英文から用語集候補をエクセルへ抽出する

日本語文書から用語集候補文字列を抽出するWildLight辞書を以前公開しましたが、今回は英語文書から用語集候補の単語もしくは連語を抽出する辞書です。

以前、某社で行ったWildLightセミナーの中で、その抽出方法の考え方をお伝えした事があり、その際「いつ出来ますか?」と質問を受けていながら、長らく放置していました。

以下がそのWildLight 用辞書です。WildLight Library に登録されています。

WLDIC_抽出_英文から用語集候補をエクセルへ抜く.txt

この辞書で行っていることは、以下のような文字列を検索し、蛍光ペン付けをしてテキスト抽出しています。

  1. 頭文字が大文字で始まる単語
  2. その単語が連続した連語

具体的にどういうものか? 上記の1「頭文字が大文字で始まる単語」とは、Hello とか HELLO のような単語です。2「その単語が連続した連語」とは、Hello World とか HELLO World など、頭文字が大文字で始まる単語のセットのことです。

用語集候補は、例えば「Microsoft Visual Basic」や「National Art Museum」に見られるように、単語の頭文字が大文字になっている単語/連語の場合が多いので、そういう単語を検索して抜いてしまおうと言うのがアイデアです。

辞書の記述は以下の通り。(わかり易くする為にくどい書き方をしています。)

[A-Z&][A-Za-z0-9\-&]{1,}[ ]
[A-Z&][A-Za-z0-9\-&]{1,}
[&][ ]
ExtractH2Excel

1行目は、頭文字がアルファベットの大文字で、それに続く文字列が英数字で、最後が半角スペースのものを検索して蛍光ペンをつけます。
2行目は、頭文字がアルファベットの大文字で、それに続く文字列が英数字のものを検索して蛍光ペンをつけます。
3行目は、半角のアンドマークと半角スペースのセットを検索して蛍光ペンをつけます。

1行目と2行目は記述が似ています。違いは終端の半角スペースだけです。1行目で、殆どの単語と連語が蛍光ペン付けされますが、文末にある単語は残ってしまいます。それを2行目の記述で蛍光ペン付けします。
何故こんなやり方をしているかと言うと、改行を抽出対象としない為です(抽出されなくなる)
3行目は、単語が&で繋がれている連語を、連語として抽出する為に検索して蛍光ペン付けします。

この辞書ではあくまでも「候補」の抽出しかできません。お分かりの通り、文頭の単語は無条件で抽出対象となります(頭文字が大文字だから)。

抽出された単語/連語を自分の目で見て、不要物を除去して下さい。面倒だと思われる方は、例えば潔く連語だけを残すと言う考え方もあります(用語集に盛り込むべき連語の可能性が高い)。

この辞書の記述はひとつの例でしかありませんので、皆さんの使途に合わせて変えて使ってみて下さい。

[テキスト抽出のポイント]
抽出対象の検索は、ワイルドカードを一文で表現する必要はありません。抽出部位を別々に検索して、蛍光ペン付けするようにします。(これがWildLightの強みです)
蛍光ペンのテキスト抽出機能は、蛍光ペンが付いている連続した文字列を1つの塊として抜き出します。従って、別々に検索して色付けされても、最終的に蛍光ペンでひと塊りになっていれば問題ないのです。

WildLight Ver. 1.05 をリリース

WildLight Users Group で要望の出された機能を盛り込みました。
今回盛り込んだ特殊コマンドは、以下の4つです。

  • Superscript:ON/OFF/CLEAR (上付き文字)
  • Subscript:ON/OFF/CLEAR (下付き文字)
  • Bold:ON/OFF/CLEAR (ボールド体)
  • Italic:ON/OFF/CLEAR (イタリック体)

スイッチのON, OFF, CLEAR には以下の意味があります。

  • ON : 対象となる文字のみを検索対象とする。
    例) Superscript:ON で上付き文字のみを検索します。
  • OFF : 対象となる文字を検索対象外とする。
    例) Subscript:OFF で下付き文字は検索から除外されます。
  • CLEAR : 設定をクリアします。
    例) Italic:CLEAR でイタリック体へ指定された検索指定を解除します。

例えば、ボールドになっていないイタリック体の半角英文字を検索対象としたい場合は、以下のように辞書へ記述します。

Bold:OFF
Italic:ON
[A-Za-z]
Bold:CLEAR
Italic:CLEAR

上記の特殊コマンドの追加に加え、プルダウンメニューに「ワード設定」の項目を追加し、以下を追加しました。

  • 「オートコレクト」
  • 「オートフォーマット」
  • 「入力オートフォーマット」
  • 「ショートカットキー」

これらの機能へメニューから直接アクセスできます。

バグレポートありましたら、ご連絡をお願い致します。

単純なチェック辞書の作り方

WildLight で用語や単語を蛍光ペン付けしたい…という単純な使い方をする場合、辞書ファイルはとても簡単に作成できます。

テキストファイルを新規作成し、蛍光ペン付けしたい文字列を入れていけばいいのです。

<

p style=”padding-left:30px;”>例)
見れ
食べれ

(ら抜き言葉に蛍光ペンを付ける)

この使い方が一番単純でありながら、用途が多いのではないかと思います。ワイルドカードって何?って方でも、この方法でチェックしたい単語や用語をそのまま登録してしまえばいいのです。

WildLight の辞書の作り方がよく分からないという方は、この方法からスタートしてみましょう。

※Windowsであれば「メモ帳」を使えば作成できます。

赤文字のみ文字カウントする

クライアントからの翻訳指示で、部分翻訳の場合、様々な方法で翻訳対象を指示してきます。フォント色を変える事もその手段のひとつで、「赤字だけを翻訳して下さい」といった指示がされます。

そんな時、見積もりを出すための文字カウントが必要になりますが、普通なら、対象外箇所を削除してカウントするなどの手間を掛けざるを得ません。

WildLightの場合、「CountFontColor」コマンドを使えば、特定色の文字だけの文字カウントができます。赤字だけをカウントする場合、以下の1文を記述した辞書を準備することで、赤字部の文字カウントが行えます。

CountFontColor:Red

この辞書を実行すると、赤文字部の文字カウント情報を出力した新規文書が作成されます。

出力例

【Red色文字のカウント】
単語数:37
文字数(スペースを含めない):82
文字数(スペースを含める):92
全角文字+半角カタカナの数:24

[注]図形やテキストボックス内はカウントされません。

青文字をカウントしたければ、「Blue」を指定すればいい事になります。

蛍光ペン部の文字カウントをする

クライアントからの翻訳指示で、部分翻訳の場合、様々な方法で翻訳対象を指示してきます。蛍光ペンもその手段のひとつで、「蛍光ペンの付いているところだけを翻訳して下さい」といった指示がされます。

そんな時、見積もりを出すための文字カウントが必要になりますが、普通なら、対象外箇所を削除してカウントするなどの手間を掛けざるを得ません。

WildLightの場合、以下の1文を記述した辞書を準備することで、蛍光部の文字カウントが行えます。

CountH

この辞書を実行すると、蛍光ペン部の文字カウント情報を出力した新規文書が作成されます。

出力例

【蛍光ペン部のカウント】
単語数:36
文字数(スペースを含めない):75
文字数(スペースを含める):85
全角文字+半角カタカナの数:24

[注]図形やテキストボックス内はカウントされません。

日本語原稿から簡易的に用語を抜く

昨年11月12日に行った翻訳勉強会「十人十色」のワイルドカードセミナーでちょっとお見せした「用語抜き」ですが、1月11日のWildLightセミナーで紹介したら、同様に関心を示して頂けましたので、その考え方をブログ記事にしておきます。

用語集は、顧客が使用する単語を正しく訳文へ適用し、文書内での揺れを無くす上で不可欠な物です。しかし、用語集を作成し管理している顧客や、それを提供してくれる顧客は非常に限られているのが現状です。

ここで説明する方法は、完璧ではないにしろ、翻訳品質管理上、用語集にして翻訳者へ事前提供した方が良い「用語の候補」を、日本語原稿から自動で抜き出す事を目的としています。

では、どうやって用語と思われるものを判断させるか?

実際に日本語原稿を眺め、用語として抜き出した方がいいものを探してみて欲しいのですが、そこから何と無く見えてくるものがあります。

それは…
用語となるものの多くは「漢字とカタカナの塊」であると言う事です。

つまり、漢字とカタカナの塊を抜き出してやると、用語集に必要な用語と思わしきものが抜き出せる事になります。

まず、「漢字とカタカナの塊」を検索して蛍光ペン付けする方法を考えてみましょう。それぞれを検索するワイルドカード文字列は以下の通りです。

漢字は、[一-鶴]
全角カタカナは、[ァ-ヾ]

これを1行で表すと、[ァ-ヾ一-鶴]となります。これをWildLight用辞書に記述する事で、漢字とカタカナの塊に蛍光ペンが付くことになります。あとは、蛍光ペンが付いたところをワードやエクセルへ抜き出してやれば良いわけですが、そのための特殊コマンドが以下のものです。

ExtractH2Word : 蛍光ペン部をワードへ抜く
ExtractH2Excel : 蛍光ペン部をエクセルへ抜く

エクセルへ抜く場合の記述例)

[ァ-ヾ一-鶴]
ExtractH2Excel

ExtractH2WordとExtractH2Excelでは、ユニークな文字列(用語と思わしきもの)だけが抽出され、文字数の大きい順に出力されます。(重複したものは削除される)
また、エクセルへの出力の場合、文書内での登場頻度の情報も付加して出力されます。

抜き出された用語らしきものは、当然、ひとつづつ精査して、本当に必要なものだけを用語として残す作業が必要です。

そもそも、この作業は完璧を全く求めていません。30%の完成度でも無いよりマシである…というところが発想の原点になっています。この考え方はツールを使う上でとても大切だと私は考えています。

TIPS:他の方法
例えば、文書名や文献、規程、規約、法律などの固有名詞は、良く括弧付きで記載されている場合が多いです。つまり、「」『』で括られた文字列は、用語集に必要な用語である場合が多いです。

同様にワイルドカードで記述して蛍光ペン付けを行えば、用語として抜く事ができます。
ちょっと雑ですが、

[『]{1}(*)[』]{1}(tab)¥1
[「]{1}(*)[」]{1}(tab)¥1
ExtractH2Excel

こんな感じになるでしょうか?

これらの処理を行う辞書は、WildLight Library に登録されていますので、ご活用下さい。

WLDIC_抽出和文から用語集候補をWordへ抜く.txt
WLDIC
抽出_和文から用語集候補をExcelへ抜く.txt

抜き出す対象を色々変えて、自分の意図に合う辞書に作り変えてみて下さい。