Re: [L-A Lokalisointi] Sanakirjan toteutuksesta

On Wed, 18 Feb 2004, Tapio Lehtonen wrote:
> Eikös sanakirjan toteutuksessa olisi nähtävissä kolme osaa, jotka ovat
> erillisiä ja voitaisiin toteuttaakin erillään ja toisistaan riippumatta jos
> liityntärajapinnat on sovittu.
>
> 1) Sanojen keruu.
>
> 2) Talletus tietokantaan
>
> 3) Sanakirjan käyttöliittymä

Jooh, periaatteessa. Tosin 1&2 menee aika samaan tahtiin...

Lisäisin ehkä kohdan 4) web-pohjainen syöttökäyttöliittymä (joskus hamassa
tulevaisuudessa).

Tuo käyttöliittymä kannattaa toistaiseksi tehdä ihan staattisina sivuina; haun
saa tehtyä selaimen tekstihaulla, joskin vierittämällä selaaminen on ehkä
helpompaa. Sanat voi ehkä jakaa ensimmäisen kirjaimen mukaan, kuten
ATK-sanakirja on nyt jaettu. Toimii hyvin (ATK-sanakirjassa on 3000 sanaa).

> Toivottavaa olisi aloittaa sanojen keruu mahdollisimman pian, koska
> ilman niitä ei noista myöhemmistä osista ole hyötyä ja testiaineistoa
> tarvitaan joka tapauksessa.

Olen niitä nyt itse asiassa tänään naputellut vähän kokeeksi. Totesin
helpoimmaksi syöttötavaksi käyttää OO Calccia. Hakusanojen rakennetta joutuu
hieman parsimaan siitä, mutta tuntuisi täyttävän tarpeen.

Eli tuolleen:
http://www.iki.fi/magi/ohjelmointi/linux/lokalisointi/sanakirja/sanat.sxc

Systematiikka lienee enimmäkseen aika "intuitiivinen". Kenttien arvoilla on
tiettyjä "oletuksia", eli 1:set on jätetty pois, sanaluokka on oletuksena
noun, jne.

Tuo systematiikka riittäisi nyt lähes tietosanakirjatasolle (se perustuu
pitkälti Websterin jäsennykseen joillain lisäyksillä...), mutta on kuitenkin
*ERITTÄIN* nopeaa kirjoittaa tuolla Calcilla kunhan ymmärtää systematiikan.
Syötin äsken varmaan pari sataa sanaa tunnin aikana. Epäilen pahasti että jos
tuosta jonkin weppikäyttöliittymän tekisi, se olisi todella paljon
vaivalloisempi ja epämukavampi. (Weppiliittymät on datan syötössä todella
ankeita.)

Tuosta nuo saanee jossain vaiheessa pullautettua XSLT-suodattimella johonkin
toiseen muotoon, josta HTML:ksi/kantaan.

> En oikein usko että tätä pystytään automatisoimaan niin hyvin ettei
> tarvittaisi ihmistyötä sanakirjan pitämisessä hyvässä kunnossa. Jos
> kuka tahansa saa lisätä sanakirjaan se menee kuitenkin sekaisin, tulee
> vääriä tai puutteellisia tietueita.

Jooh. Ehkä tuo menee helpoiten nyt niin että jos joku muu haluaa muokata tuota
sanastoa, ottaa tiedoston "omistukseensa" vähäksi aikaa.

> - alkukieli (koska voidaan kääntää muistakin kielistä kuin englannista)

Njoo. Tuo tosin voinee olla sanastokohtainen, eli jos tulee useita
lähtökieliä, tehdään kullekin omansa. Mutta tuossa kyllä voisi olla toinen
kohdekielen sarake, nimittäin ruotsin kielelle. No, pitää miettiä.

> Koska samalla sanalla voi olla monta eri merkitystä asiayhteyhdestä riippuen
> pitää päättää voiko sama termi esiintyä tietokannassa monta kertaa vai onko
> samalle termille mahdollistettava monta vastinetta. Itse kannatan samaa
> termiä monta kertaa koska sen luulisin olevan helpompi toteuttaa.

Relaatiotietokantojen ongelmia, josta syystä vierastan niitä... Jos
tietokannan pitää XML-dokumenttina, voi sisällön esittää helpommin
rakenteisesti. Tällöin rakennetta pystyy myös helposti muuttamaan
radikaalistikin, toisin kuin relaatiokannassa. Päivityten tekeminen XML-dokuun
on tosin työläämpää. Tuskin kaatuu nopeuteenkaan niin kauan kuin sanoja on
alta muutama tuhat, XML:n prosessointi on yllättävän nopsaa.

> Keräysvaiheessa nuo yllä olevat tiedot pitäisi saada talteen talletettavaksi
> tietokantaan. Sitten kun tietokannassa on dataa sieltä voidaan tuottaa
> sanakirja käytettäväksi erilaisissa muodoissa, vaikkapa yksi sana per sivu,
> tavallisen näköisessä sanakirjamuodossa, tai miten vaan, kyllä tuommoisesta
> datasta tuottaa tekstin vaikka millaiseen muotoon.

Jeps, se tuossa hyvässä systematiikassa on hyvänä puolena.

-- Marko Grönroos, [email protected] (http://www.iki.fi/magi/)