s-yata https://blog.hatena.ne.jp/s-yata/ やた＠はてな日記 https://s-yata.hatenadiary.org/ HTML のルビ振り用タグ（<ruby>）は表記と読みのペアを抽出するのに使えそうな気がしたので，約 1000 万ページからルビを取り出してみました．ルビを使っているページ自体が少ないので，抽出できたルビはノイズや重複込みで約 800 万件，重複を除くと約 80 万件でした．ルビの例を以下に示します．左側が元の文字列で，右側がルビです． 文字化 もじか 文字化 もじば 文字化 モジカ 文字化 モジバ 文字塔 もじとう 文字塔二基 もじとうにき 文字太夫 もじだゆう 文字弁道 もんじべんどう 文字式 もじしき 文字手摺昔人形 もじてずりむかしにんぎやう 文字打ち労務 シナリオ 文字揃 もじそろ … 190 <iframe src="https://hatenablog-parts.com/embed?url=https%3A%2F%2Fs-yata.hatenadiary.org%2Fentry%2F20100704%2F1278254768" title="ruby タグで表記と読みのペアを抽出（できるかも） - やた＠はてな日記" class="embed-card embed-blogcard" scrolling="no" frameborder="0" style="display: block; width: 100%; height: 190px; max-width: 500px; margin: 10px 0px;"></iframe> Hatena Blog https://hatena.blog 2010-07-04 23:46:08 rich https://s-yata.hatenadiary.org/entry/20100704/1278254768 1.0 100%