OSHB parsování tagu - strukturovaná informace

Z poskytnutého HTML zdrojového kódu lze vyčíst informace o parsování tagů OSHB a vysvětlit postup parsování. Zde je strukturovaný manuál, který vysvětluje, jak provádět parsování:

1. Načtěte HTML stránku nebo získaný HTML kód.

2. Hledejte oddíly (sections) s danými názvy, které obsahují tabulky s informacemi. Tyto oddíly odpovídají jednotlivým kategoriím morfologických informací.

3. Pro informace o částech řeči (Part of Speech) získáte tabulku, ve které se každý řádek skládá ze dvou sloupců. První sloupec obsahuje zkratku (tag) a druhý sloupec popisuje danou část řeči.

4. Pro Verbální kmeny (Verb stems) pro hebrejštinu a aramejštinu získáte oddíly, které obsahují dvě tabulky. V každé tabulce jsou jednotlivé kmeny reprezentovány jedním řádkem, kde první sloupec obsahuje zkratku kmenu a druhý sloupec popisuje daný kmen.

5. Pro Verbální konjugace (Verb conjugation types) získáte tabulku, kde každý řádek obsahuje jednu konjugaci. První sloupec tabulky obsahuje zkratku (tag) a druhý sloupec poskytuje popis dané konjugace.

6. Pro další informace, jako jsou typy přídavných jmen (Adjective types), typy podstatných jmen (Noun types), typy zájmen (Pronoun types), typy předložek (Preposition types), typy přípon (Suffix types), typy částic (Particle types), osoba (Person), rod (Gender), číslo (Number), stav (State) a jazyk (Language), získáte tabulky, ve kterých první sloupec obsahuje zkratku (tag) a druhý sloupec popisuje danou kategorii.

7. Kód pro parsování konkrétního morfologického tagu, jako je příklad:

   <w lemma="853" morph="HTo">אֵ֥ת</w> <w lemma="d/8064" morph="HTd/Ncmpa">הַ/שָּׁמַ֖יִם</w> <w lemma="c/853" morph="HC/To">וְ/אֵ֥ת</w> <w lemma="d/776" morph="HTd/Ncfsa">הָ/אָֽרֶץ</w><seg type="x-sof-pasuq">׃</seg>

   a) Odstraňte první znak z "morph" atributu, který určuje jazyk. V tomto případě je to písmeno "H" pro hebrejštinu.

   b) Zbývající řetězec "morph" obsahuje jednotlivé kódy pro různé oblasti morfologie.

   c) Pro člen (Article) se nacházející před lomítkem ("/") získáte část řetězce před lomítkem. Například v "morph" hodnotě "HTd/Ncmpa" je člen "T".

   d) Další informace v rámci morfologie lze získat na základě pozice písmene v řetězci. V tomto příkladu můžete získat:

   • "N" pro rod (Gender), který je umístěn na pozici 5
   • "c" pro číslo (Number), které je umístěno na pozici 6
   • "f" pro stav (State), který je umístěn na pozici 7
   • "s" pro jiné informace, které jsou umístěny na dalších pozicích v řetězci

   e) Kódy v "lemma" atributu poskytují další informace o slově, které nejsou přímo součástí morfologického tagu.

Toto je pouze příklad způsobu parsování tagů na základě poskytnutého HTML kódu a lze jej implementovat pomocí různých programovacích jazyků, jako je JavaScript, Python nebo Java.

Jaké informace jsou umístěny na pozici 3 a 4?

Na základě poskytnutého HTML kódu z OSHB stránky je možné určit následující informace na pozici 3 a 4 v rámci morfologických tagů:

Pozice 3:

• Ve Verbálních kmenech (Verb stems) pro hebrejštinu: třetí pozice označuje kategorii biny (stvolu) slovesa.
• Ve Verbálních kmenech (Verb stems) pro aramejštinu: třetí pozice obsahuje další varianty a odvozeniny od základního kmene.

Pozice 4:

• V Verbálních kmenech (Verb stems) pro hebrejštinu: čtvrtá pozice je prázdná, tj. nemá žádný význam nebo značení.
• V Verbálních kmenech (Verb stems) pro aramejštinu: čtvrtá pozice je prázdná nebo obsahuje další varianty a odvozeniny od základního kmene.

Je důležité poznamenat, že informace na těchto pozicích se mohou lišit v závislosti na konkrétním jazyce a kategorii morfologie.

Více info na 

http://krestanske-stranky.wz.cz/morphhb/structure/OshbVerse/index.html