仕様と根拠

表記をそろえる方法

Unicode の正規化 NFKC で、全角の英数字や半角カタカナなどの互換文字をそろえ、空白の連続を 1 つにまとめ、前後の空白を除き、英字を小文字にします。UAX #15 は、互換正規化を任意のテキストに無条件に適用しないよう注意しています。意味の違う文字が同じになる場合があるため、元の表記を併記して人が判断します。

類似度の計算

そろえた文字列どうしの編集距離(1 文字の挿入・削除・置換を 1 と数える最小の回数)を求め、類似度を 100 × (1 − 編集距離 ÷ 長い方の文字数) とします。たとえば「ヤマダ商事」と「ヤマダ商店」は 1 文字違いで、5 文字なので 80% です。

見方

類似度が 100% の組は、そろえると同じ文字列になる表記ゆれ、または元から完全に同じ行です。それ以下は、1 文字違いの別名の可能性があります。類似度が高くても別の実体のことがあるため、自動で統合せず、候補の確認にだけ使います。

根拠にした仕様・資料

指摘の段階

• エラー: 仕様に反していて、正しく読めない・処理できない入力です。
• 警告: 読めるものの、仕様の推奨に反する・矛盾する・意図と違う結果になりやすい入力です。
• 情報: 誤りではありませんが、知っておくとよい扱い(読み飛ばした部分や解釈)です。

入力の扱い(送信しない仕組み)

処理はすべてお使いのブラウザの中で行います。処理の本体はこのサイトから配信する小さなスクリプト(/app.js)で、外部のサービスやライブラリを読み込みません。ページはブラウザに通信を禁止させる設定(Content-Security-Policy の connect-src)つきで配信しており、入力した内容がサーバーや第三者へ送られることはありません。ファイルを選んだ場合も、端末の中で読み込むだけです。

このツールでできないこと(制約)

• 「株式会社」と「(株)」のような接頭辞・略称の違い、住所の「丁目」と「-」の違いは、特別扱いしません。NFKC で変わらない違いは、編集距離で表れます。
• 読みの違い(漢字とひらがな)や、姓名の順の入れ替えは同じ名前として扱いません。
• 500 行を超える一覧は、先頭の 500 行だけを比べます。全組を比べるため、行数が多いと端末によっては時間がかかります。