5 # Dieses Perl-Skript extrahiert einfache Wortlisten aus der
6 # »wortliste«-Datenbank, die beispielsweise als Eingabedateien für »patgen«
7 # verwendet werden können.
9 # Aufruf: perl extract-tex.pl [Optionen...] < wortliste > input.patgen
11 # Die »wortliste«-Datei muss in UTF-8 kodiert sein.
17 # -s Option »-t« wählt die traditionelle deutsche Rechtschreibung aus,
18 # Option »-s« die traditionelle (deutsch)schweizerische Rechtschreibung.
19 # Wenn weder »-s« noch »-t« gesetzt ist, wird die reformierte deutsche
20 # Rechtschreibung ausgewählt.
22 # -x Ignoriere Optionen »-g« und »-u« und gebe die sprachspezifischen
23 # Felder unbearbeitet aus.
25 # -g Gib Wörter mit gewichteten Trennstellen aus; Wörter mit »·« werden
26 # ignoriert. Optional kann ein ganzzahliges Argument angegeben werden:
27 # Wert 0 gibt alle gewichtete Trennstellen aus inklusive »-« (das ist
28 # der Standardwert), Wert 1 nur die Trennstellen mit der höchsten
29 # Wichtung (ohne »-«), Wert 2 die Trennstellen mit der höchsten und
30 # zweithöchsten Wichtung (ohne »-«), usw.
32 # Beachte, dass bei nahe beieinanderstehenden Trennstellen derzeit keine
33 # zusätzliche Wichtung vorgenommen wird. Beispielsweise ist in dem Wort
37 # die Trennung »abbe-rufen« schlecht, weil ganz nahe der optimalen
38 # Trennstelle (nach »ab«). Das Skript gibt trotzdem diese Trennstelle
41 # -u Verhindere die Ausgabe von Wörtern mit Markern für unerwünschte
42 # Trennungen (z.B. »An-al.pha-bet«).
44 # -v Verhindere die Ausgabe von Versalformen, wo »ß« durch »ss« ersetzt
47 # -l Konvertiere die Ausgabe von UTF-8 nach latin-9 (wie von »patgen«
52 use English
'-no_match_vars';
53 use utf8
; # String-Literals direkt als UTF-8.
54 use Getopt
::Long
qw(:config bundling);
57 my ($opt_g, $opt_l, $opt_s, $opt_t, $opt_u, $opt_v, $opt_x);
60 GetOptions
("g:i" => \
$opt_g,
74 binmode(STDIN
, ":encoding(utf8)");
77 binmode(STDOUT
, ":encoding(iso-8859-15)");
80 binmode(STDOUT
, ":encoding(utf8)");
95 # Entferne Kommentare.
98 # Entferne Leerzeichen aller Art.
101 my @feld = split(';');
104 # reformiert: Felder 2, 4, 5, 7
105 # traditionell: Felder 2, 3, 5, 6
106 # traditionell Schweiz: Felder 2, 3, 5, 6, 8
108 # Beachte: Feld n hat Index n-1.
109 my $zeile = $feld[1];
110 $zeile = $feld[2] if defined $feld[2]
111 && $feld[2] ne "-3-" && ($opt_t || $opt_s);
112 $zeile = $feld[3] if defined $feld[3]
113 && $feld[3] ne "-4-" && !($opt_t || $opt_s);
114 $zeile = $feld[4] if defined $feld[4]
115 && $feld[4] ne "-5-" && !$opt_v;
116 $zeile = $feld[5] if defined $feld[5]
117 && $feld[5] ne "-6-" && ($opt_t || $opt_s) && !$opt_v;
118 $zeile = $feld[6] if defined $feld[6]
119 && $feld[6] ne "-7-" && !($opt_t || $opt_s) && !$opt_v;
120 $zeile = $feld[7] if defined $feld[7]
121 && $feld[7] ne "-8-" && $opt_s && !$opt_v;
123 next if $zeile eq "-2-";
126 # Entferne spezielle Trennungen.
127 $zeile =~ s
|\
{ (.*?
) / .*? \
}|$1|gx
;
129 # Entferne Doppeldeutigkeiten.
130 $zeile =~ s
|\
[ (.*?
) / .*? \
]|entferne_marker
($1)|egx
;
132 # Ausgabe von Wörtern mit unerwünschten Trennungen?
133 next if $zeile =~ /\./ and $opt_u;
135 # Entferne Markierungen für unerwünschte Trennungen.
136 $zeile =~ s/[·<>=-]* \.+ [·<>=-]*//gx;
138 # Ausgabe von Wörtern mit ungewichteten Trennstellen?
139 next if $zeile =~ /·/ and $opt_g >= 0;
142 # Berechne Wichtungen. Wir verwenden folgende Werte:
153 # Bei mehrfachem Auftreten von »<« hat das am meisten links stehende
154 # den höchsten Rang. Bei mehrfachem Auftreten von »>« hat das am
155 # meisten rechts stehende den höchsten Rang. Beispiel:
157 # Mit<ver<ant-wort>lich>keit
160 # Das bezieht sich auch auf Ketten mit »=>« u.ä:
162 # Ei-gen=wirt>schaft=>lich>keit
170 # Wir zerlegen mit `split' unter Beibehaltung der Begrenzer.
171 my @zerlegung = split /([<>=-]+)/, $zeile;
173 # Wir speichern Wichtung und Rang als Felder.
174 my @wichtung = (-2) x
($#zerlegung + 1);
175 my @rang = (0) x
($#zerlegung + 1);
177 # Erster Durchgang: Ermittle Wichtungswerte.
179 # Wir starten bei erstem Marker (mit Index 1).
180 foreach my $i (1 .. ($#zerlegung - 1)) {
181 # Ignoriere Nicht-Marker.
189 elsif ($m =~ /^--$/) {
192 elsif ($m =~ /^[<>]$/) {
195 elsif ($m =~ /^=$/) {
198 elsif ($m =~ /( ==*>? | <?=*= )/x) {
202 warn "Zeile $INPUT_LINE_NUMBER:"
203 . " unbekannter Marker »$m« behandelt als »-«\n";
210 # Zweiter Durchgang: Adjustiere Wichtung von »<« und »>«.
212 # Behandle »<« von rechts nach links gehend.
214 foreach my $i (reverse(1 .. ($#zerlegung - 1))) {
215 # Ignoriere Nicht-Marker.
218 if (index ($zerlegung[$i], "<") >= 0) {
219 # Hat der rechte Marker in einer Kette von »<« eine höhere
220 # Wichtung, wird diese übernommen.
223 if ($w_vorher >= $w) {
224 $wichtung[$i] = $w_vorher;
230 # »-«-Marker zwischen zwei »<« ändert nicht deren Wichtung.
231 elsif ($zerlegung[$i] ne "-") {
236 # Behandle »>« von links nach rechts gehend.
238 foreach my $i (1 .. ($#zerlegung - 1)) {
239 # Ignoriere Nicht-Marker.
242 if (index ($zerlegung[$i], ">") >= 0) {
243 # Hat der linke Marker in einer Kette von »>« eine höhere
244 # Wichtung, wird diese übernommen.
247 if ($w_vorher >= $w) {
248 $wichtung[$i] = $w_vorher;
254 # »-«-Marker zwischen zwei »>« ändert nicht deren Wichtung.
255 elsif ($zerlegung[$i] ne "-") {
260 # Dritter Durchgang: Ermittle Rang von »<« und »>«.
262 # Behandle »<« von links nach rechts gehend.
264 foreach my $i (1 .. ($#zerlegung - 1)) {
265 # Ignoriere Nicht-Marker.
268 if (index ($zerlegung[$i], "<") >= 0) {
271 # »-«-Marker zwischen zwei »<« ändert nicht den Rang.
272 elsif ($zerlegung[$i] ne "-") {
277 # Behandle »>« von rechts nach links gehend.
279 foreach my $i (reverse(1 .. ($#zerlegung - 1))) {
280 # Ignoriere Nicht-Marker.
283 if (index ($zerlegung[$i], ">") >= 0) {
286 # »-«-Marker zwischen zwei »>« ändert nicht den Rang.
287 elsif ($zerlegung[$i] ne "-") {
292 # Sortiere Indexfeld für Marker mit absteigender Wichtung.
293 my @wichtungsindices =
295 # Benutze Rang für Sekundärsortierung.
296 if ($wichtung[$a] == $wichtung[$b]) {
297 -($rang[$a] <=> $rang[$b]);
300 -($wichtung[$a] <=> $wichtung[$b]);
302 } (0 .. $#zerlegung);
304 # Entferne Trennstellen unter Berücksichtigung des Arguments von »-g«.
309 foreach my $i (@wichtungsindices) {
310 # Alle Wortteile haben einen geraden Index und sind stets am Schluß
311 # von @wichtungsindices.
317 if ($w_vorher == $w) {
318 $g++ if $r_vorher != $r;
327 # Entferne Trennung mit zu geringer Wichtung.
328 $zerlegung[$i] = "" if $g > $opt_g || $w < 0;
331 $zeile = join '', @zerlegung;
334 # Reduziere Trennstellenmarker zu »-«.
335 $zeile =~ s/[·<>=-]+/-/g;