あんまりあいだ空けるのもアレなので、今日はさくらインターネットのスタンダード鯖で、MeCab を UTF-8 で使う方法を簡単にご紹介。

まず MeCab は形態素解析のライブラリです。本家サイトはこちら。

MeCab: Yet Another Part-of-Speech and Morphological Analyzer

さくらインターネットのサーバには元から MeCab がインストールされてますので、単に使うだけならそのままでおkです。ただ EUC-JP 版の辞書がインスコされてますので、そのまま UTF-8 なウェブアプリで使用すると〜問題が発生します。今日ご紹介するのはそれを回避する方法です。

回避方法は簡単で、UTF-8 な辞書ファイルを別にインスコするだけです。以下、具体的なやり方。

1. 辞書のアーカイブをサーバにアップロード
   MeCab のダウンロードページ から、IPA 辞書の最新版をダウンロードして、サーバにうpします。
2. アーカイブを展開してインスコ
   以下のコマンドをおもむろに打ち込み、UTF-8 の辞書を $HOME/lib/mecab/dic/ipadic-utf8 にインスコします。インスコ先のパスは適当に変えてください。

   % tar xvzf mecab-ipadic-2.7.0-20070610.tar.gz
   % cd mecab-ipadic-2.7.0-20070610
   % ./configure --with-charset=utf8 --with-dicdir=$HOME/lib/mecab/dic/ipadic-utf8
   % make
   % make install

3. MeCab を動かす
   コマンドラインから MeCab を動かす際は、-d オプションで辞書のディレクトリを指定します。

   % mecab -d ~/lib/mecab/dic/ipadic-utf8 utf8.txt
   あ      フィラー,*,*,*,*,*,あ,ア,ア
   ああ    感動詞,*,*,*,*,*,ああ,アア,アー
   EOS

   プログラムから使用する場合も基本的には同じです。以下は Python バインディングでの使用例。

   import os
   import MeCab
   dicdir = os.path.expanduser('~/lib/mecab/dic/ipadic-utf8')
   m = MeCab.Tagger ("-Ochasen -d%s" % dicdir)
   print m.parse ("今日もしないとね")

ということで本日はこの辺にて。
ではでは☆