Changes between Version 1 and Version 2 of cs/JakVytvoritKorpus1


Ignore:
Timestamp:
Feb 27, 2014 3:37:22 PM (6 years ago)
Author:
xkocinc
Comment:

--

Legend:

Unmodified
Added
Removed
Modified
  • cs/JakVytvoritKorpus1

    v1 v2  
    8181K dispozici jsou tyto programy:
    8282
    83  1. `il2_check` [[BR]]     Určeno pro: *.vert, *.meta. Kontroluje kódování češtiny. Ohlásí  podezřelé znaky. Je nutno zvážit, zda se jedná o skutečnou chybu nebo  ne.
    84 
    85  1. `tags_check` [[BR]]     Určeno pro: *.vert. Kontroluje, zda řádky, které vypadají jako značky, jsou ze seznamu povolených značek.
    86 
    87  1. `pozice_check` [[BR]]     Určeno pro: *.vert. Kontroluje, zda řádky, které nejsou značkami, jsou dále nedělitelné pomocí funkce Corpus::split().
    88 
    89  1. `heuristic_check` [[BR]]     Určeno pro: *.vert. Kontrola pozic, zda neobsahují řídící a  značkovací řetězce originálního textu. Hledá HTML značky a příkazy  LATEXu.
    90 
    91  1. `xml_check` [[BR]]     Určeno pro: *.vert. Kontrola struktury vertikálů.
    92 
    93  1. `meta_check` [[BR]]    Určeno pro: *.meta. Kontrola struktury metainformací.
     83 1. `il2_check`[[BR]]Určeno pro: *.vert, *.meta. Kontroluje kódování češtiny. Ohlásí  podezřelé znaky. Je nutno zvážit, zda se jedná o skutečnou chybu nebo  ne.
     84 1. `tags_check`[[BR]]Určeno pro: *.vert. Kontroluje, zda řádky, které vypadají jako značky, jsou ze seznamu povolených značek.
     85 1. `pozice_check`[[BR]]Určeno pro: *.vert. Kontroluje, zda řádky, které nejsou značkami, jsou dále nedělitelné pomocí funkce Corpus::split().
     86 1. `heuristic_check`[[BR]]Určeno pro: *.vert. Kontrola pozic, zda neobsahují řídící a  značkovací řetězce originálního textu. Hledá HTML značky a příkazy  LATEXu.
     87 1. `xml_check`[[BR]]Určeno pro: *.vert. Kontrola struktury vertikálů.
     88 1. `meta_check`[[BR]]Určeno pro: *.meta. Kontrola struktury metainformací.
    9489
    9590Všechny tyto programy jsou filtry. Proto je používáme jedním z těchto tří způsobů:
     
    371366
    372367 1. tags_pair_doc [[BR]]    Páruje značku <doc>.
    373 
    374368 1. tags_rm_bad_glue [[BR]]    Maže značku <g/>, pokud není "obalena" pozicemi.
    375 
    376369 1. tags_rm_multi  [[BR]]    Maže opakující se značky (nechá jen první výskyt z posloupnosti).
    377 
    378370 1. tags_pair_item  [[BR]]    Páruje značku <item>.
    379 
    380371 1. tags_rm_empty  [[BR]]    Maže počáteční a koncovou značku, pokud jsou bezprostředně za sebou.
    381 
    382372 1. tags_insert_p [[BR]]    Vkládá značku  <p> před pozici tam, kde by tato pozice byla zahnízděná přímo v kontejneru značky <doc>.
    383 
    384373 1. tags_pair_p [[BR]]    Páruje značku <p>.
    385 
    386374 1. tags_all [[BR]]    Dávka, která kombinuje některé výše uvedené programy.
    387375
     
    415403Vložení dalších atributů zajišťují programy:
    416404
    417  1. atrib_insert_offset [[BR]]
    418 
    419  1. atrib_insert_size [[BR]]
    420 
    421  1. atrib_insert_lemmat  [[BR]]
    422 
     405 1. atrib_insert_offset
     406 1. atrib_insert_size
     407 1. atrib_insert_lemmat
    423408 1. atrib_insert_signat (běží zatím je na auroře)
    424409
     
    438423== Doplňkové programy == #Dopl.2BAUg-kov.2BAOk_programy
    439424 1. vert2xml [[BR]]    Program vhodný pro transformaci starého formátu vertikálů na nový. Filtr, který vkládá tyto 3 řádky před svůj vstup:
    440 
    441425{{{
    442426<?xml version="1.0"?>
     
    444428<vertical>
    445429}}}
    446   a tento za svůj vstup:
     430a tento za svůj vstup:
    447431
    448432{{{
    449433</vertical>
    450434}}}
    451   a provádí změnu u značek <doc> , <pre> a <g>.
     435a provádí změnu u značek <doc> , <pre> a <g>.
     436
    452437
    453438 1. cisti_corpus [[BR]]    Najde soubory, které nekončí .vert nebo .meta (lze je potom smazat). Použití:
    454 
    455439{{{
    456440$ cd korpus
     
    459443}}}
    460444 1. docs2meta[[BR]]    Přejmenuje .docs soubory na .meta (docs - starší, již  nepoužívaná koncovka pro metainformace). Použití:
    461 
     445 
    462446{{{
    463447$ cd korpus