Segakorpus: Eesti Ekspress

Sisu ja maht

Selles allkorpuses on ajalehe 'Eesti Ekspress' numbrid alates 09. 08. 1996 kuni 29. 11. 2001.

Need tekstid on osa eesti keele Koondkorpusest. Korpuse loomist on toetanud riiklik programm „Eesti keele keeletehnoloogiline tugi“ projektiga „Eesti keele koondkorpus“.

NB! Osa nendest tekstidest kuulub ka Tasakaalus korpuse koosseisu!

Eesti Ekspressi korpuses on kokku 7,2 miljonit sõna, aastate kaupa täpsemalt:

AASTA	SÕNU
1996	293886
1997	890856
1998	1263175
1999	1628341
2000	1625561
2001	1458048
KOKKU	7159867

Allikmaterjal

Tekstid pärinevad Eesti ekspressi internetiarhiivist, nad on automaatselt salvestatud ja teisendatud HTML-kujult TEI kujule. Vajalikud programmid kirjutas Kaarel Kaljurand, lausestas ja valideeris Heiki-Jaan Kaalep.

Ühes failis on üks lehenumber. Välja on jäetud mitte-tekstiline materjal so fotod, illustratsioonid, karikatuurid, koomiksid.

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, Eesti Ekspressi allkorpuse kui terviku kohta käiv info failis header_aja_EE.xml ja kogu Koondkorpuse kui terviku kohta käiv info failis koondkorpus_main_header.xml
SGML-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>.

Fail so üks lehenumber on tüüpiliselt jagatud järgmisteks üksusteks:

<div1> on terve lehenumber, nt <div1 type='ajalehenumber'><head>Eesti Ekspress</head>
<div2> on lehe A-osa või Areen, nt <div2 type='alaosa'><head>AOSA</head>
<div3> on rubriik, nt <div3 type='rubriik'><head>MAGNET</head>
<div4> moodustavad ühes failis paiknenud artiklid. Neid võib olla üks või mitu ja sellel alajaotusel võib olla pealkiri või ka mitte. Juhul, kui pealkiri puudub, on selle asemel kirje CT_FILENAME, nt <div4 type='alamrubriik'><head>CT_FILENAME</head>
<div5> on artikkel, nt <div5 type='artikkel'><head>Sõbrakäsi idast</head>
<div5> võib tähistada ka artikli pealkirjast eespool paiknenud osa, siis on märgendil atribuut pealkirja_eelne.

Tekst on jagatud lõikudeks nagu algne HTML-fail ja automaatselt lausestatud. Tekstides parandusi pole tehtud, sõnu ei poolitata. Artiklite pealkirjad ja autorid on märgendatud. Nii pealkiri kui autor võib artiklil ka puududa. Nii lausestuses kui ka autorite märgenduses võib esineda vigu.

Tekstides on lisaks eespoolnimetatutele kasutatud järgmisi märgendeid:

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

<div3> ja <div4> pealkirjades ning autorite märgendamises võib esineda vigu.

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

Esiletõstmise eesmärgil tehtud šrifti muutused on reeglina märgendatud, kasutades atribuuti rend. Kui šrifti muutus hõlmab tervet lõiku, siis on atribuut rend antud lõigule. Šrifti abil esiletõstmise võimalikud väärtused on järgmised:

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

Olemid

SGML-failides esinevad olemid on kirjas selles tabelis

Veebisepp Viimati muudetud: R, 21. detsember 2018 15:49 UTC.