人工言語学 Wiki

管理の都合により、このWikiはまもなく廃止される予定です。移行先はwiki.conlinguistics.jpです。

もっと見る

人工言語学 Wiki
登録
Advertisement

PDIC 形式とは、PDIC において使われる辞書フォーマットである。

概要

この形式には大きく分けると以下の三つの形式で記すことができる。それぞれで保存方法が異なるので注意が必要である。

  • バイナリ形式
  • CSV 形式
  • 一行テキスト形式

バイナリ形式版

バイナリ形式版では、複数のブロックで構成されたデータ部とブロックの順序・見出し語などを記録したインデックス部に分かれている。

使われている文字コードは Win32 版では Shift_JIS が、Unicode 版では BOCU-1 が使われている。

見出し語を探る際にはまずインデックス部で検索し、そのあとに該当したデータ部を検索するため、少ないアクセス数で高速に検索することができ、単語を追加・削除・編集をする際にも、必要に応じてインデックス部やデータ部を書き換えるだけで済む。

画像や音声、文書データなどの埋め込みや暗号化・圧縮などにも対応している。

CSV 形式版

CSV 形式版は、PDIC でのインポートやエクスポートを目的とした形式で、CSV (カンマ区切り)をベースとしているため表計算ソフトを使った編集が可能である。

PDIC からの出力時に使われている文字コードは Win32 版では Shift_JIS CRLF が、Unicode 版では BOM ありの UTF16-LE CRLF が使われている(入力時にはいくつかの文字コードに対応している)。

一つの単語のレコードは一行で保管され、各項目間はカンマで区切っていく。ただし初めのレコードはヘッダーとして機能し、項目の順序を規定できる。デフォルトの項目の順序は以下のような並びである。

項目名 種類 内容 備考
word 文字列 見出し語
trans 文字列 訳語
exp 文字列 用例
level 数値 単語レベル 0 - 15
memory 数値 暗記マーク 0 : 暗記マーク無し

1 : 暗記マーク有り

modify 数値 修正マーク 0 : 修正マーク無し

1 : 修正マーク有り

pron 文字列 発音記号
filelink 文字列 ファイルリンク(OLEデータ)
keyword 文字列 検索キーワード

CSV の仕様上、項目内にカンマ(,)を含む場合は項目全体をダブルクォーテーション(")で囲まなくてはいけないダブルクォーテーションで囲まれている項目内部でダブルクォーテーションマークを使いたい場合は、記号を二つ並べること("")で使うことができる)。また、出力時に数値以外の項目はダブルクォーテーションマークで囲まれているが必須ではない。

一行テキスト形式版

一行テキスト形式版は、CSV 形式と同じくインポートやエクスポートを目的とした形式で、一つの単語の情報が一行だけで表されている。

PDIC からの出力時に使われている文字コードは Win32 版では Shift_JIS CRLF が、Unicode 版では BOM ありの UTF16-LE CRLF が使われている(入力時にはいくつかの文字コードに対応している)。

書式は以下の様になっている。

<見出し語> /// <訳語> { / <用例> }

訳語内で改行をする際は改行したい箇所にバックスラッシュ(\)を置く。用例がない場合は訳語と用例の間にあるスラッシュ(/)は必要ない

ただしこの形式では、仕様上スラッシュやバックスラッシュは使うことができないどころか、「見出し語・訳語・用例」以外の項目が説明できず。読み込み時に全角句読点などがすべて半角のカンマに書き換えられてしまう

雑記

アルカの幻日辞典俗アルカ辞典は、BOM 無しの UTF-8 CRLF一行テキスト形式が用いられている。

関連記事

外部リンク

Advertisement