Skip to the content.

OCX Standard v0.61β

最終更新日: 2026-11-18 小木曽

v0.5 からの主な変更点は 付録 D にまとめています。旧版は OCX Standard v0.5 を参照してください。

目次


1. 目的と位置づけ

OCX (Open CHJ XML) は、日本語テキストを中心とする人文系資料を対象に、次を同時に満たすことを目的とした XML 規格です。

OCX Standard は、OCX mini(最小マークアップ)を包含しつつ、TEI 語彙を利用し、OCX 独自語彙で解析制御を明示します。
本規格は TEI 文書そのものではありません(TEI の語彙を借用しつつ、解析用途に最適化します)。TEI ガイドラインとの対応と相違点は 付録 C にまとめています。

TEI を使わずに OCX Standard の文書を作ることもできます。その手順は、OCX Standard の作り方(TEI を使わない場合) を参照してください。

1.1 OCX mini との関係

OCX mini の要素(ocx:doc, ocx:eos, ocx:r, ocx:comment)は、OCX Standard でも同じ意味で使用できます。OCX mini 準拠文書は、そのまま OCX Standard 準拠文書です。


2. 基本原則

  1. 本文に含まれる文字は、原則としてすべて解析対象とします。
  2. 形態素解析を行わない範囲(解析対象外)は、ocx:skip によって明示します。解析対象外の範囲も本文文字列としては残り、規則による擬似トークン化で短単位と品詞(pos)が与えられます(13.2)。
  3. 原文表記(ルビ・踊り字など)や注記の情報は、属性値として本文文字列と分離して保持します。属性値は解析用テキストに含めません。
  4. XML 要素の交差を避け、実装可能性を優先します。
  5. TEI など他の名前空間の要素と組み合わせる文書では、名前空間を接頭辞付きで記述し、OCX 要素は常に ocx: 接頭辞で識別できるようにします。OCX の要素だけで書く文書では、接頭辞を省略できます(3.3)。

3. 名前空間と接頭辞運用

3.1 名前空間宣言

xmlns:ocx="https://openchj.github.io/ns/ocx"
xmlns:tei="http://www.tei-c.org/ns/1.0"

3.2 接頭辞の運用方針(重要)

この方針により、(a) 他の名前空間の要素と OCX 要素を見分けやすくし、(b) 埋め込み先(XHTML 等)の既存ツールチェーンとの親和性を保ちます。

例(XHTML への埋め込み):

<html xmlns="http://www.w3.org/1999/xhtml"
      xmlns:ocx="https://openchj.github.io/ns/ocx">
  <body>
    <ocx:doc textID="…" corpusName="…">
      …
    </ocx:doc>
  </body>
</html>

3.3 接頭辞の省略(OCX の要素だけで書く文書)

次の条件をすべて満たす文書では、OCX 要素の ocx: 接頭辞を省略できます。

  1. 文書に OCX 以外の名前空間の要素(TEI, XHTML など)を含まない
  2. ルート要素でデフォルト名前空間を xmlns="https://openchj.github.io/ns/ocx" と宣言する
  3. 一つの文書の中で、接頭辞付きの書き方と省略した書き方を混在させない
<doc textID="作品ID" corpusName="コーパス名" xmlns="https://openchj.github.io/ns/ocx">
これは文です。<eos/>
これは<r rt="ふた">二</r>文目です。<eos/>
</doc>

接頭辞を省略しても、名前空間を考慮して処理すれば <eos/> と <ocx:eos/> は同じ要素です。本仕様では、説明の都合上、要素名を常に ocx: 付きで表記します。


4. 文書構造

4.1 ルート要素 ocx:doc

<ocx:doc textID="…" corpusName="…" xmlns:ocx="https://openchj.github.io/ns/ocx">
  …
</ocx:doc>
属性 必須 内容
textID ○ テキスト識別子
corpusName ○ コーパス名

4.2 解析対象範囲

解析対象となるのは ocx:doc の内部のみです。tei:front, tei:back などの要素も、ocx:doc の内部にあれば解析対象になります。埋め込み先文書(XHTML の head など)のうち ocx:doc の外にある部分は解析対象になりません。

書誌情報などのヘッダー(tei:teiHeader や XHTML の head など)は、ocx:doc の 外 に置きます。ocx:doc の内部に置くと、その文字列が解析対象になります。

4.3 最小例(標準)

<ocx:doc textID="作品ID" corpusName="コーパス名"
         xmlns:ocx="https://openchj.github.io/ns/ocx"
         xmlns:tei="http://www.tei-c.org/ns/1.0">
  <tei:body>
    <tei:p>
      <tei:s>これは文です。</tei:s>
      <tei:s>これは二文目です。</tei:s>
    </tei:p>
  </tei:body>
</ocx:doc>

5. TEI 語彙の利用

OCX Standard は TEI 語彙を 閉じたサブセットとしては限定しません。OCX の原則(2章:本文中の文字は原則としてすべて解析対象となり、読み・注記などを本文文字列に混ぜない)を破らない TEI 要素は使用できます。TEI ガイドラインとの相違点は 付録 C を参照してください。

5.1 よく用いる TEI 要素

次の要素は OCX Standard でよく用いる TEI 要素です(これに限定するものではありません)。

このうち OCX Standard が解析上の意味を与えるのは tei:s(文境界、6章)のみです。その他の TEI 要素は、上記の一覧にないものも含め、解析入力生成ではタグを無視し、要素内容の文字列を通常の本文として扱います。

5.2 使用しない TEI 要素と制約

次の要素は OCX の原則と両立しないため使用しません。

次の要素は OCX の要素と役割が重なるため使用せず、OCX の要素を用います。

TEI 代わりに用いる OCX 要素
tei:sic, tei:corr, tei:supplied, tei:surplus ocx:corr(11章)
tei:orig, tei:reg ocx:odoriji(9章), ocx:vMark(10章)

その他の制約:

<tei:g ref="#gaiji01">吉</tei:g>
<tei:g ref="#gaiji02">〓</tei:g>

6. 文境界

6.1 正規形(推奨): tei:s

文は原則 tei:s で括ります。tei:s の終端は文境界であり、解析入力生成では改行 1 文字になります。

<tei:s>……。</tei:s>

tei:s は入れ子にしてはなりません(tei:s の中に tei:s を置かない。TEI と同じ)。

6.2 ocx:eos(文境界表示)

OCX mini 由来の ocx:eos(空要素)も文境界の表示として使用できます。tei:s と ocx:eos のどちらを用いても OCX Standard 準拠です。

……。<ocx:eos/>

ocx:eos も解析入力生成では改行 1 文字になります。

制約(必須)

推奨


7. 割書(warigaki)

7.1 ocx:warigaki(構造要素)

割書を表す構造要素です。属性を持ちません。

<ocx:warigaki>割書本文</ocx:warigaki>

7.2 解析制御(推奨): ocx:skip を外側に付与

割書の解析上の扱いを変える場合、外側に ocx:skip(13.2)を付与します(ocx:skip が親、ocx:warigaki が子)。

<ocx:skip tokenize="single" pos="other">
  <ocx:warigaki>(割書)</ocx:warigaki>
</ocx:skip>

7.3 割書内改行: ocx:wbr(空要素)

原文で割書の内部に改行がある場合、tei:lb ではなく ocx:wbr を用います。

<ocx:warigaki>第一行<ocx:wbr/>第二行</ocx:warigaki>

8. ルビ(フリガナ)

8.1 ocx:r

<ocx:r rt="よみ">表記</ocx:r>

要素内容(文字列)は表記であり、解析対象です。

属性 必須 内容
rt △ ふりがな(右側、または通常の位置)
lrt △ 左側についたふりがな

△: @rt と @lrt のうち少なくとも一方が必要です。@lrt だけを持つ場合も認めます。いずれも属性値のため、解析用テキストには含めません。

<ocx:r rt="よみ" lrt="いみ">表記</ocx:r>
<ocx:r lrt="いみ">表記</ocx:r>

9. 踊り字(odoriji)

9.1 ocx:odoriji

踊り字(ゝゞヽヾ々〳〵 等)を、対応する文字へ展開した上で、原表記を保持します。

こ<ocx:odoriji orig="ゝ">こ</ocx:odoriji>ろ
人<ocx:odoriji orig="々">人</ocx:odoriji>
属性 必須 内容
orig ○ 原表記の踊り字記号(制限語彙)

orig 制限語彙: ゝ ゞ ヽ ヾ 〻 々 〳〵 〱 〲

解析入力生成では、ocx:odoriji の 要素内容のみを出力し、@orig は保持情報(解析用テキストに含めない)とします。

々 について: 解析処理では 々 を自動展開しません(人々 は 人々 のまま解析されます)。ocx:odoriji で展開した記述(上の 人<ocx:odoriji orig="々">人</ocx:odoriji>)も許容します。

踊り字の展開に濁点の補いを伴う場合は、ocx:odoriji を外側、ocx:vMark を内側にします(10章)。


10. 濁点付与(vMark)

10.1 ocx:vMark(濁点)

原文に付与されていなかった濁点を補った場合、濁点を補った文字を ocx:vMark で括って表します。要素内容は 1 文字です(複数の文字に濁点を補う場合は、1 文字ずつ ocx:vMark で括ります)。原表記は、要素内容から濁点を除いた文字です。

例:

<tei:s>智に働け<ocx:vMark>ば</ocx:vMark>角が立つ。情に棹させば流される。意地を通せば窮屈だ。とかくに人の世は住みにくい。</tei:s>

解析入力生成では、ocx:vMark の 要素内容(濁点を補った文字)を出力します。

10.2 踊り字との組み合わせ

踊り字の展開に濁点の補いを伴う場合は、ocx:odoriji を外側、ocx:vMark を内側にします(逆の入れ子は用いません)。

例(原文「かゝみ」を「かがみ」として扱う場合):

か<ocx:odoriji orig="ゝ"><ocx:vMark>が</ocx:vMark></ocx:odoriji>み

11. 誤字・脱字・衍字(corr)

11.1 ocx:corr(誤字・脱字・衍字の修正)

原文に対する修正を ocx:corr で表し、修正後の文字を要素内容とします。修正前の文字は ocx:corr@orig に保存します。

(tei:corr とは仕様が異なります。)

属性 必須 内容
orig ○ 原表記(修正前の文字列。脱字の場合は空文字列)

例:

<tei:s>智に<ocx:corr orig="動">働</ocx:corr>けば角が立つ。情に<ocx:corr orig="竿">棹</ocx:corr>させば流される。
意地を通せば<ocx:corr orig="ば"/>窮屈だ。とかく<ocx:corr orig="">に</ocx:corr>人の世は住みにくい。</tei:s>

解析入力生成では、ocx:corr の 要素内容のみを出力し、@orig は保持情報(解析用テキストに含めない)とします。


12. 注記

12.1 ocx:comment(空要素)

<ocx:comment text="注記内容"/>

13. 解析制御

OCX Standard は、形態素解析の制御を 2種類の範囲タグで表します。

13.1 ocx:proc(解析範囲の特殊処理)

<ocx:proc dic="Kindai-bungo" norm="kata2hira">…</ocx:proc>
属性 必須 内容
dic 任意 形態素解析に用いる辞書(制限語彙、下記)
norm 任意 解析前に適用する正規化規則(制限語彙、下記)

処理順

  1. norm を適用(指定がある場合)
  2. dic で指定した辞書(指定がなければ既定辞書の Gendai-written:現代書き言葉)で通常解析

dic 制限語彙

各辞書は Web茶まめ で利用できる UniDic です。値は辞書名をもとにした略称です。

値 辞書名 時代
Gendai-written(Gendai も可) 現代書き言葉(既定) 現代
Gendai-spoken 現代話し言葉 現代
Kansai 関西方言 現代
Kingendai-novel 近現代口語小説 近代〜現代
Qkana 旧仮名口語 近代〜現代
Kindai-bungo 近代文語 近代
Kinsei-edo 近世江戸口語 近世
Kinsei-kamigata 近世上方口語 近世
Kinsei-bungo 近世文語 近世
Chusei-kogo 中世口語 中世
Chusei-bungo 中世文語 中古〜中世
Chuko-wabun 中古和文 中古
Jodai 上代語 上代
Waka 和歌 上代〜中古
Kanbunkei 漢文系 中古

既定の辞書で解析したい範囲を、別の辞書を指定した ocx:proc の中で示す場合は、dic="Gendai-written"(または dic="Gendai")を指定します。

norm 制限語彙

入れ子にした場合

ocx:proc は入れ子にできます。内側の ocx:proc は、指定していない属性について外側の ocx:proc の指定を引き継ぎ、指定した属性は外側の指定を上書きします。

<ocx:proc dic="Kindai-bungo" norm="kata2hira">
  カタカナ交じりの文語文(近代文語UniDic、カタカナをひらがなに置き換えて解析)
  <ocx:proc norm="none">カタカナのまま解析する範囲(近代文語UniDic)</ocx:proc>
  <ocx:proc dic="Gendai-written" norm="none">既定の状態で解析する範囲</ocx:proc>
</ocx:proc>

13.2 ocx:skip(解析対象外範囲)

<ocx:skip tokenize="single" pos="uri">https://example.org</ocx:skip>
属性 必須 内容
tokenize ○ single / space
pos ○ 制限語彙(下記)

tokenize の意味:

pos 制限語彙


14. 解析入力生成規則(要約)


15. 適合性(Conformance)

15.1 OCX Standard 準拠文書

OCX Standard 準拠と主張する文書は、少なくとも次を満たす必要があります。


16. 互換性と拡張

はいずれも後方互換性を保つ形で追加します。


付録 A: 用語


付録 B: 実装者向けメモ

B.1 スキーマ

検証用に次の 3 つのファイルを公開しています。XSD で要素の配置と属性値を検証し、XSD では表現できない規則を Schematron で検証します。

ファイル 対象
ocx-standard.xsd OCX の要素だけで書く文書(接頭辞の有無は問わない)
ocx-standard-tei.xsd TEI の要素と組み合わせる文書
ocx-standard.sch 上のどちらの文書にも使う Schematron

スキーマの置き場所(URL)は、小数点第1位までのバージョンごとに分けています。小数点第2位以下のバージョンアップ(例: v0.6β → v0.61β)では置き場所を変えず、同じ URL のファイルを更新します。v0.61β のスキーマも schema/ocx/standard/0.6/ に置いています。

ocx-standard-tei.xsd は、TEI 要素を閉じたサブセットとして限定しない方針(5章)に合わせ、TEI 要素を緩やかに(processContents="lax")許容します。TEI 要素自体の構造は検証しませんが、TEI 要素の中にある OCX 要素は検証します。

Schematron(ocx-standard.sch)では、次の規則を検証します。

文境界は、tei:s または ocx:eos が文書中にあるかどうかだけを検証します。すべての文が区切られているかどうかは検証できません。

検証の例(Python の lxml を使う場合):

from lxml import etree, isoschematron

doc = etree.parse("document.xml")
xsd = etree.XMLSchema(etree.parse("ocx-standard.xsd"))  # TEI と組み合わせる場合は ocx-standard-tei.xsd
sch = isoschematron.Schematron(etree.parse("ocx-standard.sch"), store_report=True)

print(xsd.validate(doc), xsd.error_log)
print(sch.validate(doc))
for text in sch.validation_report.iter("{http://purl.oclc.org/dsdl/svrl}text"):
    print(text.text.strip())

XSD の検証には xmllint --noout --schema ocx-standard.xsd document.xml も使えます。Schematron は、oXygen などの XML エディタでも使えます。

TEI の構造まで含めて検証する場合は、TEI のカスタマイズ(ODD)で https://openchj.github.io/ns/ocx 名前空間の要素を許可したスキーマを作る必要があります。

TEI のスキーマ(TEI All など)で検証する場合、ocx:* 要素は TEI の名前空間外の要素としてエラーになります。ODD で https://openchj.github.io/ns/ocx 名前空間の要素を許可するカスタマイズが必要です(付録 C.6)。


付録 C: TEI ガイドラインとの対応と相違点

この付録は、TEI に慣れた利用者や、OCX 文書を TEI 文書に変換する実装者のための参考情報です(規範ではありません)。

C.1 文書構造

TEI 文書は tei:TEI > tei:teiHeader + tei:text > tei:front / tei:body / tei:back という構造をとります。OCX では ocx:doc がルートとなり、その直下に tei:body などを置きます。teiHeader に相当する書誌情報は OCX の対象外で、ocx:doc の @textID, @corpusName のみを持ちます。

OCX TEI
ocx:doc tei:TEI / tei:text
ocx:doc@textID tei:TEI@xml:id または tei:idno

C.2 使用しない TEI 要素と代わりの OCX 要素

TEI OCX 理由
tei:note ocx:comment 注記の文字列を本文に入れないため
tei:ruby / tei:rb / tei:rt ocx:r ふりがなの文字列を本文に入れないため
tei:choice + tei:sic / tei:corr ocx:corr 本文を解析対象となる一つにしぼるため
tei:choice + tei:orig / tei:reg ocx:odoriji, ocx:vMark 同上
tei:app / tei:lem / tei:rdg ocx:comment(異文を記録) 同上
tei:del, tei:subst ocx:comment(削除された文字を記録) 削除された文字を本文に入れないため
tei:fw ocx:comment または ocx:skip 版面の文字を本文として解析しないため
tei:sic, tei:corr, tei:supplied, tei:surplus ocx:corr 書き方を一つにそろえるため
tei:orig, tei:reg ocx:odoriji, ocx:vMark 同上

C.3 意味がずれる点・名前が重なる点

C.4 TEI の書き方と OCX での扱いが異なる点

C.5 TEI への変換の目安

OCX TEI での表現例
<ocx:r rt="よみ">表記</ocx:r> <tei:ruby><tei:rb>表記</tei:rb><tei:rt>よみ</tei:rt></tei:ruby>
<ocx:r lrt="いみ">表記</ocx:r> <tei:ruby><tei:rb>表記</tei:rb><tei:rt place="left">いみ</tei:rt></tei:ruby>
<ocx:comment text="注記"/> <tei:note>注記</tei:note>
<ocx:corr orig="動">働</ocx:corr>(誤字) <tei:choice><tei:sic>動</tei:sic><tei:corr>働</tei:corr></tei:choice>
<ocx:corr orig="ば"/>(衍字) <tei:surplus>ば</tei:surplus>
<ocx:corr orig="">に</ocx:corr>(脱字) <tei:supplied reason="omitted">に</tei:supplied>
<ocx:odoriji orig="ゝ">こ</ocx:odoriji> <tei:choice><tei:orig>ゝ</tei:orig><tei:reg>こ</tei:reg></tei:choice>
<ocx:vMark>ば</ocx:vMark> <tei:choice><tei:orig>は</tei:orig><tei:reg>ば</tei:reg></tei:choice>
<ocx:warigaki>…</ocx:warigaki> <tei:seg type="warigaki">…</tei:seg> など
<ocx:wbr/> <tei:lb/>
<ocx:eos/> tei:s による文の括り
ocx:proc, ocx:skip 対応する TEI 要素なし(ocx:skip pos="foreign" は tei:foreign に近い)

C.6 TEI スキーマで検証する場合

OCX 文書の tei:* 部分を TEI のスキーマで検証する場合は、ODD で次のカスタマイズを行います。


付録 D: v0.5 からの変更点

D.1 新しい要素・規則

D.2 TEI 語彙の扱い

D.3 解析入力生成の明確化

D.4 構成・表記