Vikipedia korpuso de Esperanto

Korpuso (aux Tekstaro) estas aro da tekstoj, kiun oni povas uzi por lingvoscienca esplorado.

Tekstaro de vikipedio

Mi (--Jacob Nordfalk 15:08, 12 January 2010 (UTC)) uzis kelkajn tagojn por eltiri uzeblan tekstaron de la esperanta vikipedio.

Jen mi prezentas procedon por krei vian propran tekstaron de ĉ. 10 milionaj da vortoj de Vikipedio. Se vi interesiĝas pri aliaj lingvoj, vizitu la Vikipedian elŝutejon. Estu konscia ke grandaj lingvoj havas grandajn deŝutojn. Vidu Kopirajton kaj licencon por licencaj kondiĉoj.

Jen la defioj de krei bone uzeblan tekstaron estas pluraj:

• Bone interpreti la vikitekstan formaton.

Mi uzis [1] kiel fonto, sed devis multe ŝanĝi por tauxgigi al Esperanto.

• Kunmeti liniojn tiel ke unu linio estas unu frazo
• Certigi ke nur tauxga polurita vikiteksto eniras

Mi forprenis artikolojn kun dupunkto : kaj kun markilo {{polurinda}}

• Nombri (tion faras nl -s ". " facile)
• Certigi ke la lingvaĵo estas Esperanto, per [de http://www.let.rug.nl/~vannoord/TextCat/ TextCat] (tekstkaterogigilo).

NB ke tiu ili postulas multe la CPU kaj dauxras ĉ. 10 horoj

Por pli da diskuto de la defioj vidu [2] kaj [3].

Instrukcioj

Jen instrukcioj por eltiri la esperantlingvan vikipedion kaj krei tekstaron de ĝi.

Vi bezonas uzi (Ubuntu) Linux aux alia UNIX-bazita sistemo (ekz Mac OS X).

Unue, elŝutu http://apertium.svn.sourceforge.net/viewvc/apertium/trunk/apertium-eo-en/corpa/esperantowiki-xml2txt.py?view=log kaj kaj la esperantlingva vikipedio:

wget  -O esperantowiki-xml2txt.py "http://apertium.svn.sourceforge.net/viewvc/apertium/trunk/apertium-eo-en/corpa/esperantowiki-xml2txt.py?revision=HEAD&content-type=text/plain"

wget http://download.wikimedia.org/eowiki/latest/eowiki-latest-pages-articles.xml.bz2

Poste, faru

bunzip2 -c eowiki-latest-pages-articles.xml.bz2 | python esperantowiki-xml2txt.py > eowiki-kruda.txt 
cat eowiki-kruda.txt | grep -e '................................................' | grep -v "''" | grep -v "[" | grep -v "#" | grep -v "@" > eowiki-kruda2.txt 
cat eowiki-kruda2.txt | sort -fiu | sort -R | nl -s ". " > eowiki.crp.txt

La grep-komandoj elektas frazojn de minimuma longo kaj forpurigas frazojn kun kursivaj vortoj (ofte alilingvaj) kaj kun diversaj signoj netauxgaj dum evolulaboro por [Apertium]. La sort-komandoj ne estas strikte necesa. Ili ordigas kaj trovas nur unikajn liniojn, kaj poste ordigas hazarde (miksas la tekston). La komando nl -s ". " kaj aldonas liniajn numerojn.