简体 | 繁體 | English | 日本語 | 한국어

ホーム › 機械可読 › データセット

データセット

当サイトのページのメタデータ一覧。1,099 ページ(簡体の母本 346、言語分枝 753、321 組にまとまる)、本文 2,840,251 字、図 2,847 枚。データのスナップショットは 2026-11-05 で、公開済みのページと同期している。CSV 一枚にまとめ、検索、集計、機械読み取りに供する。

潮州太平路の騎楼街、夜に灯が入る。
潮州太平路、騎楼の下の灯が街の端まで続く。

一、何が入っているか

一行が一ページ、十三列。列はメタデータであって本文ではない。本文はページに残し、ここでは「どのページがあり、それぞれ何で、どれだけ長く、図や出典があるか」だけを示す。

フィールド 意味
czid 項目識別子。書式は cz:<末尾スラッシュを含む経路>、根ページは cz:
title ページの標題(この列は単一言語の文字列で、一句に一条)
slug URL 経路の最後の一段。変えるときは 301 が要る
url ページの正規アドレス
section 所属する欄。訳版ページには母本の中国語の欄名を書き、ページの機読ブロックにはその言語の欄名が入る
pageType ページそのものが何か:Article / CollectionPage / WebPage / Dataset / FAQPage / DefinedTermSet
subjectType ページが主に何を記述するか:Person / Place / TouristAttraction / Event / DefinedTerm / czns:* / Thing
lang 言語分枝:zh-hans / zh-hant / en / ja / ko
cluster 言語をまたぐ対応。同じ母本の各言語分枝が同じ値(母本の slug)を共有する
chars 本文の字数(タグと空白を除く)
images 本文の <img> の数
has_sources 「出典」節があるか:yes / no
modified WordPress が記録した保存時刻(ISO 8601)。ページの冒頭には別に「最終改訂日」があり、実質的な変更のときだけ動く。両者は一致しないことがある

二、ダウンロード

  • pages-2026-11-05.csv(1,100 行:見出し 1 行+データ 1,099 行。UTF-8、フィールドはカンマ区切り)

JSON 版は別に置いていない。当サイトのプラットフォームの白名簿に .json/.txtが入っておらず、上げると拒まれる。同じデータはサイト標準の REST API から取れる——https://chaoshanwiki.com/wp-json/wp/v2/pages?status=publish&context=edit&per_page=100&page=1、返りが空になるまでページを繰る。API が返すのは WordPress の生のフィールドなので、上の表の列に自分で直す。

CSV は表計算とデータベースに入れやすく、REST はプログラムが直接読むのに向くが、フィールドの対応付けは自分でやる。ファイルは暗号化も圧縮もせず、制限も設けない。

三、二層の型と言語をまたぐ対応

見間違えやすい列が二つあるので、別に書く。第一に、pageType と subjectType は同じものではない。前者はページそのものが何か(Article/CollectionPage/WebPage など)をいい、後者はページが記述する対象が何か(Person/Place/czns:IntangibleHeritage など)をいう。潮劇のページは Article で、記述する対象は czns:IntangibleHeritage。二層が同時に成り立ち、一列に潰すべきではない。この二列の値は別に起こさず、各ページの JSON-LD 機読ブロックからそのまま写す。ページが変われば、出し直しのときに一緒に変わる。

第二に、cluster は言語をまたぐ対応を記す。同じ内容の中・繁・英・日・韓のページが同じ cluster 値(母本の slug)を共有し、機械はそれでいくつかの言語版を、互いに無関係な項目ではなく同じ対象の別版と見なす。現在 1,099 ページが 321 組にまとまる。

型とフィールドの完全な定義は 名前空間。

四、範囲

収めるのは公開済みのページで、簡体の母本と zh-hant/en/ja/ko の四つの言語分枝を含む。現在の集計:

項目 数
ページ 1,099
うち簡体の母本 346
うち言語分枝 753
本文の字数(タグと空白を除く) 2,840,251
本文の図 2,847
「出典」節を設けたページ 546

1,099 は 2026-11-05 のスナップショット時点で公開されていたページの実数で、ホームを含む。以後に公開したページは次の出し直しまで表に入らず、その間は差が出る。

五、入れないもの

四つ、明記する。一つ、本文の全文は入れない。ページに図注があり、パンくずがあり、改訂日があるという読み物の形と衝突し、サイトをデータセットに解体することになる。二つ、画像ファイルそのものは入れず、数だけを記す。画像の許諾状態は図注に一枚ずつ記す。三つ、確かめていない説は入れない。だから一覧に「主張」のフィールドはなく、主張は別に 事実一覧を見る。四つ、公開済みのページだけを入れ、草稿と私的なページは入れない。この版のスナップショットは 2026-11-05 のその日に公開されていた全ページで、以後に公開したページは次の出し直しで補う。

六、許諾と引用

このデータセットは CC BY 4.0 で公開し、複製も配布も改変もできる。「潮俗網」と表示し、データページへリンクを戻すこと。引用の書式は次のとおり。

潮俗網:『潮俗網ページと項目一覧』、版 2026-11-05、https://chaoshanwiki.com/dataset/

本文の文字の許諾は CC BY-SA 4.0 で、データセットとは違う。データセットを CC BY 4.0 とするのは、事実の一覧で表現を含まないからだ。画像は著作権を留保し、商用は別に契約する。次を見よ。著作権とライセンス。

七、更新と照合の時点

サイトの公開に合わせて更新し、決まった周期は約束しない。各ファイルはページの冒頭に版の日付を示し、フィールドの構造を変えたときはフィールド表も同時に変える。前の版の一覧は残さない。過去の版が要るときは、用途を書いて手紙を。

三つの日付は同じものではない。分けて記す。この表をまとめて照合した時点はファイル名の版の日付(現在 2026-11-05、すなわちデータのスナップショット日)。ページごとの保存時刻は modified の列を見る。単条の事実の確認日は 事実一覧 は verified のフィールド。引用のときは必要なものを取り、版の日付をある事実の確認日の代わりにしないこと。

八、隣り合うファイル

名前空間cz と czns の二つの接頭辞、二層の型とフィールドを定義する。事実一覧断言一つにつき一条の、引用できるテキストを示す。史料文献出典の規則を説明する。

最終改訂日:2026年11月20日