﻿RC_Parse 自然言語仕様

【この文書の目的】
この自然言語仕様に従い、Windowsのデスクトップ版Wordで動くVBAの標準モジュールを作成する。対象モジュール名はこの文書の先頭に示す。関数名、引数の順序、辞書キーを変更しない。変数宣言を必須にし、手動で標準モジュールへ貼り付ける形式で作成する。属性行やThisDocument用のイベントは不要。
他モジュールの公開処理を呼び出す部分は、その処理の存在を前提とする。同じ公開関数を各モジュールへ重複実装しない。不明な会社書式は確認してから記入し、勝手に推測しない。

【ツール全体の契約】
・旧規程と新規程を読み取り専用で解析し、新欄が左、旧欄が右の編集可能なWord表を別ファイルへ保存する。入力を上書きしない。
・外部AI、外部通信、追加ソフト、外部テンプレートを実行時に使わない。Wordの標準オブジェクトと、遅延バインディングによるScripting.Dictionary、Scripting.FileSystemObject、VBScript.RegExpを使う。追加の参照設定を要求しない。
・通常の成功時はdocxだけを出力する。確認レポート、対応表TSV、手動対応を読み込んで再生成する機能は作らない。RC_Reportモジュールも作らない。
・issuesは処理中だけの内部診断。致命的な失敗時の画面表示と実行失敗TXTは残す。RC_Testsを明示実行した場合のテストTXTは別扱い。
・フォントや余白の変更は本文の変更とみなさない。原文の数字、否定語、句読点、空白、タブを言い換えたり削除したりしない。照合専用の正規化を原文や下線位置へ適用しない。
・Office、Wordのマクロ設定、OSのセキュリティ設定は変更しない。自分が開いた入力や作成した文書だけを閉じる。

【共通データ構造】
以下のキーは大文字小文字を含めて統一する。辞書中のオブジェクトはオブジェクトとして格納・差し替えし、文字列化しない。存在しない片側ノードは空文字ではなくNothingとする。Collectionの添字と文字位置は1始まり。

1. 解析文書：sourceは入力パスまたは識別文字列、titleは文書名、articlesは条ノードのCollection、historyは末尾履歴ノードのCollection、extrasは条に属さない保全ノードのCollection。
2. ノード：id、kind、prefix、gap、body、raw、heading、line、children。
  idは解析順ID。条はA001等、項はA001.P001等、号はA001.P001.I001等、履歴はH001等、未知段落はUに元段落番号を続ける。
  kindはarticle、paragraph、item、history、unknownのいずれか。prefixは元の番号文字列、gapは番号と本文の間の元の空白等、bodyは番号を除く本文、rawはprefix・gap・bodyをそのまま連結したもの。headingは条の直前の括弧見出し、lineは元入力の段落位置、childrenは子ノードのCollection。
  条ノード自身のbodyは空文字。その条の先頭本文は第1項ノードP001へ入れる。P001のprefixには元の第n条の番号を入れ、項番号「1」を新たに補わない。条ノードのrawは元番号とgapだけとなる。条にはheadingLineも加え、見出しの元段落位置を記録する。
3. 対応ペア：newとoldは新旧ノードまたはNothing、scoreはDoubleの類似度、statusはauto、review、new、deletedのいずれか、childrenは子対応ペアのCollection。
4. 内部診断：kind、location、reason、rawの4文字列を持つ辞書をissuesのCollectionへ追加する。利用者向けの確認レポートへ書き出さない。
5. 差分結果：newとoldは各側の下線区間Collection、fallbackは長文の代替計算を使ったBoolean。区間はstartという1始まり文字位置とlengthという文字数を持つ辞書。改行や空白を含む原文字列上の位置を使う。
6. 出力行：newTextとoldText、newHeadingとoldHeading、newHeadingBlankとoldHeadingBlank、newPrefixとoldPrefix、newArticleとoldArticle、newNoteとoldNote、historyGap、newSpansとoldSpans。
  TextとNoteは文字列。HeadingとPrefixは文字数のLong。HeadingBlank、Article、historyGapはBoolean。Spansは上記の下線区間Collection。初期値は文字列が空、文字数が0、BooleanがFalse、Collectionは空。

【モジュール間の公開処理】
RC_Configは設定定数、RC_Color、RC_Navy、RC_HeaderFill、RC_Regex、RC_TrimSpace、RC_MatchText、RC_NumberKeyを提供する。
RC_ParseはRC_Dict、RC_Node、RC_ParseText、RC_ReadDocument、RC_ParseLines、RC_NodeText、RC_AddIssueを提供する。
RC_MatchはRC_Similarity、RC_MatchScore、RC_NewPair、RC_Align、RC_PairChangedを提供する。
RC_CharDiffはRC_Diff、RC_AddSpanを提供する。
RC_OutputはRC_OutputDocumentを提供する。
RC_MainはCreateComparisonTable、RC_ShowOutput、RC_RunFiles、RC_UniqueBase、RC_WriteTextを提供する。
RC_Testsは任意の開発用RC_TestAllを提供する。通常の入口からテストを実行しない。
主な呼出し：MainがParseで旧・新を読み、Matchへ新articles・旧articles・issues・locationの順で渡し、Outputへpairs・新解析文書・旧解析文書・issuesの順で渡す。OutputがCharDiffを呼び、各処理がConfigとParseの共通処理を使う。

【他モジュールを呼ぶ際の引数契約】
次の一覧は呼出し互換性のために示す。この文書の対象以外のモジュールの実装を重複して作らない。
RC_Main
・CreateComparisonTable：公開。引数はなし。戻り値なし。
・RC_ShowOutput：公開。引数はoutput（String、値渡し）。戻り値なし。
・RC_RunFiles：公開。引数はoldPath（String、値渡し）、newPath（String、値渡し）、outputFolder（String、値渡し）。戻り値はString。
・RC_UniqueBase：公開。引数はfolder（String、値渡し）、stem（String、値渡し）。戻り値はString。
・RC_WriteText：公開。引数はpath（String、値渡し）、text（String、値渡し）。戻り値なし。
RC_Config
・RC_Color：公開。引数はhexRGB（String、値渡し）。戻り値はLong。
・RC_Navy：公開。引数はなし。戻り値はLong。
・RC_HeaderFill：公開。引数はなし。戻り値はLong。
・RC_Regex：公開。引数はpattern（String、値渡し）。戻り値はObject。
・RC_TrimSpace：公開。引数はtext（String、値渡し）。戻り値はString。
・RC_MatchText：公開。引数はtext（String、値渡し）。戻り値はString。
・RC_NumberKey：公開。引数はprefix（String、値渡し）。戻り値はString。
RC_Parse
・RC_Dict：公開。引数はなし。戻り値はObject。
・RC_Node：公開。引数はnodeId（String、値渡し）、kind（String、値渡し）、prefix（String、値渡し）、gap（String、値渡し）、body（String、値渡し）、line（Long、値渡し）。戻り値はObject。
・RC_ParseText：公開。引数はtext（String、値渡し）、source（String、値渡し）、issues（Collection、値渡し）。戻り値はObject。
・RC_ReadDocument：公開。引数はpath（String、値渡し）、issues（Collection、値渡し）。戻り値はObject。
・RC_ParseLines：公開。引数はlines（Variant、値渡し）、source（String、値渡し）、issues（Collection、値渡し）。戻り値はObject。
・RC_NodeText：公開。引数はn（Object、値渡し）、includePrefix（Boolean、値渡し、省略可能・既定値False）。戻り値はString。
・RC_AddIssue：公開。引数はissues（Collection、値渡し）、kind（String、値渡し）、location（String、値渡し）、reason（String、値渡し）、raw（String、値渡し）。戻り値なし。
RC_Match
・RC_Similarity：公開。引数はleftText（String、値渡し）、rightText（String、値渡し）。戻り値はDouble。
・RC_MatchScore：公開。引数はnn（Object、値渡し）、oo（Object、値渡し）、ni（Long、値渡し）、oi（Long、値渡し）、nc（Long、値渡し）、oc（Long、値渡し）。戻り値はDouble。
・RC_NewPair：公開。引数はnn（Object、値渡し）、oo（Object、値渡し）、score（Double、値渡し）、status（String、値渡し）。戻り値はObject。
・RC_Align：公開。引数はnews（Collection、値渡し）、olds（Collection、値渡し）、issues（Collection、値渡し）、location（String、値渡し）。戻り値はCollection。
・RC_PairChanged：公開。引数はpair（Object、値渡し）。戻り値はBoolean。
RC_CharDiff
・RC_Diff：公開。引数はnews（String、値渡し）、olds（String、値渡し）。戻り値はObject。
・RC_AddSpan：公開。引数はspans（Collection、値渡し）、first（Long、値渡し）、length（Long、値渡し）。戻り値なし。
RC_Output
・RC_OutputDocument：公開。引数はpairs（Collection、値渡し）、newDoc（Object、値渡し）、oldDoc（Object、値渡し）、issues（Collection、値渡し）。戻り値はDocument。
RC_Tests
・RC_TestAll：公開。引数はoutputFolder（String、値渡し）。戻り値はString。

【共通の境界条件】
自動採番、複雑な表、画像、脚注、本文外の図形、変更履歴の解釈は全面対応しない。内部診断と入力原本を保全するが、抽出できないものを架空の条文へ変換しない。
分割・統合の意味を自動で確定しない。残った原文を新設・削除として保全する。一般的な1対多分割の検出を保証しない。条の順序逆転を見やすく示す改善も別課題であり、この再構築で勝手に照合方式を変えない。
この文書は現行処理を再実装するための仕様。AIが生成したVBAのコンパイル・動作・原文保全は、Wordで別途確認する。

【このモジュールの入口・引数・戻り値】
・RC_Dict：公開。引数はなし。戻り値はObject。
・RC_Node：公開。引数はnodeId（String、値渡し）、kind（String、値渡し）、prefix（String、値渡し）、gap（String、値渡し）、body（String、値渡し）、line（Long、値渡し）。戻り値はObject。
・RC_ParseText：公開。引数はtext（String、値渡し）、source（String、値渡し）、issues（Collection、値渡し）。戻り値はObject。
・RC_ReadDocument：公開。引数はpath（String、値渡し）、issues（Collection、値渡し）。戻り値はObject。
・RC_ParseLines：公開。引数はlines（Variant、値渡し）、source（String、値渡し）、issues（Collection、値渡し）。戻り値はObject。
・RC_NodeText：公開。引数はn（Object、値渡し）、includePrefix（Boolean、値渡し、省略可能・既定値False）。戻り値はString。
・RC_AddIssue：公開。引数はissues（Collection、値渡し）、kind（String、値渡し）、location（String、値渡し）、reason（String、値渡し）、raw（String、値渡し）。戻り値なし。

【担当範囲】
Wordの主本文を元段落の順に読み、条・項・号・括弧見出し・末尾履歴へ分ける。読み取れない内容を削らず、内部診断と保全ノードへ残す。画面の折返しやページ境界を段落の区切りにしない。

【RC_DictとRC_Node】
RC_Dictは遅延バインディングで新しいScripting.Dictionaryを返す。
RC_Nodeは指定されたid、kind、prefix、gap、body、lineを格納する。rawはprefix・gap・bodyの連結。headingは空文字、childrenは新しい空Collection。全呼出しで共通キーを必ず備える。

【RC_ReadDocument】
1. 現在のWord.Applicationで開いている文書を調べる。指定パスが大文字小文字を無視して一致する場合、「入力をWordで閉じてから実行」とエラーにする。既に開いているユーザー文書を取得して閉じる実装にしない。
2. 自分の入力文書をReadOnly、非表示、最近使ったファイルへ追加せず開く。所有フラグを記録する。
3. Wordの各ParagraphのRange.Textを順に配列へ入れる。末尾にセル終端の文字コード7があれば1文字除き、次に末尾のCRを1文字除く。それ以外の原文は保持する。
4. 自動採番が付いていれば表示番号・半角空白・元段落文字列を連結して保全する。元パス、元段落位置、番号付き原文、暫定処理であることを内部診断へ記録する。
5. 表は段落として保全したこととセル関係が未対応であること、インライン画像等は抽出できないことを内部診断へ記録する。
6. 浮動図形は名称とアンカー位置を記録する。テキストボックスの場合は本文も保全する。図形や画像を新しい条文として転記しない。
7. 変更履歴がある場合は現行Range.Textを暫定比較する旨を記録する。脚注、文末脚注、主本文のフィールドは、位置と原文またはコード・結果を内部診断へ残し、本則へ混ぜない。
8. RC_ParseLinesへ配列・パス・issuesを渡す。自分が開いた文書だけを保存せず閉じ、解析結果を返す。
9. 失敗時は元エラーを退避し、所有フラグがある場合だけ閉じる。元エラー番号で入力パスを付けた説明を再送出する。

【RC_ParseText】
入力文字列のCRLFをCRへ置き換え、残ったLFもCRへ置き換えてからCRで分割する。配列をRC_ParseLinesへ渡す。元の各段落内部の文字は変更しない。

【RC_ParseLines：初期化】
空のtitleとarticles、history、extrasを持つ解析文書を作る。現在の条と項はNothing。保留見出しは空。履歴中フラグはFalse。Configの5種類の認識設定からRegExpを作る。
配列の下限から上限へ走査し、元段落番号は下限を基準とする1始まりとする。両端空白を除いた判定用文字列が空なら無視する。非空段落数だけを数え、500を超えれば上限を特定したエラーにする。出力用には元文字列を使う。

【RC_ParseLines：優先順の分岐】
1. 履歴の開始条件を満たす、または既に履歴中なら、履歴中へ移る。保留見出しがあればextrasにunknownとして保全し、診断を追加する。元段落をHの連番historyノードへ入れる。履歴開始後に開始条件を満たさない段落も履歴に残し、診断を追加する。履歴開始後は条解析へ戻らない。
2. 条に一致したら、新しいarticleを解析順のA連番で作る。番号とgapを分け、bodyは空。保留見出しをheadingとheadingLineへ移し、保留文字列を消す。同じ行の本文をP001のparagraphへ入れる。そのprefixとgapは元の第n条番号と間隔。P001を条のchildrenへ加え、条をarticlesへ加える。
3. 括弧見出しだけなら、次の条の見出しとして保留する。既に保留がある連続見出しの場合、先行する保留見出しをextrasへunknownとして保全し、診断を加える。
4. 現在の条があり、項番号に一致したら、その条のchildrenの順番に従うP連番paragraphを作り、現在の項とする。番号、gap、本文を別々に元のまま保存する。
5. 現在の項があり、号番号に一致したら、その項のchildrenの順番に従うI連番itemを作る。
6. まだ条がなくtitleも空で保留見出しもなければ、最初の非空段落をtitleとする。
7. それ以外はUに元段落番号を付けたunknownノード。現在の項があればそのchildren、なければextrasへ入れ、場所・理由・原文を診断へ記録する。
走査終了後、残る保留見出しはextrasへ保全する。条が1つもない場合は条を認識できなかった旨を診断へ記録し、解析文書を返す。

【RC_NodeText】
includePrefixがFalseならノードのbodyから始め、子を再帰的に同じ設定で取得してCRを挟んで連結する。照合時に番号を本文へ混ぜない。
includePrefixがTrueならheading・CR・rawから始め、全子を再帰的にCRを挟んで連結する。診断用に番号・見出し・原文を保持する。

【RC_AddIssue】
kind、location、reason、rawの辞書を作り、渡されたissuesへ追加する。ファイル出力をしない。

【確認例】
全半角数字、番号内空白、タブ、半角括弧を認識。条の先頭本文はP001、以後の項と号は適切な親へ属する。未知の続き段落と連続見出しを落とさない。既に開いている入力を閉じずに拒否する。500超で中断し、入力原本は変更しない。
