コーパスとしての法律文書（条文データ）の取得

はじめに

法律文書を集めようとすると、初めに考えうるのはeGovの条文と思われる。
条文データはXMLで公開されており、構造化されているためである。
他方、例えば裁判所の判例データは、PDFで公開されており、テキスト化すると少々崩れる（大きくは崩れなかった）。

筆者にとっての一番の問題は「XMLとは何ぞ？」な状態なことである。
ここでは、eGovデータを活用するにあたって、調べたXMLの使い方を記載する。

XMLとは

2000年頃、JSONが流行る前に使われていたデータを表現する技術。仕様が巨大すぎてよくわらからぬ。が、プログラム（クラス）も生成することができる模様。
パーサは機能が多くなりがちであり、それゆえ脆弱性を産みやすい。今も生き延びている亜流にHTMLがある。

やったこと

やらないといけないことは、
1. XSD（xml schema definition：XMLのスキーマ定義）からクラスを生成する
2. XMLデータを読み込み、オブジェクト（インスタンス）を生成する
の二つである。

XSDは以下から取れる。
https://elaws.e-gov.go.jp/help/

ちなみにXML（データ自体）は以下から取れる。
https://elaws.e-gov.go.jp/download/

1. XSDからクラスの生成

Java 8のJDK付属xjcを用いる。Java 9以降では付いていないらしい。

$> xjc XMLSchemaForJapaneseLaw_v3.xsd

トラブルシューティング（というか応急処置）

なんかエラーが出たので、とりあえずメモっとく。

$> xjc XMLSchemaForJapaneseLaw_v3.xsd
スキーマの解析中...
スキーマのコンパイル中...
[ERROR] 同じ名前"generated.Sublist3Sentence"のクラス/インタフェースがすでに使用されています。この競合を解決するには、ク ラス・カスタマイズを使用してください。
行1761
[ERROR] (前述のエラーに関連して)別の"Sublist3Sentence"がここから生成されます。
行1766
[ERROR] 2つの宣言により、ObjectFactoryクラスで衝突が発生しました。
行1761
[ERROR] (前述のエラーに関連して)これは他方の宣言です。
行1766
コードの生成に失敗しました。

なんか競合したので該当行において以下の処置を実施した（正直わかっていません）。

 <xs:element name="Sublist3" type="Sublist3Sentence"/>
  <xs:complexType name="Sublist3Sentence">
    <xs:sequence>
      <!--xs:element ref="Sublist3Sentence"/-->  ★この辺（コメントアウト）
      <xs:element ref="Sublist3SentenceE"/>★この辺（追記）
    </xs:sequence>
  </xs:complexType>
  <!--xs:element name="Sublist3Sentence"-->  ★この辺（コメントアウト）
  <xs:element name="Sublist3SentenceE">★この辺（追記）
    <xs:complexType>
      <xs:choice>
        <xs:element maxOccurs="unbounded" ref="Sentence"/>
        <xs:element maxOccurs="unbounded" ref="Column"/>
      </xs:choice>
    </xs:complexType>
  </xs:element>

2. XMLデータを読み込み、オブジェクトを生成する

読み込めば、自由に編集できる。
読み込むだけなら以下でできるが、構造を考えてのプログラミングは複雑なコードになっていく。別記事で記載する予定。

File file = new File(fileName + ".xml");
JAXBContext context = JAXBContext.newInstance(Law.class);
Unmarshaller unmarshaller = context.createUnmarshaller();
Law law = (Law)unmarshaller.unmarshal(file);

付録

生成されたクラスはGitHubに置いています。