先日，旧字・旧仮名遣い変換サーバ misimaserver 2.5 をリリースした。misima SOAP Web Service クライアントからのアクセスにおいて，こちらを利用するようにした。辞書の読み込みをすっ飛ばす分，これまでよりもかなり高速に動作するはずである。
SOAP は実はそれ自体の処理（XML パースなど）が重くて misimaserver の改善効果を減らしてしまう。ソケット通信するクライアントで misimaserver を使うと，先に書いたようにパフォーマンスが大幅に改善される。もし Perl 5.8 以上と，ポート番号 34000 で外に接続できるインターネット環境とをお持ちなら，以下に掲げる Perl コード（misimasc）でアクセスするとよい。これは misimaserver の試験用に作ったものである。標準入力から対象テキストを読んで，標準出力に変換結果を書く仕様なので，配布している SOAP クライアントに置き換えて使うこともできると思う。
端末（コマンドライン）で
% misimasc -S yasuda.homeip.net -P 34000 -kyitq -s c < UTF-8テキスト
などと実行すると変換できるはずである。-S と -P 以外の引数 (-kyitq -s c) は misima 変換オプションである。
#!/usr/bin/perl
# -*- mode: cperl; coding: utf-8 -*-
# misimasc: misima client connecting by socket to misimaserver
# 2007(c) isao yasuda, All Rights Reserved.
# $Id: insomnia.txt 222 2014-03-27 11:23:12Z isao $
# DESCRIPTION
# -----------
# - misimaserver への電文を組み立てる。
# - misima オプションを <misima_param> と </misima_param> に挿入する。
# - 変換対象テキストをオプションにすぐ続けて連結する。
# - 変換対象テキスト中の改行文字を :#;~ に変換して一行とする。
# - 電文をソケットに送出する。
# - 変換結果中の :#;~ を改行文字に復元する。
# - 変換結果を出力する。
# HISTORY
# -------
# - 2007/12/04 Ver.2.5 初期作成
use utf8; # UTF-8
use IO::Socket; # Socket
use Getopt::Std; # コマンドライン引数処理
use File::Basename; # ファイル名の取得
use Time::HiRes # 高精度タイマー
qw(gettimeofday tv_interval);
binmode STDOUT, ":utf8";
binmode STDERR, ":utf8";
# 開始
my $ts = [gettimeofday]; # start time
my $host = 'yasuda.homeip.net'; # 接続先
my $port = 34000; # ポート番号
my ($senddata, $moption); # 送信データ
# コマンドラインオプション
my %opts = (
'S' => '0', # server hostname
'P' => '0', # port number
's' => '0', # 旧字変換: しない
'y' => 0, # 用字・用語変換: しない
'k' => 0, # 旧かな変換: しない
't' => 0, # 単純変換: しない
'm' => '0', # マーク: しない
'i' => 0, # 連続文字変換: しない
'n' => 0, # 仮名反転: しない
'x' => '0', # TeX 変換: しない
'c' => '0', # OTF \UTFx 文字
'h' => 0, # 十六進形式変換: しない
'q' => 0, # quiet
'g' => 0, # Germany active: しない
'b' => 0, # BibTeX Compatible: しない
'v' => 0, # Verbose
'd' => 0 # デバッグ: なし
);
if ($opts{'v'}) {
printf STDERR loggingtime() . " * misimaclient start.\n";
}
# コマンドラインオプションから misima パラメータを組立て
Getopt::Std::getopts('s:ym:ktnx:c:hqidgbvS:P:', \%opts) || usage();
foreach my $op (keys %opts) {
if (($opts{$op}) && !($op =~ /[vSP]/)) {
$moption .= "-$op ";
if ($opts{$op} ne '1') {
$moption .= "$opts{$op} ";
}
}
}
$host = $opts{'S'} if ($opts{'S'});
$port = $opts{'P'} if ($opts{'P'});
printf STDERR loggingtime() . " * host: $host; port: $port; parameter:\n"
if ($opts{'v'});
my $param = "<misima_param>$moption<\/misima_param>";
# 標準入力から対象テキストを読む
while (<STDIN>) {
utf8::decode($_);
$senddata .= $_;
}
# 改行コードを特定文字列に変換しておく
$senddata =~ s/\n/:#;~/gm;
# Socket 通信処理
my $socket = IO::Socket::INET->new(PeerAddr => $host,
PeerPort => $port,
Proto => 'tcp'
) || die "Cannot connect: $@\n";
binmode $socket, ":utf8";
printf STDERR loggingtime() . " * $param\n" if ($opts{'v'});
print $socket $param . $senddata . "\n"; # 送信
$socket->flush();
$buf = <$socket>; # 受信
chomp($buf);
printf STDERR loggingtime() . " * receive:\n$buf\n" if ($opts{'v'});
$socket->close();
$buf =~ s/:#;~/\n/gm; # 改行コードを復元
print $buf; # 変換結果出力
# 終了
printf STDERR loggingtime() . " * misimaclient ended. elapse: " .
tv_interval($ts) . " sec.\n" if ($opts{'v'});
# ロギング時刻取得
sub loggingtime {
my ($epocsec, $microsec) = gettimeofday();
my ($sec, $min, $hour, $mday, $mon, $year, $wday, $yday, $isdst) =
localtime($epocsec);
return sprintf("%04d/%02d/%02d %02d:%02d:%02d.%06d",
$year+1900, $mon+1, $mday, $hour, $min, $sec, $microsec);
}
# Usage
sub usage {
my($prog) = basename($0);
die <<"EOM";
misima client programm connecting by a socket to misimaserver Ver.2.5
Usage: $prog [-k|-y|-i|-t|-n|-h|-g|-b|-q|-d|-s [opt]|-x [opt]|
-c [opt]|-m [opt]|-S server|-P port]
-k Convert to historical orthography according to dics and rules
-y Convert according to youji-yougo dic
-i Convert to iteration marks (No marking)
-t Convert according to dic of replace (No marking)
-n Invert kana (convert hira to kata, kata to hira; No marking)
-s Convert to seiji; available alternative options:
c UTF-8 characters
h HTML numeric references (hex decimal)
u TeX OTF package UTF-8 references (hex decimal)
a TeX OTF package CID references
m TeX Konjaku-Mojikyo package DAIKANWA ID references
-x Convert to TeX commands; available options:
k Kanbun kundoku format
u Cyrillic, Latin, Greek, UTF8 characters to TeX sequences
f force TeX convert of UTF8 characters
x use extend tables
r Cyrillic to T2A sequences
t Thai word breaking and TIS-620 hex conversion
T Thai word breaking and UTF-8 output
h UTF-8 to hex conversion
i iterations of multi characters to kunojiten
a k, u and i
-c \\UTFx option; available alternative options:
K Convert JIS to \\UTFK
C Convert JIS to \\UTFC (KANTAIJI)
T Convert JIS to \\UTFT (HANTAIJI)
-m Mark converted string; available alternative options:
h HTML tags
t TeX control sequence
-g Convert Latin diacritical marks to TeX formats in Germany style
-b Convert Latin diacritical marks to TeX formats in BibTeX style
-h Convert all characters to hexadecimal strings 0xFFFF
-q Quiet run
-d Debug: Chasen analysys, dictionary entries display.
-v Verbose
* The programm reads data from stdin and writes to stdout.
EOM
}
# end of file
実行の様子は以下のとおり。-d (デバッグモード) で起動して，形態素解析状況を表示させている。
% cat t.txt
森鴎外はこう言い，内田百間を団扇であおいだ。
僕は黙っていますよ。
% misimasc -S isolde -P 34000 -kyitnd -s c < t.txt
[入力]
森鴎外はこう言い，内田百間を団扇であおいだ。
僕は黙っていますよ。
[形態素解析]
森 森(基本形)-7(名詞) [旧]:(無) [用]:(無)
鴎外 鴎外(基本形)-8(名詞) [旧]:(無) [用]:(無)
は は(基本形)-65(助詞) [旧]:(無) [用]:(無)
こう こう(基本形)-56(副詞) [旧]:かう 3 [用]:(無)
言い 言う(基本形)-47-21-4(動詞-五段・ワ行促音便-連用形) [旧]:(無) [用]:(無)
， ，(基本形)-79(記号) [旧]:(無) [用]:(無)
内田 内田(基本形)-7(名詞) [旧]:(無) [用]:(無)
百間 百間(基本形)-8(名詞) [旧]:(無) [用]:(無)
を を(基本形)-61(助詞) [旧]:(無) [用]:(無)
団扇 団扇(基本形)-2(名詞) [旧]:(無) [用]:(無)
で で(基本形)-61(助詞) [旧]:(無) [用]:(無)
あおい あおぐ(基本形)-47-11-5(動詞-五段・ガ行-連用タ接続) [旧]:あふぐ 1 [用]:(無)
[辞書登録語旧仮名変換活用解析]
- 変換前: |あおい|
- 出現形: |あおい| 型番号: 11
- 基本形: |あおぐ|
- 登録語: |あふぐ|
- 語幹部: |あふ|
- 出語尾: |い|
- 登語尾: |ぐ|
- 語幹節: 2
- 語尾長: 1
- 変換後: |あふい|
だ だ(基本形)-74-54-1(助動詞-特殊・タ-基本形) [旧]:(無) [用]:(無)
。 。(基本形)-78(記号) [旧]:(無) [用]:(無)
僕 僕(基本形)-14(名詞) [旧]:(無) [用]:(無)
は は(基本形)-65(助詞) [旧]:(無) [用]:(無)
黙っ 黙る(基本形)-47-17-6(動詞-五段・ラ行-連用タ接続) [旧]:(無) [用]:(無)
て て(基本形)-64(助詞) [旧]:(無) [用]:(無)
い いる(基本形)-48-6-4(動詞-一段-連用形) [旧]:ゐる 1 [用]:(無)
[辞書登録語旧仮名変換活用解析]
- 変換前: |い|
- 出現形: |い| 型番号: 6
- 基本形: |いる|
- 登録語: |ゐる|
- 語幹部: |ゐ|
- 出語尾: |い|
- 登語尾: |る|
- 語幹節: 1
- 語尾長: 1
- 変換後: |ゐ|
ます ます(基本形)-74-58-1(助動詞-特殊・マス-基本形) [旧]:(無) [用]:(無)
よ よ(基本形)-69(助詞) [旧]:(無) [用]:(無)
。 。(基本形)-78(記号) [旧]:(無) [用]:(無)
[出力]
森鷗外ハカウ言ヒ，內田百閒ヲ團扇デアフイダ。
僕ハ默ツテヰマスヨ。
%
なぜポート番号が 34000 か。ミシマ（3.4 万）だからですよ。
付記：
旧字・旧仮名遣い変換サービスはその後限定公開としました。上記コードでのアクセスは現在は不可になっています。