "庚": "梗", "耕": "梗", "清": "梗", "青": "梗", # 曽摂 "蒸": "曽", "登": "曽", # 流摂 "尤": "流", "侯": "流", "幽": "流", # 深摂 "侵": "深", # 咸摂 "覃": "咸", "談": "咸", "鹽": "咸", "添": "咸", "咸": "咸", "銜": "咸", "嚴": "咸", "凡": "咸", } # --------------------------------------------------------------------------- # 定数: 声母 → 清濁（廣韻.csvに清濁情報がない場合の補完用） # --------------------------------------------------------------------------- SM_QINGZHUO: dict[str, str] = { # 全清 "幫": "全清", "端": "全清", "知": "全清", "精": "全清", "心": "全清", "荘": "全清", "莊": "全清", "章": "全清", "照": "全清", "見": "全清", "影": "全清", "非": "全清", # 次清 "滂": "次清", "透": "次清", "徹": "次清", "清": "次清", "初": "次清", "昌": "次清", "穿": "次清", "溪": "次清", "曉": "次清", "敷": "次清", # 全濁 "並": "全濁", "定": "全濁", "澄": "全濁", "從": "全濁", "邪": "全濁", "崇": "全濁", "牀": "全濁", "船": "全濁", "常": "全濁", "禪": "全濁", "羣": "全濁", "匣": "全濁", "奉": "全濁", # 次濁 "明": "次濁", "泥": "次濁", "娘": "次濁", "孃": "次濁", "来": "次濁", "來": "次濁", "日": "次濁", "疑": "次濁", "云": "次濁", "以": "次濁", "喩": "次濁", "于": "次濁", "微": "次濁", } # --------------------------------------------------------------------------- # 定数: 声母 → 行（沼本・高松表に基づく） # 呉音・漢音で同じ行になる声母はまとめて記載し、 # 異なる場合は (呉音行, 漢音行) のタプルで示す。 # --------------------------------------------------------------------------- SM_TO_ROW: dict[str, tuple[str, str]] = { # ハ行 "幫": ("ハ", "ハ"), "滂": ("ハ", "ハ"), "並": ("バ", "ハ"), # 全濁→呉音バ行、漢音ハ行 "非": ("ハ", "ハ"), "敷": ("ハ", "ハ"), "奉": ("ハ/バ", "ハ"), # マ行 "明": ("マ", "マ"), "微": ("マ/バ", "マ"), # タ行 "端": ("タ", "タ"), "透": ("タ", "タ"), "定": ("ダ", "タ"), # 全濁→呉音ダ行、漢音タ行 "知": ("タ", "タ"), "徹": ("タ", "タ"), "澄": ("ダ", "タ"), # 全濁→呉音ダ行、漢音タ行 # ナ行 "泥": ("ナ", "ナ"), "娘": ("ナ", "ナ"), "孃": ("ナ", "ナ"), # カ行 "見": ("カ", "カ"), "溪": ("カ", "カ"), "羣": ("カ/ガ", "カ"), # 全濁→呉音ガ行、漢音カ行 "曉": ("ハ", "カ"), "匣": ("カ/ガ", "カ"), # ガ行 "疑": ("カ/ガ", "ガ"), # サ行 "精": ("サ", "サ"), "清": ("サ", "サ"), "從": ("ザ", "サ"), # 全濁→呉音ザ行、漢音サ行 "心": ("サ", "サ"), "邪": ("ザ", "サ"), "荘": ("サ", "サ"), "莊": ("サ", "サ"), "初": ("サ", "サ"), "崇": ("ザ", "サ"), "牀": ("ザ", "サ"), "生": ("サ", "サ"), "章": ("サ", "サ"), "照": ("サ", "サ"), "昌": ("サ", "サ"), "穿": ("サ", "サ"), "船": ("ザ", "サ"), "書": ("サ", "サ"), "常": ("ザ", "サ"), "禪": ("ザ", "サ"), # ザ行（漢音） "日": ("ニ/ザ", "ザ"), # アヤワ行 "影": ("ア/ヤ/ワ", "ア/ヤ/ワ"), "云": ("ワ/ヤ", "ワ/ヤ"), "于": ("ワ/ヤ", "ワ/ヤ"), "以": ("ヤ/ア", "ヤ/ア"), "喩": ("ヤ/ア", "ヤ/ア"), # ラ行 "来": ("ラ", "ラ"), "來": ("ラ", "ラ"), } # --------------------------------------------------------------------------- # 定数: (摂, 等区分) → 漢音韻母形・呉音韻母形 # 等区分: '12' = 一等・二等, '34' = 三等・四等 # 開合: '開' / '合' / '中'（中は開扱い、合は u 冠） # --------------------------------------------------------------------------- SHE_YINMU: dict[str, dict[str, dict[str, str]]] = { "通": { "12": {"漢": "oウ", "呉": "uウ/oウ"}, "34": {"漢": "iウ", "呉": "uウ/oウ/iウ"}, }, "江": { "12": {"漢": "aウ", "呉": "aウ/oウ"}, "34": {"漢": "aウ", "呉": "aウ/oウ"}, }, "止": { "34": {"漢": "i", "呉": "i/e/o"}, }, "遇": { "12": {"漢": "o", "呉": "u/o"}, "34": {"漢": "iヨ/iユ/iウ", "呉": "u/o/iユ/iヨ"}, }, "蟹": { "12": {"漢": "aイ", "呉": "aイ/e"}, "34": {"漢": "eイ", "呉": "aイ/eイ/e"}, }, "臻": { "12": {"漢": "oン", "呉": "uン/oン"}, "34": {"漢": "iン/iユン/uン", "呉": "iン/iユン/uン/oン"}, }, "山": { "12": {"漢": "aン", "呉": "aン/eン"}, "34": {"漢": "eン", "呉": "eン/oン/aン"}, }, "效": { "12": {"漢": "aウ", "呉": "aウ/eウ/oウ"}, "34": {"漢": "eウ", "呉": "eウ"}, }, "果": { "12": {"漢": "a", "呉": "a"}, "34": {"漢": "iヤ", "呉": "iヤ"}, }, "假": { "12": {"漢": "a", "呉": "a/e"}, "34": {"漢": "iヤ", "呉": "iヤ"}, }, "宕": { "12": {"漢": "aウ", "呉": "aウ"}, "34": {"漢": "iヤウ", "呉": "aウ/iヤウ"}, }, "梗": { "12": {"漢": "aウ", "呉": "aウ/iヤウ"}, "34": {"漢": "eイ", "呉": "iヤウ"}, }, "曽": { "12": {"漢": "oウ", "呉": "oウ"}, "34": {"漢": "iヨウ", "呉": "oウ/iヨウ"}, }, "流": { "12": {"漢": "oウ", "呉": "u/uウ/oウ"}, "34": {"漢": "iウ", "呉": "u/iウ/iユ/eウ"}, }, "深": { "34": {"漢": "iム", "呉": "iム/oム"}, }, "咸": { "12": {"漢": "aム", "呉": "aム/eム/oム"}, "34": {"漢": "eム", "呉": "aム/eム/oム"}, }, } # --------------------------------------------------------------------------- # 廣韻.csv 読み込み・インデックス構築 # --------------------------------------------------------------------------- GY_ROW_FIELDS = ( "字頭", "音韻地位", "反切", "韻目原貌", "小韻號", "小韻字號", ) YYQD_PAT = re.compile( r"^(.+?)" # 声母 r"(開|合)?" # 開合（先） r"([一二三四])?" # 等 r"(開|合)?" # 開合（後） r"([A-Za-z]?)" # 重紐 A/B/C r"(.+?)" # 韻名 r"(平|上|去|入)$" # 声調 ) # 廣韻.csv の補字（附音字）検出パターン # 小韻字號が "1a1" のような \d+a\d+ 形式の行は sbgy.xml では added_word として扱われる _SUPPLEMENTARY_JIGO_PAT = re.compile(r'^\d+a\d+$') _BRACKET_HANZI_PAT = re.compile(r'^［(.+)］$') # 補字の字頭表記: ［嬹］ → 嬹 _ANGLE_NOTE_HANZI_PAT = re.compile(r'^(.+?)〈.+〉$') # 字頭注記: 䍧〈牂〉 → 䍧 def gy_headword_keys(hanzi: str) -> list[str]: """廣韻の字頭から索引用キーを返す。注記付き字頭は主字でも引けるようにする。""" keys = [hanzi] m = _ANGLE_NOTE_HANZI_PAT.match(hanzi) if m: main = m.group(1).strip() if main and main not in keys: keys.append(main) return keys def parse_yyqd(yyqd: str) -> dict[str, str] | None: """廣韻の音韻地位文字列を分解して辞書を返す。""" m = YYQD_PAT.match(yyqd) if not m: return None kaihe = m.group(2) or m.group(4) or "" deng_raw = m.group(3) or "" deng_num = {"一": "1", "二": "2", "三": "3", "四": "4"}.get(deng_raw, "") yun = m.group(6) she = YUN_TO_SHE.get(yun, "") deng_class = "12" if deng_num in ("1", "2") or (not deng_num and she in ("果", "流")) else "34" sm = m.group(1) qingzhuo = SM_QINGZHUO.get(sm, "") rows_go, rows_ka = SM_TO_ROW.get(sm, ("", "")) she_deng = SHE_YINMU.get(she, {}).get(deng_class, {}) yinmu_ka = she_deng.get("漢", "") yinmu_go = she_deng.get("呉", "") # 合口への u 付加（前舌母音系のみ） u_prefix_targets = ("a", "e", "i") if kaihe == "合": if yinmu_ka and yinmu_ka[0].lower() in u_prefix_targets: yinmu_ka = "u" + yinmu_ka if yinmu_go and yinmu_go[0].lower() in u_prefix_targets: yinmu_go = "u" + yinmu_go return { "声母": sm, "清濁": qingzhuo, "等": deng_num, "等区分": deng_class, "開合": kaihe or "中", "重紐": m.group(5), "韻": yun, "摂": she, "声調": m.group(7), "漢音行": rows_ka, "呉音行": rows_go, "漢音韻母形": yinmu_ka, "呉音韻母形": yinmu_go, } def build_gy_index(gy_path: Path) -> dict[str, list[dict]]: """ 廣韻.csv を読み込み、字頭をキーとした辞書を返す。 1字が複数音を持つ場合はリストに複数要素が入る。 小韻字號が "1a1" のような \\d+a\\d+ 形式の補字（sbgy.xml では added_word）は、 字頭の ［○］ 括弧を除去して通常エントリと同様にインデックス登録する。 小韻字號の値（"1a1" 等）は parsed["小韻字號"] に保持されるため、 GY_小韻字號 列でその性質を確認できる。 字頭が "䍧〈牂〉" のような注記付き表記の場合は、元の字頭に加えて 主字 "䍧" でも引けるようにする。 """ index: dict[str, list[dict]] = defaultdict(list) with gy_path.open("r", encoding="utf-8-sig") as fh: for row in csv.DictReader(fh): hanzi = row["字頭"].strip() if not hanzi: continue koshu_jigo = row.get("小韻字號", "").strip() if _SUPPLEMENTARY_JIGO_PAT.match(koshu_jigo): # 補字: ［嬹］ → 嬹 に正規化 m = _BRACKET_HANZI_PAT.match(hanzi) if not m: continue # ［○］形式でない補字行は想定外のためスキップ hanzi = m.group(1) parsed = parse_yyqd(row["音韻地位"]) if parsed is None: continue parsed["反切"] = row["反切"] parsed["韻目原貌"] = row["韻目原貌"] parsed["小韻號"] = row["小韻號"] parsed["小韻字號"] = koshu_jigo for key in gy_headword_keys(hanzi): index[key].append(parsed) return dict(index) # --------------------------------------------------------------------------- # SGY_fanqie.csv 読み込み（オプション） # --------------------------------------------------------------------------- def build_sgy_index(sgy_path: Path) -> dict[str, list[dict]]: """ SGY_fanqie.csv を読み込み、字頭をキーとした辞書を返す。 SGY は廣韻より詳細な she_kaihe_deng・shengmu_deng を持つ。 """ index: dict[str, list[dict]] = defaultdict(list) with sgy_path.open("r", encoding="utf-8-sig") as fh: for row in csv.DictReader(fh): hanzi = row["hanzi"].strip() if not hanzi: continue index[hanzi].append({ "SGY_声母": row["shengmu"], "SGY_声母等": row["shengmu_deng"], "SGY_清濁": row["qingzhuo"], "SGY_摂開合等": row["she_kaihe_deng"], "SGY_韻ID": row["rhyme_id"], "SGY_反切": row["fanqie"], }) return dict(index) # --------------------------------------------------------------------------- # 異体字正規化マップ構築 # --------------------------------------------------------------------------- def build_itaiji_map( nihu_paths: list[str], json_paths: list[str], gy_index: dict[str, list[dict]], ) -> dict[str, str]: """ 異体字テーブルから「廣韻に収録されていない字 → 廣韻に収録されている字」 の正規化マップを構築する。 ルール: - 等価グループ内で廣韻にある字を代表字（正規化先）とする。 - 廣韻にある字が複数ある場合は最初の字を採用する。 - 廣韻にある字が1つもないグループは対象外。 - JSON形式: {"字A": "字B"} または {"字A": ["字B", "字C"]} または [{"c1": "字A", "c2": "字B"}, ...]（ペアリスト形式） いずれもキー・バリューや c1/c2 の方向に意味はなく、 グループ内で廣韻にある字を代表字とする。 Args: nihu_paths: NIHUテーブル形式TSVのパスリスト 列構成: 整理番号, 異体1, Unicode1, 異体2, Unicode2, ... json_paths: JSON形式異体字ファイルのパスリスト gy_index: build_gy_index() が返す廣韻インデックス（字が存在するか判定用） Returns: {非廣韻字: 廣韻字} の辞書 """ import json as json_mod itaiji_map: dict[str, str] = {} def _register_group(group: list[str]) -> None: """等価グループを受け取りマップに登録する。""" group = [c.strip() for c in group if c.strip()] if len(group) < 2: return in_gy = [c for c in group if c in gy_index] not_gy = [c for c in group if c not in gy_index] for src in not_gy: if in_gy and src not in itaiji_map: itaiji_map[src] = in_gy[0] # --- NIHUテーブル形式TSV --- for path in nihu_paths: p = Path(path.strip()) if not p.exists(): print(f" [itaiji] ファイルが見つかりません: {p}", file=sys.stderr) continue with p.open("r", encoding="utf-8-sig") as fh: for row in csv.DictReader(fh, delimiter=" "): group = [row.get(f"異体{i}", "").strip() for i in ["1","2","3","4"]] _register_group(group) print(f" [itaiji] NIHUテーブル読み込み: {p.name}", file=sys.stderr) # --- JSON形式 --- for path in json_paths: p = Path(path.strip()) if not p.exists(): print(f" [itaiji] ファイルが見つかりません: {p}", file=sys.stderr) continue with p.open("r", encoding="utf-8-sig") as fh: data = json_mod.load(fh) # {"A": "B"} または {"A": ["B","C"]} または [{"c1":"A","c2":"B"}] を許容 if isinstance(data, dict): for key, val in data.items(): vals = [val] if isinstance(val, str) else (val if isinstance(val, list) else []) _register_group([key] + vals) elif isinstance(data, list): for item in data: if isinstance(item, dict): group = list(item.values()) _register_group(group) print(f" [itaiji] JSON読み込み: {p.name}", file=sys.stderr) return itaiji_map # --------------------------------------------------------------------------- # DHSJR TSV 読み込み # --------------------------------------------------------------------------- def read_dhsjr(path: Path) -> tuple[list[str], list[dict[str, str]]]: header: list[str] | None = None rows: list[dict[str, str]] = [] with path.open("r", encoding="utf-8-sig", newline="") as fh: for raw in csv.reader(fh, delimiter="\t"): if not raw or all(c == "" for c in raw): continue first = raw[0].lstrip("\ufeff") if first.startswith("#"): # SYP など HDIC辞書の「# eof列名 列名...」形式のヘッダー行を検出する。 # "# eof" に続くトークンがヘッダーとして機能している場合、 # 先頭要素から "# eof" 前置詞を除去してヘッダーとして採用する。 if first.lower().startswith("# eof") and len(raw) > 1: raw[0] = re.sub(r"^#\s*eof\S*\s*", "", first, flags=re.IGNORECASE).strip() if not raw[0]: # "# eofSYID" のように列名が接続している場合 raw[0] = re.sub(r"^#\s*eof", "", first, flags=re.IGNORECASE).strip() header = raw continue if header is None: header = raw continue if len(raw) < len(header): raw = raw + [""] * (len(header) - len(raw)) rows.append(dict(zip(header, raw[:len(header)]))) if header is None: raise ValueError(f"ヘッダー行なし: {path}") return header, rows # --------------------------------------------------------------------------- # リンク処理 # --------------------------------------------------------------------------- LINKED_EXTRA_FIELDS = [ "GY_声母", "GY_清濁", "GY_等", "GY_等区分", "GY_開合", "GY_重紐", "GY_韻", "GY_摂", "GY_声調", "GY_漢音行", "GY_呉音行", "GY_漢音韻母形", "GY_呉音韻母形", "GY_反切", "GY_韻目原貌", "GY_小韻號", "GY_小韻字號", "GY_マッチ状況", "GY_正規化前", # 異体字正規化が行われた場合に元の字形を記録 "SGY_声母", "SGY_声母等", "SGY_清濁", "SGY_摂開合等", "SGY_韻ID", "SGY_反切", ] MATCH_UNIQUE = "一意" MATCH_MULTI = "複数音" MATCH_NONE = "未収録" MATCH_SKIP = "照合不要" def link_row( row: dict[str, str], gy_index: dict[str, list[dict]], sgy_index: dict[str, list[dict]] | None, entry_col: str = "単字_見出し", tone_col: str = "声点", itaiji_map: dict[str, str] | None = None, ) -> dict[str, str]: """1行分のリンク処理。元の行辞書に音韻情報を追加して返す。 Args: entry_col: 見出し漢字を格納する列名。 DHSJR標準は「単字_見出し」、KTB/SYP/TSJは「Entry」など。 tone_col: 声調情報を格納する列名。 DHSJR標準は「声点」。列が存在しない場合は複数音の絞り込みをスキップ。 itaiji_map: 異体字正規化マップ {非廣韻字: 廣韻字}。 指定時、廣韻に未収録の字を正規化してから再照合する。 """ out = dict(row) for f in LINKED_EXTRA_FIELDS: out[f] = "" hanzi = row.get(entry_col, "").strip() if not hanzi: out["GY_マッチ状況"] = MATCH_SKIP return out gy_entries = gy_index.get(hanzi, []) if not gy_entries: # 異体字正規化マップがある場合は正規化して再試行 if itaiji_map and hanzi in itaiji_map: normalized = itaiji_map[hanzi] gy_entries = gy_index.get(normalized, []) if gy_entries: out["GY_正規化前"] = hanzi # 元の字形を記録 if not gy_entries: out["GY_マッチ状況"] = MATCH_NONE elif len(gy_entries) == 1: out["GY_マッチ状況"] = MATCH_UNIQUE _fill_gy(out, gy_entries[0]) else: # 複数音：声調ヒントで絞り込みを試みる tone_raw = row.get(tone_col, "").strip() matched = _filter_by_tone(gy_entries, tone_raw) if len(matched) == 1: out["GY_マッチ状況"] = MATCH_UNIQUE _fill_gy(out, matched[0]) else: out["GY_マッチ状況"] = f"{MATCH_MULTI}({len(gy_entries)})" # 複数の場合は最初のエントリを入れつつ全候補を記録 _fill_gy(out, gy_entries[0]) # 全候補の韻・声調を ; 区切りで追記 all_yun = "/".join(f"{e['韻']}{e['声調']}" for e in gy_entries) out["GY_韻目原貌"] = out["GY_韻目原貌"] + f"[候補:{all_yun}]" # SGY リンク（オプション） if sgy_index is not None: sgy_entries = sgy_index.get(hanzi, []) if sgy_entries: s = sgy_entries[0] out["SGY_声母"] = s["SGY_声母"] out["SGY_声母等"] = s["SGY_声母等"] out["SGY_清濁"] = s["SGY_清濁"] out["SGY_摂開合等"] = s["SGY_摂開合等"] out["SGY_韻ID"] = s["SGY_韻ID"] out["SGY_反切"] = s["SGY_反切"] return out def _fill_gy(out: dict, entry: dict) -> None: out["GY_声母"] = entry["声母"] out["GY_清濁"] = entry["清濁"] out["GY_等"] = entry["等"] out["GY_等区分"] = entry["等区分"] out["GY_開合"] = entry["開合"] out["GY_重紐"] = entry["重紐"] out["GY_韻"] = entry["韻"] out["GY_摂"] = entry["摂"] out["GY_声調"] = entry["声調"] out["GY_漢音行"] = entry["漢音行"] out["GY_呉音行"] = entry["呉音行"] out["GY_漢音韻母形"] = entry["漢音韻母形"] out["GY_呉音韻母形"] = entry["呉音韻母形"] out["GY_反切"] = entry["反切"] out["GY_韻目原貌"] = entry["韻目原貌"] out["GY_小韻號"] = entry["小韻號"] out["GY_小韻字號"] = entry.get("小韻字號", "") TONE_LABEL_MAP = { "平": "平", "平濁": "平", "平軽": "平", "上": "上", "上濁": "上", "上軽": "上", "去": "去", "去濁": "去", "去軽": "去", "入": "入", "入濁": "入", "フ入": "入", } def _filter_by_tone(entries: list[dict], tone_raw: str) -> list[dict]: """声点から声調を推定して廣韻エントリを絞り込む。""" if not tone_raw: return entries first = re.split(r"[・／\s]", tone_raw)[0] tone = TONE_LABEL_MAP.get(first, "") if not tone: return entries filtered = [e for e in entries if e["声調"] == tone] return filtered if filtered else entries # --------------------------------------------------------------------------- # 出力 # --------------------------------------------------------------------------- def write_tsv(path: Path, header: list[str], rows: list[dict[str, str]]) -> None: with path.open("w", encoding="utf-8", newline="") as fh: writer = csv.DictWriter(fh, fieldnames=header, delimiter="\t", extrasaction="ignore") writer.writeheader() writer.writerows(rows) print(f" → {path} ({len(rows)} 行)", file=sys.stderr) # --------------------------------------------------------------------------- # メイン # --------------------------------------------------------------------------- def collect_dhsjr_targets(args: argparse.Namespace) -> list[Path]: targets: list[Path] = [] if args.dhsjr: targets.append(Path(args.dhsjr)) if args.dhsjr_dir: targets.extend(sorted(Path(args.dhsjr_dir).glob("*.tsv"))) if not targets: raise SystemExit("--dhsjr または --dhsjr-dir を指定してください。") return targets def main() -> None: parser = argparse.ArgumentParser( description="廣韻 × DHSJR 接続スクリプト", formatter_class=argparse.RawDescriptionHelpFormatter, epilog=__doc__, ) parser.add_argument("--dhsjr", help="単一 DHSJR TSV ファイル") parser.add_argument("--dhsjr-dir", dest="dhsjr_dir", help="DHSJR TSV ディレクトリ（全 *.tsv を処理）") parser.add_argument("--gy", required=True, help="廣韻.csv のパス") parser.add_argument("--sgy", help="SGY_fanqie.csv のパス（省略可）") parser.add_argument("--outdir", required=True, help="出力ディレクトリ") parser.add_argument( "--entry-col", dest="entry_col", default="単字_見出し", metavar="COL", help="見出し漢字を格納する列名（デフォルト: 単字_見出し）。" "KTB・SYP・TSJ など HDIC辞書TSVでは Entry を指定する。", ) parser.add_argument( "--tone-col", dest="tone_col", default="声点", metavar="COL", help="声調情報を格納する列名（デフォルト: 声点）。" "列が存在しない場合は複数音の絞り込みをスキップする。", ) parser.add_argument( "--itaiji", default="", metavar="PATH[,PATH...]", help="NIHUテーブル形式の異体字TSVのパス（カンマ区切りで複数指定可）。" "例: 異体漢字対応テーブル111220版_TSV221111.txt", ) parser.add_argument( "--itaiji-json", dest="itaiji_json", default="", metavar="PATH[,PATH...]", help="JSON形式の異体字ファイルのパス（カンマ区切りで複数指定可）。" '形式: {"字A":"字B"} または {"字A":["字B","字C"]} または [{"c1":"A","c2":"B"}]', ) args = parser.parse_args() outdir = Path(args.outdir) outdir.mkdir(parents=True, exist_ok=True) print("廣韻インデックスを構築中…", file=sys.stderr) gy_index = build_gy_index(Path(args.gy)) print(f" 廣韻 ユニーク字数: {len(gy_index)}", file=sys.stderr) sgy_index: dict[str, list[dict]] | None = None if args.sgy: print("SGY インデックスを構築中…", file=sys.stderr) sgy_index = build_sgy_index(Path(args.sgy)) print(f" SGY ユニーク字数: {len(sgy_index)}", file=sys.stderr) entry_col: str = args.entry_col tone_col: str = args.tone_col if entry_col != "単字_見出し": print(f" 見出し字列: {entry_col}", file=sys.stderr) if tone_col != "声点": print(f" 声調列: {tone_col}", file=sys.stderr) # 異体字正規化マップ構築 itaiji_map: dict[str, str] | None = None nihu_paths = [p for p in args.itaiji.split(",") if p.strip()] json_paths = [p for p in args.itaiji_json.split(",") if p.strip()] if nihu_paths or json_paths: print("異体字マップを構築中…", file=sys.stderr) itaiji_map = build_itaiji_map(nihu_paths, json_paths, gy_index) print(f" 異体字マップ件数: {len(itaiji_map)}", file=sys.stderr) targets = collect_dhsjr_targets(args) # 全体の未収録・複数音集計 all_unmatched: list[dict[str, str]] = [] all_multi: list[dict[str, str]] = [] for path in targets: print(f"処理中: {path.name}", file=sys.stderr) try: orig_header, rows = read_dhsjr(path) except Exception as e: print(f" スキップ ({e})", file=sys.stderr) continue out_header = orig_header + [ f for f in LINKED_EXTRA_FIELDS if f not in orig_header ] linked_rows = [link_row(r, gy_index, sgy_index, entry_col, tone_col, itaiji_map) for r in rows] # メイン出力 out_path = outdir / f"{path.stem}_gy_linked.tsv" write_tsv(out_path, out_header, linked_rows) # 未収録・複数音を収集 mat_field = "GY_マッチ状況" for r in linked_rows: status = r.get(mat_field, "") resource_id = r.get("資料番号", path.stem) base = {"資料番号": resource_id, "単字_見出し": r.get(entry_col, "")} if status == MATCH_NONE: all_unmatched.append(base) elif status.startswith(MATCH_MULTI): all_multi.append({**base, "候補数": status, "GY_韻目原貌": r.get("GY_韻目原貌", "")}) # まとめ出力 if all_unmatched: write_tsv( outdir / "dhsjr_gy_unmatched.tsv", ["資料番号", "単字_見出し"], all_unmatched, ) if all_multi: write_tsv( outdir / "dhsjr_gy_multi.tsv", ["資料番号", "単字_見出し", "候補数", "GY_韻目原貌"], all_multi, ) print("完了。", file=sys.stderr) if __name__ == "__main__": try: main() except BrokenPipeError: sys.exit(0)