「愛する技術で愛される製品を創る」

• 創業: 2014年（台北）
• 専門: Ruby/Railsを中心としたソフトウェア開発
• 実績: スタートアップ向けシステム開発を中心に、政府機関との協業案件も手がける

1. 委託開発サービス

• 台湾最大級のRuby開発会社（2014年創業）
• クラウド・オンプレミス両対応のインフラ運用
• 日本・米国・シンガポールを含む国際展開
• スタートアップから上場企業まで長期パートナーシップ
• https://5xruby.com/en

2. SOSI製品

• セキュアリモートアクセス管理システム
• 踏み台サーバー（Bastion）機能
• ブラウザベース VDI ソリューション
• https://www.sosi.com.tw

本日の内容

1. 無人入札の物語

   • なぜ誰も手を出さなかったのか？

2. 台羅（POJ）とは？

   • 台湾語のローマ字表記

3. 分詞アライメント処理の実装

   • GSUB による実装

4. Parser との出会い

   • Parslet による再実装

5. プロジェクトの成果

   • Ruby の強みと実績

6. まとめ

   • 結論

スライド資料

https://rwc2025.ryudo.tw （日本語）

https://rwc2025.ryudo.tw/en （English）

落選の理由（技術以外）

• Microsoft製品前提の仕様
• 既存システム、インフラとの「互換性要求」
• 評価基準の不透明さ
• 価格競争ではなく、技術スタックの制約

9回目：驚きの展開

• 競合：ゼロ
• 「なぜ誰も入札しないのか？」
• 担当者も困惑：「本当に大丈夫ですか？」
• 一体何が起こったのか？

台湾語のローマ字表記

• 正式名称: 臺灣台語羅馬字拼音方案
• 略称: 台羅 (Tâi-lô)
• 制定: 2006年10月、台湾教育部公布
• 地位: 台湾語の公式表記システム

中国語（北京語）ではない

• 台湾語: 閩南語系の言語
• 特徴:
  • 9つの声調
  • 独自の子音・母音体系
  • 鼻音化の表記
• 歴史: 白話字 (POJ) をベースに IPA（国際音声記号）要素を取り入れて開発

日本語のシステム

漢字 → ひらがな

対応関係:

• 一組の語 → 一組の仮名

例:

生活    → せいかつ
新幹線  → しんかんせん
東京駅  → とうきょうえき

台湾語のシステム

漢字 → POJ

対応関係:

• 一組の語 → 一組の POJ

例:

紲落      → suà-lo̍h
新竹市    → Sin-tik-tshī
明仔載    → bîn-á-tsài

washed_kanji - 漢字側

KANJI_GSUB_PATTERNS = {
  /(\w+)(--)(\w+)/ => '\1 \2\3',
  ')(' => ') (',
  /([^\,]),/ => '\1 ,',
  ....
}.freeze
def washed_kanji
  KANJI_GSUB_PATTERNS.reduce(kanji) do |ks, (mt, kp)|
    ks.gsub(mt, kp)
  end
end

処理内容:

• 記号の前後にスペース挿入
• ピリオド、カンマ、括弧などを分離
• POJ 文字（Lín--sàng）も適切に処理

実行例:

入力: 做工課的Lín--sàng。
出力: 做工課的Lín --sàng。

washed_roman - POJ側

ROMAN_GSUB_PATTERNS = {
  /''/ => "'",
  /(.)([_+=\:;"'~`“”\\」「\?!])(.)/ => '\1 \2 \3',
  /^([\(_+=\:;"'~`“”\\」「\?!])/ => '\1 ',
  /([\)_+=\:;"'~`“”\\」「\?!])$/ => ' \1',
  /(\.)([^\.])/ => '\1 \2',
  /([^\.])(\.)/ => '\1 \2',
}...
def washed_roman
  ROMAN_GSUB_PATTERNS.reduce(roman) do |rs, (mt, rp)|
    rs.gsub(mt, rp)
  end
end

処理内容:

• 65+ パターンで記号を正規化
• ハイフンは保持 - 音節区切り
• 二重ハイフン（--）も保持 - 語間停頓

実行例:

入力: tsò-khang-khuè ê Lín--sàng.
出力: tsò-khang-khuè ê Lín--sàng .

実装コード

# RXP_SPK - CJK文字と非CJK文字を識別
RXP_SPK = /[\p{Han}\p{Katakana}\p{Hiragana}\p{Hangul}\u3000-\u303F\uFF00-\uFFEF]|
  [^\p{Han}\p{Katakana}\p{Hiragana}\p{Hangul}\u3000-\u303F\uFF00-\uFFEF]+/x
ONE_KANJI_WORDS = {
  /(…) (。)/ => '\1\2', /(』) (。)/ => '\1\2', /(——) ([^—])/ => '\1\2' }.freeze
def splitted_kanji
  combine_one_word(
    washed_kanji.scan(RXP_SPK).map do |spka|
      spka.split(/\s/)
    end.flatten.join(' ')
  ).split
end
# combine_one_word - 特殊組合せ処理
def combine_one_word(text)
  ONE_KANJI_WORDS.reduce(text) do |ks, (mt, kp)|
    ks.gsub(mt, kp)
  end
end

処理説明

1. RXP_SPK で文字スキャン

   • CJK 文字（漢字、ひらがな等）
   • 非CJK 文字（POJ、数字等）
   • 一文字ずつ or 連続した非CJK文字をまとめて認識

2. combine_one_word で特殊処理

   • ONE_KANJI_WORDS パターン適用
   • 特定の記号組合せを結合

3. スペースで分割

4. Edge Case の処理:

   • Lín--sàng が1つの token として認識される

実行例

入力: 做工課的Lín--sàng 。
出力:
["做", "工", "課", "的", "Lín--sàng", "。"]

実装コード

def splitted_roman
  washed_roman
    .split(/\s/)
    .compact_blank
end

シンプル！わずか3行

処理説明

1. シンプル：スペースで分割

   • Phase 1 で記号が既に分離済み
   • スペースのみで分割可能

2. 重要な設計:

   • ハイフンでは分割しない
   • 二重ハイフン（--）も保持
   • 単語内の音節構造を維持

3. compact_blank で空白要素削除

実行例

入力: tsò-khang-khuè ê Lín--sàng .
出力:
["tsò-khang-khuè", "ê", "Lín--sàng", "."]

音節数:

• tsò-khang-khuè = 3音節
• Lín--sàng = 2音節（--は音節数に含まれない）

def roman_kanji_array
  spk = splitted_kanji.dup
  splitted_roman.map do |rword|
    if rword == '--' || (SP_MIRRORS.key?(rword) &&
        #... Edge Case の処理
        [rword, spss]
      end
    end
  end
end

def set_arrays
  rka = roman_kanji_array.transpose
  assign_attributes(
    roman_array: rka[0],
    kanji_array: rka[1]
  )
  self.arrays_balanced = [
    roman_array.size.positive?,
    roman_array.size == kanji_array.size,
    kanji_array.join.size ==
      washed_kanji.delete(' ').size
  ].all?
end

処理説明

1. 音節数でマッチング

   • ハイフン = 音節区切り
   • tsò-khang-khuè (3音節) → 漢字3文字
   • Lín--sàng (2音節) → Roman そのまま

2. Edge Case の処理:

   • Roman が kanji 側にある場合、そのまま対応
   • 二重ハイフン（--）は音節数に含まれない

3. 配列の組み合わせ：transpose で roman/kanji を分離

4. 平衡性検証（3条件）

   • 配列が空でない
   • roman と kanji の要素数が一致
   • kanji の総文字数が元の文字数と一致

なぜ Parslet？

• PEG Parser: Parsing Expression Grammar
• Ruby DSL: Ruby の文法で Parser を定義
• 明確な構造: 3-phase 設計を自然に実現

# Parslet の基本形
class MyParser < Parslet::Parser
  # Phase 1 & 2: 規則定義
  rule(:word) { match['a-z'].repeat(1) }
  rule(:sentence) { word >> space }

  root(:sentence)
end

Parslet の設計思想

Parslet は開発者に 3つの Phase を意識させる設計：

Phase 1: Lexical Analysis

• rule() で Token 型を定義
• match[], str() で文字パターン

Phase 2: Syntax Analysis

• >>, | で規則を組み合わせ
• 自動的に AST を構築

Phase 3: Semantic Analysis

• Transform クラスで変換
• AST → 最終データ構造

標点符号の処理

GSUB 方式

# 65+ パターンの一部
ROMAN_GSUB_PATTERNS = {
  /,/ => ' , ',      # カンマ前後に空白
  /\./ => ' . ',     # ピリオド前後に空白
  /!/ => ' ! ',      # 感嘆符前後に空白
  /\?/ => ' ? ',     # 疑問符前後に空白
  # ... 他 60+ パターン
}

# 適用
text = "suà-lo̍h,lâi-khuànn"
ROMAN_GSUB_PATTERNS.each do |pattern, replacement|
  text = text.gsub(pattern, replacement)
end
# => "suà-lo̍h , lâi-khuànn"

特徴: 記号を空白で囲む → 後で split

Parslet 方式

# 標点符号を Token として直接認識
rule(:punctuation) do
  str('...') | str('⋯⋯') | str('……') |  # 複数文字優先
  match[',.:;()!?？！/~、─…⋯'] |         # 単一文字
  match["\"'\u201C\u201D\u2018\u2019"] |  # 引用符 （ いんようふ ）
  match['\u3000-\u303F']                  # CJK記号
end

# Token 規則
rule(:token) do
  hyphenated_word.as(:word) |
  punctuation.as(:punct)
end

入力: "suà-lo̍h,lâi-khuànn"

出力（AST）:

[
  { word: "suà-lo̍h" },
  { punct: "," },
  { word: "lâi-khuànn" }
]

特徴: Token として構造化 → split 不要

連字符の保持（Page 17）

GSUB 方式

# Step 1: 記号正規化
text = "suà-lo̍h lâi-khuànn"
# ハイフンは保持（重要！）

# Step 2: スペース分割
tokens = text.split(/\s/)
# => ["suà-lo̍h", "lâi-khuànn"]

# Step 3: 音節数をカウント
syllables = "suà-lo̍h".split('-').size
# => 2

# Step 4: 漢字を音節数分取得
kanji_chars = ["紲", "落", "來", "看"]
combined = kanji_chars.shift(syllables).join
# => "紲落"

原理: ハイフン = 音節区切り

Parslet 方式

# 連字符付き単語を1つの Token として認識
rule(:hyphenated_word) do
  syllable >>
  (single_hyphen >> syllable).repeat
end

# "suà-lo̍h" → { word: "suà-lo̍h" }

音節数の計算:

# Phase 3: Transform
rule(word: simple(:w)) do
  syllables = w.to_s.split('-').size
  # => 2
end

漢字対応:

# 音節数 = 漢字文字数
"suà-lo̍h".split('-').size  # => 2
"紲落".chars.size            # => 2
#  一致！

原理: Parser が音節構造を保持 → 自動対応

Ruby Parser (Prism)

# 入力
"def foo(x); x + 1; end"

Phase 1: Lexical

[DEF][IDENTIFIER][LPAREN][IDENTIFIER]
[RPAREN][SEMICOLON][IDENTIFIER][PLUS]
[INTEGER][SEMICOLON][END]

Phase 2: Syntax

DefNode(
  name: :foo,
  parameters: ParametersNode(...),
  body: StatementsNode(...)
)

Phase 3: Semantic

• Type checking
• Scope analysis
• Code generation

台羅 Parser (RomanParserPure)

# 入力
"suà-lo̍h lâi-khuànn"

Phase 1: Lexical

[suà-lo̍h][lâi-khuànn]

Phase 2: Syntax

{
  sentence: [
    { word: "suà-lo̍h" },
    { word: "lâi-khuànn" }
  ]
}

Phase 3: Semantic

• AST transformation
• Array generation

["suà-lo̍h", "lâi-khuànn"]

注: 実験的実装（教育目的）

POJ Parser（複雑）

# RomanParserPure - Parslet で実装
roman_array = [
  "suà-lo̍h",      # 2音節
  "lâi-khuànn",    # 2音節
  "Sin-tik-tshī"   # 3音節
]

# 音節数の計算
"suà-lo̍h".split('-').size  # => 2
"Sin-tik-tshī".split('-').size  # => 3

複雑な処理:

• ハイフンの意味解析（音節 vs 語間）
• 声調記号の認識（Unicode 結合文字）
• 二重ハイフン（--）の特殊処理
• 構文規則の定義と AST 構築

漢字処理（シンプル）

# POJ の音節数に従うだけ
kanji = "紲落來看新竹市"

# 1. "suà-lo̍h" = 2音節
#    → 漢字2文字: "紲落"
# 2. "lâi-khuànn" = 2音節
#    → 漢字2文字: "來看"
# 3. "Sin-tik-tshī" = 3音節
#    → 漢字3文字: "新竹市"

kanji_array = ["紲落", "來看", "新竹市"]

シンプルな処理:

• 音節数 = 文字数の対応
• パターンマッチング（Edge Case 用）
• 独立した構文解析は不要

https://github.com/ryudoawaru/rwc2025-slide

含まれているもの:

• 完全な RomanParserPure 実装
• 3000 件の実際のコーパスデータ

$ ruby test_parser.rb

================================================================================
Testing RomanParserPure with 3000 records
================================================================================
[██████████████████████████████████████████████████] 100.0% (3000/3000)

================================================================================
Final Results
================================================================================
Total records:    3000
Parse success:    3000 (100.0%)
Parse errors:     0 (0.0%)
================================================================================

 PERFECT! 100% success rate achieved!

重要なポイント:

• 100% Parse 成功率 - 3000 件すべて正確に解析
• エラーなしで完全動作 - 実用性と理論の両立