【有关青空文库TXT格式】


本来青空文库指的是将日本超过著作权限作品电子化的计划
而青空文库TXT格式简单来说就是通过特定方法编辑日语纯文字文本（.TXT）
好扔到特定的阅读器（后述）上显示为附有汉字假名标注等等一连串特殊样式效果
其中牵涉到包括RUBY在内的XHTML/CSS处理技术
【青空文库TXT文本阅读与编辑】


不论阅读和编辑均需要基本日语能力
- 阅读器方面由较早期的扉（||karasu.xrea.bz/soft_tobira.shtml）
到较新的AIR草纸（||satokazzz.com/airzoshi-desktop）也有
- 至於编辑工具方面除了M$内置的记事本之外还能用其他文本编辑软件如
Mery（||haijin-boys.com/wiki/）和EmEditor（||emeditor.com，在下用这个）
【青空文库TXT格式编辑工序】


- 最基本的是以《》包著前述汉字要标示的假名例子如下
灼眼《しゃくがん》のシャナ
当然也有很多在这以外的tags可以使用（见参考资料 注记一览）
- 编辑上方面分为入力（输入）及校正两大部份
输入除了透过人手手工码字之外就是用能识别日文的OCR（光学字符识别）工具
一般线上ocr（包括谷歌文件内置的）对典型轻小说直式排版+假文标注很是无能
故个人比较推荐的工具是GT Text（||code.google.com/p/gttext/）
- 文本基本输完成后就是校正工作（特别是针对OCR相近字型的视力大考验）
【参考连结及工具】


HTML版工作员作业マニュアル ||aozora.gr.jp/KOSAKU/MANU_MOKU.html
注记一覧 ||aozora.gr.jp/annotation
校正は缲り返し行う ||aozora.gr.jp/KOSAKU/MANUAL_4.html#kosei_kurikaeshi
工作员手帐 ||eunheui.sakura.ne.jp/aozora/
青空文库テキストの入力方法 ||showryu.web.fc2.com/aozora/kaisetsu.html
青空文库形式入力エディタ(β版) ||showryu.web.fc2.com/aozora/aozoraeditor.html
Meryを青空文库形式のエディタとしてつかう
||99nyorituryo.hatenablog.com/entry/2013/09/22/214857
青空文库エディターの使い方
||99nyorituryo.hatenablog.com/entry/2013/10/09/220711

【补完计划详情】


目标：全部原文小说内容（包括单行本未收录外传/番外）
进行全面收录和重新校对
有空再来动画歌词和广播剧文本甚麼甚麼……
文本编码一概沿用日本既有文本的SHIFT-JIS
之后分别转成UTF-8加修系统依存汉字以及PDF方便查阅
终极目标是建立数据库供小说文本考据使用
目前既存由11区流出的青空文库格式TXT：
0-16, S, リシャッフル（画集《红莲》小说）
おじょうさまのしゃな（画集《华焰》小说）
かぐやひめのしゃな（画集《苍炎》小说）
已有OCR&假名标注（非RUBY格式，未校对）：
フューチャー&ホープ（小柯小哀联译时的东西）
在下目前作业坑：
SII《ヤーニング》（收录完成，校对中）
さんじゅうしのしゃな（画集《遮那》小说，收录及校对接近完成）
【待开坑清单】


17-22, SIII
解说书小说《ボールルーム》《ジャグル》《アンコール》
SII全卷这坑在下要了
如无人抢坑在下会先完成S3及解说书小说
之后才选择性开本篇的坑


开坑纯属自愿绝对无酬
抢入力/校正坑者先回贴
可向在下索取原文或支援
但必须定时自行汇报进度

很牛逼的感觉desu

我只会用CTex排版

令在下好奇的是这种txt 格式的夏娜小说中文版原文在网上很容易就能找到，日文版的话日本那边应该早有人录入才对啊

【3/3 进度】


基本校对完成：S2《思念》、三统士夏娜
入力中：法利亚格尼信箱3（S2）&4（S3）
细心看下才发觉有好几种振假名的形式要兼顾
部份是置中有部份是开首
另外还要处理RUBY整个词或是分开的问题……
然后在下察觉到多一个17卷及后没人录入TXT的原因
876在文中用了更多SHIFT-JIS编码不支援的汉字
比如是“蓦地祲”的「祲」字便是所谓机种依存字元
必须在Unicode之下才能显示（另一个例子是女娲的「娲」
於是这注定了要录入其他卷数的话便需要全部存成UTF-8
S2《思念》入力时里面也有察觉到不同的汉字使用
比如是「搔」及「掴」已有代替字元（掻）（掴）
但「祲」和「娲」可没办法解决……

【3/15】
解说书2的小说坑《ENCORE》OCR录入完成
预料今周末能加好RUBY和校对完毕
不仔细读根本不知道这是夏娜作品读者解读能力的最大考验
表面上看起来没甚麼的内容包含了大量以关键字写入的资讯
区区的动画党要读出甚麼来简直天方夜谭
一如《未来与希望》这篇是以展望将来为本
主要讨论的是无何有镜的大形势
还有有关威尔艾米娜等主角们日后的身份和去向
果然『理』之后就是『法』哩
虽然距离清晰成形还有很远的路

【3/16】


SII《居所》开坑
发现GTText的学习功能略有小成
日后重装也必须备份这份学习文件
OCR了5张的结果比以前快和有进步（就差で变成ゼ这类问题）
另外也不是头一次发现作品中引号使用的规则出问题了
神器名称应该是用＂″才对而不是『』
偶然也有挺明显的振假名出错（？）
就不说必须用UTF-8为机种依存文字建立文件甚麼的……

【《夏娜》里的机种依存字元汉字】
除了之前提及过的掴（掴）搔（掻）之外
角色真名部份有以下例子
骸 躯 の换え手 *简体字 躯
虺蜴の帅 ※〔＃「兀にょう＋虫」、第4水准2-87-29〕
惮慑の 筦
弄巧の 摽
祛 邪の刻屈
蓦地 祲
哮呼の 狻 猊
征辽の 睟
剡 展翅
覚の 嘨 吟
羿 鳞
皂 彦士
意外地「无穷の闻き手」里用的确是简化字「无」
这和文中的「无言」之类代表威尔艾米娜的词语使用繁体字的完全不同

其实话说 我曾经非常认真地校对过夏娜的第一卷台版。

话说还有那些短篇是没有中译的，目前？

【3/24】17卷开坑
粗略计算约220页本文到目前为止只是OCR了10%
以在下1小时6页计算光是OCR全本便要36小时
大部份情况下平均平日只有10页左右的速度
也就是说含周末工作量OCR全卷最少2周跑不掉
看来连RUBY和校正预算完成全本最少1个月无误（这也和以往日本自炊职人速度相若）
本来打算将SII剩下来的《ゾートロープ》也搞起好完成全本SII
但短篇毕竟是（相对）沉闷的本篇之间调剂用的就先放著比较好
反正在下的目标是连后记都要处理掉
在目前不是所有现存本篇都有后记的情况下这里有一定的工作量
另外昨天才想起青空阅读器的「纵中横」能在直行同排显示2个半角字
也就是说将！？之类变成半角!?便能当成一个全角字般一起显示了
加上将之前码好的《思念》的RUBY修正（主要是将之前拆开的词合并）
昨天花了半天在这里要到18时左右才正式开坑
另外GT Text经在下调教后似乎只对小说内文字型的辨识度较高……

【IME辞典】
收录自||www.geocities.jp/syana_dict/index.html
进度到S卷
http://pan.baidu.com/s/1jGqjUtw
MSIME及Google日本语入力均可直接导入

【5/4】 ゾートロープ（连SII后记）开坑
17卷校对拖太久了
结果来说还是精神比时间重要
没集中力的话花再多时间去校效果都不会好
SII只差ゾートロープ（连后记）就完工了
之所以拖这麼久是因为纠结应该如何结合漫画化的CHAPTER 2和4
不过目前为止先要做的还是将小说的2个CHAPTER先行收录再说
约220页预定1月的话那50页的内容就是1周左右
尽量完成再开新坑