日本語の形態素解析器MeCab(http://chasen.org/~taku/software/mecab/)のJavaバインディングをWindowsから使ってみた。
Windows上ではUTF-8版の辞書がビルドできないため、先日インストールしたcoLinux上のDebianで辞書はビルドして、Windowsに持ってきておく。一方、Windows上ではMakefileを書き換えて、JNIインタフェース部分(JARファイル)、JNIから呼び出されるネイティブ部分(DLLファイル)、およびサンプルアプリケーション(EXEファイル)のそれぞれをビルドする。
出来上がったサンプルアプリを実行すると、品詞等の情報は正しく出力されるものの、分かち書きされた結果が文字化けしている。これはどうしたことかと思いきや(２回ほど辞書をリビルドした後で)、サンプルアプリのソースコードのエンコーディングがEUCだったという落ちでした(Windows上でエディタで見る分にはエンコーディングが自動選択されてしまうので、文字化けしていない)。つまり、Windows上でjavacでコンパイルする際はソースコードをShiftJISで見ているので、ソースコード中にハードコードされた入力文字列が文字化けした状態でMeCabに渡っていたとさ。ちゃんちゃん。
