日本語形態素解析エンジン MeCab

１．はじめに

日本語を加工する事を考えた時、以前日本語形態素分析エンジンのChasenを使用した事があり、今回もその辺りを使用しようと考えた所、Chasen、ChasenTNGの流れを汲むMeCabがあるとの事で、今回はこちらを使ってみる事にした。

C#あたりから使用する方法は、また別にしてとりあえずインストールをWindowsXPとLinuxに行ってみる。

２．WindowsXPにインストール

Windows版はmecab-0.98.exeをダウンロードして、セットアップを実行するだけでＯＫなので特に困ることはない。

以下は、実行時のメモ。

セキュリティ警告を確認して実行を選択。

セットアップで表示する言語を日本語に指定。

セットアップの開始メッセージを確認して次へ進む。

Windows版は辞書も同時にセットアップされるので、辞書の文字コードを指定する。特に異なるコード系で使用する予定が無ければ、SHIFT-JISのまま。

使用許諾に同意して、

インストール先のフォルダを指定。

プログラムグループ名を確認する。（不要なら作成しないをチェック）

指定内容を確認してインストールを実行。

終了まで待つ。

管理者権限を持つユーザーで実行すると、全てのユーザーに対しても実行を許可するか尋ねられるので、必要に応じて選択する。

辞書の構築開始メッセージを確認。

コマンドプロンプトで辞書の作成が行われる。

完了メッセージを確認してセットアップ終了。


デスクトップに作成されたMeCabアイコンを実行すると、入力画面が開く。

文章を入力して改行すると解析結果が表示される。

３．Linux(CentOS)にインストール

Linux版をインストールする場合は、MeCab本体のソースmecab-0.98.tar.gzとIPA辞書mecab-ipadic-2.7.0-20070801.tar.gzをダウンロードしてセットアップする。

基本的にはホームページに示された標準的な手順に従うだけだが、手元のCentOS 5.5にインストールを試みると、configureでg++が使えないと言われる。
yumコマンドでg++をインストールしようとするが、g++というパッケージは無いとのメッセージ。
gcc関連パッケージは頭にgccと付くようなので、調べてみるとgcc-c++パッケージに含まれているらしい。

# yum install gcc-c++

と実行してg++を追加。

他にiconvが必要と書かれているが、使用した環境ではiconv --helpでヘルプが表示されるのでiconvはインストールされている。

後は一般的な手順に従ってインストールを進める事ができる。

$ tar zxvf mecab-0.98.tar.gz
$ cd mecab-0.98.tar.gz
$ ./configure
$ make
$ make check
$ su
# make install

続いて辞書もインストール。

$ tar zxvf mecab-ipadic-2.7.0-20070801.tar.gz
$ cd mecab-ipadic-2.7.0-20070801.tar.gz
$ ./configure
$ make
$ su
# make install

インストールが終了して端末から変換させてみると化け化け。

はて、出力文字を見るとmecab自体の出力はeucらしいが、分割された文字はまた異なっている。
ホームページでは、mecabの標準動作はeucを使うと書いてある。辞書もeucで作られているらしい。
使用したCentOS 5.5は、標準の文字コードがutf-8なので、辞書をコンパイルする際にutf-8を指定する。

$ tar zxvf mecab-ipadic-2.7.0-20070801.tar.gz
$ cd mecab-ipadic-2.7.0-20070801.tar.gz
$ ./configure --with-charset=utf8
$ make
$ su
# make install

再構築した辞書をインストールして、再度実行すると今度はＯＫ.。

mecabのバイナリもオプションでutf-8動作専用にできるとの事。