Descrição da estrutura dos dados necessários para MyThes
-------------------------------------------------- ------

MyThes é muito simples. Quase todos os "smarts" são realmente
no próprio arquivo de dados do dicionário de sinônimos.

O formato deste arquivo é o seguinte:

- sem dados binários

- o final da linha é uma nova linha '\n' e não um retorno de carro/avanços de linha

- A linha 1 é uma string de caracteres que descreve a codificação usada para o arquivo. Cabe ao programa de chamada converter
de e para esta codificação, se necessário.

     ISO8859-1 é usado pelo arquivo th_en_US_new.dat.

     Strings atualmente reconhecidas pelo OpenOffice.org são:

     ISO8859-1
     ISO8859-2
     ISO8859-3
     ISO8859-4
     ISO8859-5
     ISO8859-6
     ISO8859-7
     ISO8859-8
     ISO8859-9
     ISO8859-10
     KOI8-R
     CP-1251
     ISO8859-14
     ISCII-DEVANAGARI
     UTF8


- Todas as linhas remanescentes do arquivo seguem esta estrutura

entrada|num_mean
pos|syn1_mean|syn2|...
.
.
.
pos|mean_syn1|syn2|...


Onde:

   entrada - todas as versões em minúsculas da palavra ou frase que está sendo descrita
   num_mean - número de significados para esta entrada

   Há um significado por linha e cada significado é composto por

   pos - classe gramatical ou outra descrição específica de significado
   syn1_mean - sinônimo 1 também usado para descrever o próprio significado
   syn2 - sinônimo 2 para esse significado etc.


Para tornar isso ainda mais claro, aqui estão os dados reais para o
entrada "simples".

simples|9
(adj)|simples|elementar|final|supersimplificado|simplista|simplex|simplificado|não analisável |
não decomposto|não complicado|não sofisticado|fácil|simples|não subdividido
(adj)|elementar|simples|não problemático|fácil
(adj)|nua|mera|simples
(adj)|infantil|olhos arregalados|olhos orvalhados|ingênuo|naif
(adj)|estúpido|estúpido|simplório|retardado
(adj)|simples|não subdividido|sem lóbulo|suave
(adj)|simples
(substantivo)|erva|planta herbácea
(substantivo)|simplório|pessoa|indivíduo|alguém|alguém|mortal|humano|alma


Diz que "simples" tem 9 significados diferentes e cada
o significado terá sua classe gramatical e pelo menos 1 sinônimo
com outro se predefinido seguindo na mesma linha.



Depois de criar seu próprio arquivo de texto estruturado, você pode usar
o programa perl "th_gen_idx.pl" que pode ser encontrado neste
diretório para criar um arquivo de índice que é usado para buscar em
seu arquivo de dados pelo código MyThes.

A maneira correta de executar o programa perl é a seguinte:

cat th_en_US_new.dat|./th_gen_idx.pl> th_en_US_new.idx



Então, se você liderar o arquivo de índice resultante, deverá ver o
Segue:

ISO8859-1
142689
'capô|10
Gravenhage de|88
'tween|173
'tween decks|196
.22|231
.22 calibre|319
.22 calibre|365
Calibre 38|411
Calibre 38|457
Calibre .45|503
Calibre .45|549
0|595
1|666
1 crônicas|6283
1 esdras|6336


A linha 1 é a mesma string de codificação tirada do
arquivo de dados de dicionário de sinônimos estruturado.

A linha 2 é uma contagem do número total de entradas
em seu dicionário de sinônimos.

Todas as linhas restantes são do formulário

entrada|byte_offset_into_data_file_where_entry_is_found


Isso é tudo que existe também.


Kevin
kevin.hendricks@sympatico.ca
