Segakorpus: Arvutiteadus ja Andmetöötlus

• Arvutitehnika failid XML-kujul
• SGML TEI P3 failid

Sisu

Selles korpuses on tekstid ajakirja "Arvutiteadus ja Andmetöötlus" internetiarhiivist (kokku ca 625 000 sõna). Korpuses on olemas ajakirja numbrid perioodist 1999 – 2005.

Need tekstid on osa tulevasest korpusest töönimega «Eesti keele segakorpus». Tekstide kogumist ja töötlemist on rahastatud riiklikust sihtprogrammist «Eesti keele keeletehnoloogiline tugi».

Allikmaterjal ja märgendus

Tekstid on teisendatud HTML-kujult TEI-kujule. Vajalikud programmid kirjutasid Kaarel Veskis ja Heiki-Jaan Kaalep.

Ühes failis on üks ajakirjanumber. Välja on jäetud mitte-tekstiline materjal so illustratsioonid ja joonised, samuti tabelid ja kirjanduse loetelud.

Tekstides parandusi pole tehtud, sõnu ei poolitata.

Märgendus

Alustav jutumärk on &ldquo;, lõpetav jutumärk on &rdquo;. Ühekordne jutumärk on '. Šrifti muutuse algus on tähistatud märgendiga <hi rend='milline šrift'> ja lõpp märgendiga</hi> või, kui erineva šriftiga on terve lõik, siis algab lõik märgendiga <p rend='milline šrift'>.

<div0> tähistab üht ajakirja numbrit ja <div1> tähistab artiklit või alaosa.

Tekst on jagatud lõikudeks nagu algne HTML-fail ja automaatselt lausestatud. Pealkirjad ja autorid on märgendatud. Autor võib mõnel alaosal ka puududa. Autori märgenduseks on <bibl> <author> <s>; autorit iseloomustav tekst on samas sees.

Iga faili alguses on päis <teiHeader>, kus on dokumenteeritud faili sisu, suurus, kasutatud märgendid jms.

Erisümbolid

Lisaks ASCII sümbolitele/koodidele (so täppideta tähed, numbrid ja kirjavahemärgid) on tekstides kasutatud järgmisi olemeid ehk entiteete:

• &Auml; -Ä
• &Aacute; - Á (ladina suur A akuudiga)
• &Acirc; - Â (ladina suur A tsirkumfleksiga)
• &Aring; - Å (ladina suur A ülasõõriga)
• &Agrave; - À (ladina suur A graavisega)
• &Auml; - Ä
• &Eacute; - É (ladina suur E akuudiga)
• &Ecirc; - Ê (ladina suur E tsirkumfleksiga)
• &Egrave; - È (ladina suur E graavisega)
• &ETH; - Ð
• &Euml; - Ë (ladina suur E umlaudiga)
• &Iacute; - Í (ladina suur I akuudiga)
• &Igrave; - Ì (ladina suur I graavisega)
• &Iuml; - Ï (ladina suur I umlaudiga)
• &Nacute; - Ń (ladina suur N akuudiga)
• &Ntilde; - Ñ (ladina suur N tildega)
• &Oacute; - Ó (ladina suur O akuudiga)
• &Ocirc; - Ô (ladina suur O tsirkumfleksiga)
• &Ograve; - Ò (ladina suur O graavisega)
• &Oslash; - Ø (ladina suur O kaldkriipsuga)
• &Otilde; - Õ
• &Ouml; - Ö
• &Scaron; - Š
• &THORN; - Þ
• &Uuml; - Ü
• &Zcaron; - Ž
• &Yacute; - Ý (ladina suur Y akuudiga)
• &aacute; - á (ladina väike a akuudiga)
• &acirc; - â (ladina väike a tsirkumfleksiga)
• &aelig; - æ (ae ligatuur)
• &agrave; - à (väike ladina a graavisega)
• &amp; - & (ampersand)
• &aogon; - ą
• &aring; - å (ladina väike a ülasõõriga)
• &ast; - *
• &atilde; - ã (ladina väike a tildega)
• &auml; - ä
• &ccaron; - č (ladina väike c haagiga)
• &ccedil; - ç (ladina väike c alakomaga)
• &commat; - @
• &copy; - © (autoriõiguse märk)
• &deg; - º (kraadimärk)
• &divide; - ÷ (jagamismärk)
• &dollar; - º (dollarimärk)
• &eacute; - é (ladina väike e akuudiga)
• &ecirc; - ê (ladina väike e tsirkumfleksiga)
• &egrave; - è (ladina väike e graavisega)
• &eth; - ð
• &euml; - ë (ladina väike e umlaudiga)
• &frac34; -¾ (murd 3/4)
• &frac14; -¼ (murd 1/4)
• &frac12; -½ (murd 1/2)
• &gt; - >
• &ge; - ≥
• &half; - > ½ (murd 1/2)
• &iacute; - í (ladina väike i akuudiga)
• &icirc; - î (ladina väike i tsirkumfleksiga)
• &igrave; - ì (ladina väike i graavisega)
• &iuml; - ï (ladina väike i umlaudiga)
• &le; - ≤
• &lt; - <
• &micro; - µ
• &middot; - ·
• &nacute; - ń (ladina väike n akuudiga)
• &ntilde; - ñ
• &oacute; - ó (ladina väike o akuudiga)
• &ocirc; - ô (ladina väike o tsirkumfleksiga)
• &ograve; - ò (ladina väike o graavisega)
• &otilde; - õ
• &ouml; - ö
• &plus; - +
• &quot; - " (jutumärk)
• &rarr; - → (paremale suunatud nool)
• &reg; - ® (registreeritud kaubamärk)
• &scaron; - š
• &sect; - § (paragrahvi märk)
• &times; - × (korrutusmärk)
• &thorn; - þ
• &tilde; - ~ (tilde)
• &ucirc; - û (ladina väike u tsirkumfleksiga)
• &ugrave; - ù (ladina väike u graavisega)
• &uuml; - ü
• &verbar; - |
• &yuml; - ÿ (ladina väike y umlaudiga)

---

Veebisepp   Viimati muudetud: R, 21. detsember 2018 19:19 UTC.