Koondkorpus: Valgamaalane

Sisu ja maht

Seles allkorpuses on ajalehe Valgamaalane lehenumbrid ajavahemikust 02.09.2004 - 31.07.2008, (598 numbris 10 577 artikliga), kokku 2 495 302 sõna 182 936 lauses. Täpsema ülevaate korpuse mahust aastate kaupa annab alljärgnev tabel:

AASTA	NUMBREID	ARTIKLEID	LAUSEID	SÕNU
2004	51	812	15 681	196 437
2005	152	2562	45 501	602 164
2006	148	2378	41 789	560 543
2007	152	2976	48 421	679 370
2008	95	1849	31 544	456 788
KOKKU	598	10577	182 936	2 495 302

Need tekstid on osa eesti keele Koondkorpusest. Korpuse koostamist on finantseeritud riiklikust programmist „Eesti keele keeletehnoloogiline tugi“ projekti „Koondkorpus“ kaudu.

NB! Osa nendest tekstidest kuulub ka Tasakaalus korpuse koosseisu!

Allikmaterjal

Tekstid on pärit veebilehelt www.valgamaalane.ee

Tekstid on internetist poolautomaatselt salvestatud ja teisendatud HTML-kujult TEI kujule. Vajalikud programmid kirjutas Kristel Uiboaed

Ühes failis on üks lehenumber. Välja on jäetud mitte-tekstiline materjal, so pildid (fotod, illustratsioonid, karikatuurid). Välja on jäetud ka valuutakursside tabelid, pankadevahelise rahaturu intressimäärade tabelid, saatekavad, edetabelid, ilmateade ja horoskoop.

Märgendus

Nii allalaaditavates failides kui ka kasutajaliidese kaudu kasutatavates failides on kirjavahemärgid sõnadest lahku tõstetud. s.o. kirjas tavaline lause

Ma nägin, et ta tuleb, ja ütlesin: "Tere!"

on korpuses kujul

Ma nägin , et ta tuleb , ja ütlesin : " Tere !"

Allalaaditavad failid on märgendatud TEI põhimõtete järgi.

Allalaaditavate korpuseversioonide struktuur on järgmine:

XML-kujul korpusel on kolme tasandi päised (header): iga faili kohta käiv info on selle faili alguses, Valgamaalase allkorpuse kui terviku kohta käiv info failis header_aja_valgamaalane.xml ja kogu Koondkorpuse kui terviku kohta käiv info failis koondkorpus_main_header.xml
HTML-kujul failidel on kogu see info, mis XML-failidel on esitatud kolmetasandilises päises, esitatud iga faili alguses olevas päises.
Tekst ise algab märgenditega <text><body> ja lõpeb märgendiga </body></text>.

Tekst on jagatud lõikudeks nagu algne HTML-fail ja automaatselt lausestatud. Artiklite pealkirjad ja autorid on märgendatud. Nii pealkiri kui autor võib artiklil ka puududa. Nii lausestuses kui ka autorite märgenduses võib esineda vigu.

Tekstides parandusi pole tehtud, sõnu ei poolitata.

Tekstides on kasutatud järgmisi märgendeid:

Terviklehenumber <div1>
Rubriik <div2>
Artikkel <div3>
Pealkiri <head>
Autor <bibl><author>; autorit iseloomustav tekst on samade märgendite vahel (nt. toimetaja)
Lõik <p>
Lause <s>
Väljajäetud materjal, nt hüperlingid, <gap>

Kasutajaliideste kaudu kasutatavates korpuseversioonides lause = rida. Märgendus on kustutatud, v.a. märgend <gap ...>. Iga lause algab allikaviitega, kus kirjas info teose autori ja pealkirja kohta.

Olemid

SGML-failides esinevad olemid on kirjas selles tabelis

Veebisepp Viimati muudetud: R, 21. detsember 2018 18:59 UTC.