EUCコードに変換したテキストから日本語が含まれている行を抜き出す．まずWWW テキストからおおまかな日本語抽出を行う．行単位で見ていき，日本語が 含まれている行だけに絞りこむ．次に細かい抽出を行う．WWW の日本語部分はタグとタグの間にあるということを利用し，タグとタグの 間に全角文字が半角文字に比べ，8割以上ある部分を抽出する．これによ り，短くて使えない文とタグを排除する．この2回の抽出作業により，ほぼ日本 語だけのテキスト文が完成する． indexのページは使えない部分が多いため，抽出対象外となった．