OCX mini 文書定義

Draft 2025/12/20 小木曽

1. OCX mini とは何か

OCX mini は、OpenCHJに収録するために、文学作品・史料・資料テキストを形態素解析・検索しやすい形でアノテーションするための、最小限のマークアップ方式です。

最大の特徴は次の2点です。

本文に現れるテキストはすべて解析対象になる
解析に不要な情報（読み・注記・書誌情報）は本文から分離する

これにより、

Web茶まめで解析しOpenCHJの表形式でデータを出力できる
解析結果を形態論情報データベース¹や対応ツール上で（文字オフセットで関連付けて）管理できる
メタ情報・ふりがな・コメントなど、本文として不要な情報を解析対象とせず、そのままコーパスとして利用できる
TEIやXHTMLなどのXML文書にも、プレーンテキストにも、同じ方法でアノテーションを追加できる

という利点があります。

ファイルの 文字エンコーディングは UTF-8 を強く推奨します。文字集合はJIS X 0213:2004または JIS X 0208:1990を推奨します。

文書定義ファイルはこちら。

XSD: https://openchj.github.io/schema/ocx/mini/1.0/ocx-mini.xsd

2. 文書の書き方（2つの使い方）

OCX mini は、次の 2通りの形で使えます。

(A) プレーンテキストの最小マークアップ

テキストそのものを <ocx:doc> で囲み、
必要な場所にだけタグを挿入します。

この形式は、

元のテキスト構造をほとんど変えない
人手で修正・校訂しやすい
将来、OCX standard、TEI などのXML文書に変換しやすい

という点で、研究用途に向いています。

サンプル

ソース

素朴《そぼく》な琴《こと》
この明るさのなかへ
ひとつの素朴な琴をおけば
秋の美くしさに耐えかね
琴はしずかに鳴りいだすだろう

ocx mini アノテーション

<ocx:doc textID="八木重吉　貧しき信徒" corpusName="青空文庫" xmlns:ocx="https://openchj.github.io/ns/ocx">
<ocx:r rt="そぼく">素朴</ocx:r>な<ocx:r rt="こと">琴</ocx:r><ocx:eos/>
この明るさのなかへ
ひとつの素朴な琴をおけば
秋の美くしさに耐えかね
琴はしずかに鳴りいだすだろう<ocx:eos/>
</ocx:doc>

テキストデータをアノテーションする際は、次のようにデフォルト名前空間をhttps://openchj.github.io/ns/ocxとすることでタグの名前空間接頭辞（ocx:）を省略できます。

ocx mini アノテーション（デフォルト名前空間）

<doc textID="八木重吉　貧しき信徒" corpusName="青空文庫" xmlns="https://openchj.github.io/ns/ocx">
<r rt="そぼく">素朴</r>な<r rt="こと">琴</r><eos/>
この明るさのなかへ
ひとつの素朴な琴をおけば
秋の美くしさに耐えかね
琴はしずかに鳴りいだすだろう<eos/>
<doc>

スキーマを用いてファイルを検証する場合は冒頭のocx:docタグに下記のようにスキーマロケーションを指定します。

<ocx:doc textID="八木重吉　貧しき信徒" corpusName="青空文庫"
    xmlns:ocx="https://openchj.github.io/ns/ocx"
    xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
    xsi:schemaLocation="https://openchj.github.io/ns/ocx
	https://openchj.github.io/schema/ocx/mini/1.0/ocx-mini.xsd">

(B) XHTML (XML) 文書への埋め込み

既存の XHTML（青空文庫HTMLなど）やXML文書のうち、コーパスに取り入れる本文部分（body要素以下）にだけ <ocx:doc> を追加する方法です。

<body>
  <ocx:doc textID="坂本竜馬 船中八策" corpusName="青空文庫" xmlns:ocx="https://openchj.github.io/ns/ocx">
   <div> 一、天下の政権を朝廷に奉還せしめ、政令宜しく朝廷より出づべき事。<ocx:eos/><br/></div>
   <div> 一、上下議政局を設け、議員を置きて万機を参賛せしめ、万機宜しく公議に決すべき事。<ocx:eos/></div>
  </ocx:doc>
</body>

この場合でも、解析対象は <ocx:doc> の中だけです。
<head> のタイトルやメタ情報は解析対象になりません。下記の例の<div class="bibliographical_information">以下も囲まないようにすれば解析対象になりません。

サンプル

ソース：青空文庫船中八策（新字新仮名） https://www.aozora.gr.jp/cards/000908/files/4254_16911.html
- 青空文庫は文字エンコーディングがShift_JISだが、UTF-8で保存し直すことを強く推奨²

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.1//EN"
    "http://www.w3.org/TR/xhtml11/DTD/xhtml11.dtd">
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="ja" >
<head>
	<!-- meta http-equiv="Content-Type" content="text/html;charset=Shift_JIS" / -->
	<meta http-equiv="content-style-type" content="text/css" />
	<link rel="stylesheet" type="text/css" href="../../default.css" />
	<title>坂本竜馬 船中八策</title>
	<link rel="DC.Schema" href="http://purl.org/dc/elements/1.1/" />
	<meta name="DC.Creator" content="坂本竜馬" />
	<meta name="DC.Publisher" content="青空文庫" />
</head>
<body>
<ocx:doc textID="坂本竜馬 船中八策" corpusName="青空文庫" xmlns:ocx="https://openchj.github.io/ns/ocx"
    xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
	xsi:schemaLocation="https://openchj.github.io/ns/ocx https://openchj.github.io/schema/ocx/mini/1.0/ocx-mini.xsd">
<h1 class="title">船中八策</h1>
<h2 class="author">坂本竜馬</h2>
<div class="main_text">
<br />
<br />
<br />
<div class="burasage" style="margin-left: 1em; text-indent: -1em;">一、天下の政権を朝廷に奉還せしめ、政令宜しく朝廷より出づべき事。<ocx:eos/></div>
<div class="burasage" style="margin-left: 1em; text-indent: -1em;">一、上下議政局を設け、議員を置きて万機を参賛せしめ、万機宜しく公議に決すべき事。<ocx:eos/></div>
<div class="burasage" style="margin-left: 1em; text-indent: -1em;">一、有材の公卿・諸侯<ocx:r rt="および">及</ocx:r>天下の人材を顧問に備へ、官爵を賜ひ、宜しく従来有名無実の官を除くべき事。<ocx:eos/></div>
<div class="burasage" style="margin-left: 1em; text-indent: -1em;">一、外国の交際広く公議を採り、<ocx:r rt="あらた">新</ocx:r>に至当の規約を立つべき事。<ocx:eos/></div>
<div class="burasage" style="margin-left: 1em; text-indent: -1em;">一、古来の律令を折衷し、新に無窮の大典を撰定すべき事。<ocx:eos/></div>
<div class="burasage" style="margin-left: 1em; text-indent: -1em;">一、海軍宜しく拡張すべき事。<ocx:eos/></div>
<div class="burasage" style="margin-left: 1em; text-indent: -1em;">一、御親兵を置き、帝都を守衛せしむべき事。<ocx:eos/></div>
<div class="burasage" style="margin-left: 1em; text-indent: -1em;">一、金銀物貨宜しく外国と平均の法を設くべき事。<ocx:eos/></div>
<div class="jisage_1" style="margin-left: 1em">
　以上八策は、方今天下の形勢を察し、之を<ocx:r rt="うだい">宇内</ocx:r>万国に徴するに、之を捨てて他に済時の急務あるべし。<ocx:eos/>
<ocx:r rt="いやしく">苟</ocx:r>も此数策を断行せば、皇運を挽回し、国勢を拡張し、万国と並立するも亦敢て<ocx:r rt="かた">難</ocx:r>しとせず。<ocx:eos/>
<ocx:r rt="ふし">伏</ocx:r>て<ocx:r rt="ねがは">願</ocx:r>くは公明正大の道理に<ocx:r rt="もとづ">基</ocx:r>き、一大英断を以て天下と更始一新せん。<ocx:eos/><br />
</div>
<br />
<br />
<br />
</div>
</ocx:doc>
<div class="bibliographical_information">
<hr />
<br />
底本：「日本の思想　20　幕末思想集」筑摩書房
<br />
　　　1969（昭和44）年7月5日初版第1刷発行<br />
　　　1975（昭和50）年4月15日初版第4刷発行<br />
底本の親本：「坂本竜馬関係文書」<br />
入力：志田火路司<br />
校正：土屋隆<br />
2004年11月6日作成<br />
青空文庫作成ファイル：<br />
このファイルは、インターネットの図書館、<a href="http://www.aozora.gr.jp/">青空文庫（http://www.aozora.gr.jp/）</a>で作られました。入力、校正、制作にあたったのは、ボランティアの皆さんです。<br />
<br />
<br />
</div>
<div class="notation_notes">
<hr />
<br />
●表記について<br />
<ul>
	<li>このファイルは W3C 勧告 XHTML1.1 にそった形式で作成されています。</li>
</ul>
</div>
</body>
</html>

3. OCX mini の基本原則（重要）

3.1 本文原則

<ocx:doc> の中に書かれた文字は、
すべて形態素解析の対象になる

つまり、

本文中に注記文を書いてはいけない
読み仮名を本文文字として入れてはいけない

という考え方を取ります。

3.2 文は必ず区切る

OCX mini では、文の終わりを必ず明示します。

文末には必ず <ocx:eos/> を置く
これは解析上の文境界マーカーとして機能します。

これは文です。<ocx:eos/>
これも文です。<ocx:eos/>

作業途中で付け忘れがあっても構いませんが、
最終的に「OCX mini 準拠」とする文書では必須です。この境界が「Web茶まめ」や「中納言」などでも文境界として使われます。

4. 使えるタグ（4つだけ）

OCX mini で使う独自タグは 4つだけです。

4.1 `<ocx:doc>`（本文コンテナ）

本文全体を囲む要素です。

textID：作品や資料の識別子
corpusName：コーパス名（例：青空文庫）

<ocx:doc textID="..." corpusName="...">
  （本文）
</ocx:doc>

4.2 `<ocx:eos/>`（文末マーカー）

文の終わりを示す 空のタグです。

……であった。<ocx:eos/>

解析時には 改行1文字として扱われます
見た目には何も表示されません

4.3 `<ocx:r>`（ルビ＝ふりがな）

漢字などにルビを付けるときに使います。

<ocx:r rt="うらやま">羨</ocx:r>しい

要素の中身：本文に出る文字
rt 属性：読み（解析対象外）

読みは本文文字列には含まれません。

4.4 `<ocx:comment/>`（注記）

本文に出さないで注記を残すためのタグです。

<ocx:comment text="外字を通用字に改めた"/>

注記は属性に書く
本文の文字数・オフセットに影響しない

5. 解析用テキストの作り方（概念的説明）

OCX mini 文書から形態素解析用テキストを作るときは：

<ocx:doc> の中の文字だけを集める
<ocx:eos/> を 改行1文字に置き換える
<ocx:r> は中身の文字だけを使う
半角の空白や改行、タブ文字は削除する（残っていてもいいが解析時には除去される）

これにより、

文単位で安定した解析
文字オフセットがずれない
注記や読みが邪魔をしない

という状態が得られます。

6. TEI との関係

OCX mini は TEIを拡張するものではありません。しかしTEIとして完成した文書にアノテーションを加えてコーパス用の解析処理を行う際に有効に使えます。

7. OCX standard との関係

OCX mini は OCX standard のサブセットです。

より詳細な情報の付与や解析時辞書選択などの制御を必要とする場合はOCX standardを利用してください。

8. まとめ

本文文字は全て解析対象になり、解析後の全ての処理の起点になる（しっかり校正し、確定したら全角スペースや記号を含めていっさい変更しない）
文は必ず <ocx:eos/> で切る
読み・注記は 本文に混ぜない
プレーンテキストにも XHTML にも使える

https://doi.org/10.5715/jnlp.21.301 ↩
<?xml version="1.0" encoding="Shift_JIS"?> を削除し、 <meta http-equiv="Content-Type" content="text/html;charset=Shift_JIS" /> を削除ないし無効化しておく。: ↩

OCX mini 文書定義

1. OCX mini とは何か

2. 文書の書き方（2つの使い方）

(A) プレーンテキストの最小マークアップ

サンプル

(B) XHTML (XML) 文書への埋め込み

サンプル

3. OCX mini の基本原則（重要）

3.1 本文原則

3.2 文は必ず区切る

4. 使えるタグ（4つだけ）

4.1 <ocx:doc>（本文コンテナ）

4.2 <ocx:eos/>（文末マーカー）

4.3 <ocx:r>（ルビ＝ふりがな）

4.4 <ocx:comment/>（注記）

5. 解析用テキストの作り方（概念的説明）

6. TEI との関係

7. OCX standard との関係

8. まとめ

4.1 `<ocx:doc>`（本文コンテナ）

4.2 `<ocx:eos/>`（文末マーカー）

4.3 `<ocx:r>`（ルビ＝ふりがな）

4.4 `<ocx:comment/>`（注記）