ハングル全文字1万1,172個を抽出する方法

ハングルの全文字リストを取得する方法

ハングルの全文字のリスト(11,172文字)を見つけることは意外と困難でしたが、最終的に成功した方法を共有します。

問題の背景

最初は、ハングルの全文字リストを見つけるのが難しいことに驚きました。インターネット上では、テキストベースのリストがあまり見当たらず、検索しても求めている情報にたどり着けませんでした。

要求されるリストの内容

ハングルの文字は、母音字が11個、子音字が17個で、合計28字です。これらを組み合わせると1万1,172個の文字が表現可能である、とこちらの記事に書かれていました。

解決策の発見

やがて、Wikipedia日本語版の「ハングル」ページで、U+AC00-U+D7AF（ハングル音節）というPDFを見つけました。このPDFには、ハングル文字一覧が含まれていました。

リストの作成

pythonを使ってPDFからテキスト情報を抽出し、韓国語の部分を抜き出して文字列のリストを作成しました。リストの長さは合計で11,172文字でした。

extract.py

import re
import pdfplumber

# PDFファイルのパス
pdf_file_path = './data/UAC00.pdf'

def extract_hangul_from_all_pages(pdf_path):
    hangul_text = []
    
    with pdfplumber.open(pdf_path) as pdf:
        # 各ページに対してループ
        for page in pdf.pages:
            # テキストを抽出
            page_text = page.extract_text()
            # ハングルのみを正規表現で抽出してリストに追加
            hangul_matches = re.findall("[ㄱ-ㅎ|ㅏ-ㅣ|가-힣]+", page_text)
            hangul_text.extend(hangul_matches)
    return hangul_text
    

# PDFファイルからハングルのみを抽出して表示
hangul_characters = extract_hangul_from_all_pages(pdf_file_path)
print(len(hangul_characters))
print(hangul_characters)

→結果：
11,172
가 감 갠 갰 걀 ... 흟 흯 흿 힏 힟

(11,172文字をすべてこちらに貼るとページが落ちたので皆さんご自分で取得してください)

結論

韓国語には詳しくありませんが、このリストはおそらく正しいものだと思います。これで、ハングルの全文字リストを取得することができました。

やはり、文字コード等で困ったときはWikipediaですね。以上です。