| 1 |
Descrição da estrutura dos dados necessários para MyThes |
| 2 |
-------------------------------------------------- ------ |
| 3 |
|
| 4 |
MyThes é muito simples. Quase todos os "smarts" são realmente |
| 5 |
no próprio arquivo de dados do dicionário de sinônimos. |
| 6 |
|
| 7 |
O formato deste arquivo é o seguinte: |
| 8 |
|
| 9 |
- sem dados binários |
| 10 |
|
| 11 |
- o final da linha é uma nova linha '\n' e não um retorno de carro/avanços de linha |
| 12 |
|
| 13 |
- A linha 1 é uma string de caracteres que descreve a codificação usada para o arquivo. Cabe ao programa de chamada converter |
| 14 |
de e para esta codificação, se necessário. |
| 15 |
|
| 16 |
ISO8859-1 é usado pelo arquivo th_en_US_new.dat. |
| 17 |
|
| 18 |
Strings atualmente reconhecidas pelo OpenOffice.org são: |
| 19 |
|
| 20 |
ISO8859-1 |
| 21 |
ISO8859-2 |
| 22 |
ISO8859-3 |
| 23 |
ISO8859-4 |
| 24 |
ISO8859-5 |
| 25 |
ISO8859-6 |
| 26 |
ISO8859-7 |
| 27 |
ISO8859-8 |
| 28 |
ISO8859-9 |
| 29 |
ISO8859-10 |
| 30 |
KOI8-R |
| 31 |
CP-1251 |
| 32 |
ISO8859-14 |
| 33 |
ISCII-DEVANAGARI |
| 34 |
UTF8 |
| 35 |
|
| 36 |
|
| 37 |
- Todas as linhas remanescentes do arquivo seguem esta estrutura |
| 38 |
|
| 39 |
entrada|num_mean |
| 40 |
pos|syn1_mean|syn2|... |
| 41 |
. |
| 42 |
. |
| 43 |
. |
| 44 |
pos|mean_syn1|syn2|... |
| 45 |
|
| 46 |
|
| 47 |
Onde: |
| 48 |
|
| 49 |
entrada - todas as versões em minúsculas da palavra ou frase que está sendo descrita |
| 50 |
num_mean - número de significados para esta entrada |
| 51 |
|
| 52 |
Há um significado por linha e cada significado é composto por |
| 53 |
|
| 54 |
pos - classe gramatical ou outra descrição específica de significado |
| 55 |
syn1_mean - sinônimo 1 também usado para descrever o próprio significado |
| 56 |
syn2 - sinônimo 2 para esse significado etc. |
| 57 |
|
| 58 |
|
| 59 |
Para tornar isso ainda mais claro, aqui estão os dados reais para o |
| 60 |
entrada "simples". |
| 61 |
|
| 62 |
simples|9 |
| 63 |
(adj)|simples|elementar|final|supersimplificado|simplista|simplex|simplificado|não analisável | |
| 64 |
não decomposto|não complicado|não sofisticado|fácil|simples|não subdividido |
| 65 |
(adj)|elementar|simples|não problemático|fácil |
| 66 |
(adj)|nua|mera|simples |
| 67 |
(adj)|infantil|olhos arregalados|olhos orvalhados|ingênuo|naif |
| 68 |
(adj)|estúpido|estúpido|simplório|retardado |
| 69 |
(adj)|simples|não subdividido|sem lóbulo|suave |
| 70 |
(adj)|simples |
| 71 |
(substantivo)|erva|planta herbácea |
| 72 |
(substantivo)|simplório|pessoa|indivíduo|alguém|alguém|mortal|humano|alma |
| 73 |
|
| 74 |
|
| 75 |
Diz que "simples" tem 9 significados diferentes e cada |
| 76 |
o significado terá sua classe gramatical e pelo menos 1 sinônimo |
| 77 |
com outro se predefinido seguindo na mesma linha. |
| 78 |
|
| 79 |
|
| 80 |
|
| 81 |
Depois de criar seu próprio arquivo de texto estruturado, você pode usar |
| 82 |
o programa perl "th_gen_idx.pl" que pode ser encontrado neste |
| 83 |
diretório para criar um arquivo de índice que é usado para buscar em |
| 84 |
seu arquivo de dados pelo código MyThes. |
| 85 |
|
| 86 |
A maneira correta de executar o programa perl é a seguinte: |
| 87 |
|
| 88 |
cat th_en_US_new.dat|./th_gen_idx.pl> th_en_US_new.idx |
| 89 |
|
| 90 |
|
| 91 |
|
| 92 |
Então, se você liderar o arquivo de índice resultante, deverá ver o |
| 93 |
Segue: |
| 94 |
|
| 95 |
ISO8859-1 |
| 96 |
142689 |
| 97 |
'capô|10 |
| 98 |
Gravenhage de|88 |
| 99 |
'tween|173 |
| 100 |
'tween decks|196 |
| 101 |
.22|231 |
| 102 |
.22 calibre|319 |
| 103 |
.22 calibre|365 |
| 104 |
Calibre 38|411 |
| 105 |
Calibre 38|457 |
| 106 |
Calibre .45|503 |
| 107 |
Calibre .45|549 |
| 108 |
0|595 |
| 109 |
1|666 |
| 110 |
1 crônicas|6283 |
| 111 |
1 esdras|6336 |
| 112 |
|
| 113 |
|
| 114 |
A linha 1 é a mesma string de codificação tirada do |
| 115 |
arquivo de dados de dicionário de sinônimos estruturado. |
| 116 |
|
| 117 |
A linha 2 é uma contagem do número total de entradas |
| 118 |
em seu dicionário de sinônimos. |
| 119 |
|
| 120 |
Todas as linhas restantes são do formulário |
| 121 |
|
| 122 |
entrada|byte_offset_into_data_file_where_entry_is_found |
| 123 |
|
| 124 |
|
| 125 |
Isso é tudo que existe também. |
| 126 |
|
| 127 |
|
| 128 |
Kevin |
| 129 |
[email protected] |