青空文庫の使用漢字を集計してみた青空文庫の文字セットの扱いは次のようになっている。 青空文庫のxhtmlファイルは、JIS X 0208文字セットのShift-JISで記述されている。 JIS X 0208に無いJIS X 0213に含まれる漢字は、画像外字として挿入。 JIS X 0213に無い漢字は、本文中に注記として記述。 作品の著者名、タイトル、本文について、JIS X 0213文字は画像外字含めUnicode文字に変換し、集計した。注記は別途抽出して集計する。 対象となる作品は、2013/4/4時点で登録されていた著作権切れの11638作品。 青空文庫のxhtml取得およびUnicode変換、集計はプログラムで行った。サンプリングして誤りがないかは確認はしているが、間違ったデータが含まれていないことを保証するものではない。
