This is a Perl script which extracts personal names (both their Kanji and Kana) in Japanese Wikipedia and output them in a form in which the family and given names are separated by a space.
- Get the Japanese Wikipedia dump file.
curl -LO https://dumps.wikimedia.org/jawiki/latest/jawiki-latest-pages-articles.xml.bz2
- Run this script to extract personal names.
bzcat ./jawiki-latest-pages-articles.xml.bz2 | perl extract_jawp_names.pl
Or do it all at once.
curl -s https://dumps.wikimedia.org/jawiki/latest/jawiki-latest-pages-articles.xml.bz2 \
| bzcat | perl extract_jawp_names.pl
日本語Wikipediaの人名（漢字・読み）を抽出し、姓と名がスペースで区切られた形で出力するPerlスクリプトです。
- 日本語Wikipediaのファイルを取ってきます。
curl -LO https://dumps.wikimedia.org/jawiki/latest/jawiki-latest-pages-articles.xml.bz2
- スクリプトを動かして人名を抽出します。
bzcat ./jawiki-latest-pages-articles.xml.bz2 | perl extract_jawp_names.pl
あるいはまとめて
curl -s https://dumps.wikimedia.org/jawiki/latest/jawiki-latest-pages-articles.xml.bz2 \
| bzcat | perl extract_jawp_names.pl
士郎 正宗 しろう まさむね
高橋 留美子 たかはし るみこ
村上 もとか むらかみ もとか
青木 光恵 あおき みつえ
赤塚 不二夫 あかつか ふじお
一条 ゆかり いちじょう ゆかり
うすた 京介 うすた きょうすけ
浦沢 直樹 うらさわ なおき
車田 正美 くるまだ まさみ
高橋 しん たかはし しん
...
This software is released under the MIT License, see LICENSE.txt.