kanachain

任意のバイト列を、ブロックをまたいでつながる日本語のしりとりへ可逆変換します。 符号方式は Kana Chain Block Code / 仮名チェーンブロック符号（KCBC）、 現在のフォーマット識別子は A1/D1 です。依存パッケージはありません。

pip install kanachain

CLI

kanachain serialize --text "こんにちは、KCBC"
kanachain serialize --input photo.png --output photo.kana
kanachain deserialize --input photo.kana --output restored.png
kanachain info

API

符号化と復号のメソッド名は、しりとりの「尻」にかけて serialize / deserialize としています。

from kanachain import create_kana_chain_block_code

codec = create_kana_chain_block_code()

serialized = codec.serialize("こんにちは")
print(serialized.text)
# CRC付きブロックごとに改行されたしりとり

deserialized = codec.deserialize(serialized.text)
print(deserialized.data.decode("utf-8"))  # こんにちは

strを渡すとUTF-8、UTF-16LE、それぞれのDEFLATE表現を比較し、出力語数が最少に なるものを採用します。bytesを渡した場合は任意バイナリとしてrawとDEFLATEだけを 比較します。復号結果のdataは常にbytesです。

出力の改行は正式なブロック境界ですが、改行のない単語列からも35語ごとに境界を 復元できます。復号時はひらがなとカタカナを区別しません。

同じ符号表を使うJavaScript実装（npm: kanachain）と相互運用できます。 両実装はvectors/a1d1.jsonの同じテストベクタを検証します。

仕様と辞書

フォーマット仕様、辞書の生成パイプライン、採用根拠は リポジトリにあります。

ライセンス

コードはMIT。同梱するcodebook.jsonは国立国語研究所のCC BY 4.0データに由来します。 NOTICE.mdを参照してください。