5 # Dieses Perl-Skript extrahiert einfache Wortlisten aus der
6 # »wortliste«-Datenbank im Langformat (oder ähnlichen Dateien mit gleichem
7 # Dateiformat), die beispielsweise als Eingabedateien für »patgen« verwendet
12 # perl extract-tex.pl [Optionen...] [liste1 liste2 ...] > input.patgen
14 # Die Eingabedateien müssen in UTF-8 kodiert sein; ist keine Eingabedatei
15 # angegeben, verwendet das Skript die Standardeingabe. Beispiele:
17 # perl extract-tex.pl -l < ../wortliste > wortliste.ref.latin9
18 # perl extract-tex.pl -t ../wortliste > wortliste.trad.utf8
25 # -s Option »-t« wählt die traditionelle deutsche Rechtschreibung aus,
26 # Option »-s« die traditionelle (deutsch)schweizerische Rechtschreibung.
27 # Wenn weder »-s« noch »-t« gesetzt ist, wird die reformierte deutsche
28 # Rechtschreibung ausgewählt.
30 # -x Ignoriere Optionen »-g«, »-u« und »-1« und gib die sprachspezifischen
31 # Felder unbearbeitet aus (inklusive Kommentare).
33 # -g Gib Wörter mit gewichteten Trennstellen aus. Optional kann ein
34 # ganzzahliges Argument angegeben werden: Wert 0 gibt alle gewichtete
35 # Trennstellen aus inklusive »-« (das ist der Standardwert), Wert 1 nur
36 # die Trennstellen mit der höchsten Wichtung (ohne »-«), Wert 2 die
37 # Trennstellen mit der höchsten und zweithöchsten Wichtung (ohne »-«),
40 # Beachte, dass bei nahe beieinanderstehenden Trennstellen derzeit keine
41 # zusätzliche Wichtung vorgenommen wird. Beispielsweise ist in dem Wort
45 # die Trennung »abbe-rufen« schlecht, weil ganz nahe der optimalen
46 # Trennstelle (nach »ab«). Das Skript gibt trotzdem diese Trennstelle
49 # -u Verhindere die Ausgabe von Wörtern mit Markern für unerwünschte
50 # Trennungen (z.B. »An<=al-.pha=bet«). Wenn nicht gesetzt, werden als
51 # ungünstig markierte Trennstellen entfernt (z.B. »An<=alpha=bet«).
53 # -1 (Ziffer 1) Verhindere einbuchstabige Trennungen. Ist die Option
54 # gesetzt, wird die erste dieser Trennungen unterdrückt, falls beide
55 # Trennstellen gleichwertig sind (z.B. »eu-ro-päi-sche« statt
56 # »eu-ro-pä-i-sche«), anderenfalls bleibt die stärkere erhalten (z.B.
57 # »päd<ago-gisch« statt »pä-d<a-go-gisch«).
59 # -v Verhindere die Ausgabe von Versalformen, wo »ß« durch »ss« ersetzt
62 # -l (Kleinbuchstabe L) Konvertiere die Ausgabe von UTF-8 nach latin-9 (wie
63 # von »patgen« benötigt).
67 use English
'-no_match_vars';
68 use utf8
; # String-Literals direkt als UTF-8.
69 use open qw(:std :utf8);
70 use Getopt
::Long
qw(:config bundling);
73 my ($opt_g, $opt_l, $opt_s, $opt_t, $opt_u, $opt_v, $opt_x, $opt_1);
76 GetOptions
("g:i" => \
$opt_g,
91 binmode(STDOUT
, ":encoding(iso-8859-15)") if $opt_l;
102 # Gebe Kommentarzeilen direkt aus, falls verlangt.
111 # Entferne Kommentare.
114 my $kommentar = $1 // "";
116 # Entferne Leerzeichen aller Art.
119 my @feld = split(';');
122 # reformiert: Felder 2, 4, 5, 7
123 # traditionell: Felder 2, 3, 5, 6
124 # traditionell Schweiz: Felder 2, 3, 5, 6, 8
126 # Beachte: Feld n hat Index n-1.
127 my $zeile = $feld[1];
128 $zeile = $feld[2] if defined $feld[2]
129 && $feld[2] ne "-3-" && ($opt_t || $opt_s);
130 $zeile = $feld[3] if defined $feld[3]
131 && $feld[3] ne "-4-" && !($opt_t || $opt_s);
132 $zeile = $feld[4] if defined $feld[4]
133 && $feld[4] ne "-5-" && !$opt_v;
134 $zeile = $feld[5] if defined $feld[5]
135 && $feld[5] ne "-6-" && ($opt_t || $opt_s) && !$opt_v;
136 $zeile = $feld[6] if defined $feld[6]
137 && $feld[6] ne "-7-" && !($opt_t || $opt_s) && !$opt_v;
138 $zeile = $feld[7] if defined $feld[7]
139 && $feld[7] ne "-8-" && $opt_s && !$opt_v;
141 next if $zeile eq "-2-";
144 # Entferne spezielle Trennungen.
145 $zeile =~ s
|\
{ (.*?
) / .*? \
}|$1|gx
;
147 # Entferne Doppeldeutigkeiten.
148 $zeile =~ s
|\
[ (.*?
) / .*? \
]|entferne_marker
($1)|egx
;
150 # Ausgabe von Wörtern mit unerwünschten Trennungen?
151 next if $zeile =~ /\./ and $opt_u;
153 # Entferne Randtrennstellen.
154 # TODO: Ergänze Option für »Gesangstext-Trennmuster«
155 $zeile =~ s/(^ | [<>=]) ([^·<>=-]) [·<>=-]+/$1$2/gx;
156 $zeile =~ s/[·<>=-]+ ([^·<>=-]) ($ | [<>=])/$1$2/gx;
158 # Entferne einbuchstabige Trennstellen, falls verlangt;
159 # der »stärkere« Marker gewinnt, und »a-b-c« wird zu »ab-c«.
160 # »ch« wird wie ein Buchstabe behandelt.
161 $zeile =~ s/- ( (?: [^.·<>=-] | ch ) [<>=] [<>=.]* )/$1/gx if $opt_1;
162 $zeile =~ s/( [<>=] [<>=.]* (?: [^.·<>=-] | ch ) ) -/$1/gx if $opt_1;
163 $zeile =~ s/- ( (?: [^.·<>=-] | ch ) - [-.]* )/$1/gx if $opt_1;
165 # Entferne Markierungen für unerwünschte Trennungen.
166 $zeile =~ s/[·<>=-]* \.+ [·<>=-]*//gx;
169 # Berechne Wichtungen. Wir verwenden folgende Werte:
180 # Bei mehrfachem Auftreten von »<« hat das am meisten links stehende
181 # den höchsten Rang. Bei mehrfachem Auftreten von »>« hat das am
182 # meisten rechts stehende den höchsten Rang. Beispiel:
184 # Mit<ver<ant-wort>lich>keit
187 # Das bezieht sich auch auf Ketten mit »=>« u.ä:
189 # Ei-gen=wirt>schaft=>lich>keit
197 # Wir zerlegen mit `split' unter Beibehaltung der Begrenzer.
198 my @zerlegung = split /([<>=-]+)/, $zeile;
200 # Wir speichern Wichtung und Rang als Felder.
201 my @wichtung = (-2) x
($#zerlegung + 1);
202 my @rang = (0) x
($#zerlegung + 1);
204 # Erster Durchgang: Ermittle Wichtungswerte.
206 # Wir starten bei erstem Marker (mit Index 1).
207 foreach my $i (1 .. ($#zerlegung - 1)) {
208 # Ignoriere Nicht-Marker.
216 elsif ($m =~ /^--$/) {
219 elsif ($m =~ /^[<>]$/) {
222 elsif ($m =~ /^=$/) {
225 elsif ($m =~ /( ==*>? | <?=*= )/x) {
229 warn "Zeile $INPUT_LINE_NUMBER:"
230 . " unbekannter Marker »$m« behandelt als »-«\n";
237 # Zweiter Durchgang: Adjustiere Wichtung von »<« und »>«.
239 # Behandle »<« von rechts nach links gehend.
241 foreach my $i (reverse(1 .. ($#zerlegung - 1))) {
242 # Ignoriere Nicht-Marker.
245 if (index ($zerlegung[$i], "<") >= 0) {
246 # Hat der rechte Marker in einer Kette von »<« eine höhere
247 # Wichtung, wird diese übernommen.
250 if ($w_vorher >= $w) {
251 $wichtung[$i] = $w_vorher;
257 # »-«-Marker zwischen zwei »<« ändert nicht deren Wichtung.
258 elsif ($zerlegung[$i] ne "-") {
263 # Behandle »>« von links nach rechts gehend.
265 foreach my $i (1 .. ($#zerlegung - 1)) {
266 # Ignoriere Nicht-Marker.
269 if (index ($zerlegung[$i], ">") >= 0) {
270 # Hat der linke Marker in einer Kette von »>« eine höhere
271 # Wichtung, wird diese übernommen.
274 if ($w_vorher >= $w) {
275 $wichtung[$i] = $w_vorher;
281 # »-«-Marker zwischen zwei »>« ändert nicht deren Wichtung.
282 elsif ($zerlegung[$i] ne "-") {
287 # Dritter Durchgang: Ermittle Rang von »<« und »>«.
289 # Behandle »<« von links nach rechts gehend.
291 foreach my $i (1 .. ($#zerlegung - 1)) {
292 # Ignoriere Nicht-Marker.
295 if (index ($zerlegung[$i], "<") >= 0) {
298 # »-«-Marker zwischen zwei »<« ändert nicht den Rang.
299 elsif ($zerlegung[$i] ne "-") {
304 # Behandle »>« von rechts nach links gehend.
306 foreach my $i (reverse(1 .. ($#zerlegung - 1))) {
307 # Ignoriere Nicht-Marker.
310 if (index ($zerlegung[$i], ">") >= 0) {
313 # »-«-Marker zwischen zwei »>« ändert nicht den Rang.
314 elsif ($zerlegung[$i] ne "-") {
319 # Sortiere Indexfeld für Marker mit absteigender Wichtung.
320 my @wichtungsindices =
322 # Benutze Rang für Sekundärsortierung.
323 if ($wichtung[$a] == $wichtung[$b]) {
324 -($rang[$a] <=> $rang[$b]);
327 -($wichtung[$a] <=> $wichtung[$b]);
329 } (0 .. $#zerlegung);
331 # Entferne Trennstellen unter Berücksichtigung des Arguments von »-g«.
336 foreach my $i (@wichtungsindices) {
337 # Alle Wortteile haben einen geraden Index und sind stets am Schluß
338 # von @wichtungsindices.
344 if ($w_vorher == $w) {
345 $g++ if $r_vorher != $r;
354 # Entferne Trennung mit zu geringer Wichtung.
355 $zerlegung[$i] = "" if $g > $opt_g || $w < 0;
358 $zeile = join '', @zerlegung;
361 # Reduziere Trennstellenmarker zu »-«.
362 $zeile =~ s/[·<>=-]+/-/g;
367 print " " . $kommentar if $kommentar && $opt_x;