git.oblomov.eu Git - ohcount/blob - test/src_dir/optimer

   1 #!/bin/sh
   2 # optimer – Masserer ordlistefilene til eit kjaptsøkt format.
   3 #
   4 # Copyright © 2008, 2009 Karl Ove Hufthammer <karl@huftis.org>.
   5 #
   6 #     This file is part of Ordbanken.
   7 #
   8 #     Ordbanken is free software: you can redistribute it and/or modify
   9 #     it under the terms of the GNU General Public License as published by
  10 #     the Free Software Foundation, either version 3 of the License, or
  11 #     (at your option) any later version.
  12 #
  13 #     This program is distributed in the hope that it will be useful,
  14 #     but WITHOUT ANY WARRANTY; without even the implied warranty of
  15 #     MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  16 #     GNU General Public License for more details.
  17 #
  18 #     You should have received a copy of the GNU General Public License
  19 #     along with this program.  If not, see <http://www.gnu.org/licenses/>.
  20
  21 # Utfør kommandoen på fila oppgjeven som førsteargument.
  22 fil=$1
  23 echo $fil
  24
  25 # Forklaring på filtreringskommandoane.
  26 #  grep: Filtrer vekk kommentarar (linjer som startar med «*»).
  27 #  fgrep: Filtrer unormerte ord.
  28 #  sed: Gjer om mellomrom i siste del av linja (der kodane er) til tabulatorar.
  29 #       (Korfor den kompliserte sed-kommandoen? Fordi kodane i utgangspunktet er
  30 #       skilde med mellomrom i staden for med tabulatorar. Dette ville ikkje vore
  31 #       noko problem om alle oppføringar besto av eitt ord, då «column» som
  32 #       standard handterer mellomrom og tabulatorar likt, men ordbanken har
  33 #       oppføringar som «på kryss og tvers», og då ville alle orda få kvar si
  34 #       kolonne (bruk «på» som oppslagsord for å sjå oppføringa).
  35 #  sed: Fjern kodar (på forma <kode1>) som inneheld tal (interne/uforståelige kodar).
  36 #  sed: Fjern kodar («ord» utan <>) som startar med tal (interne/uforståelige kodar).
  37 #  sed: Fjern talkoden på starten av linja.
  38 #  tr: Slå saman etterfølgjande tabulatorar til éin.
  39 #  sort: Sorter fila (slik at oppslag med «look» går raskare).
  40 grep -v '^\*' $fil \
  41 | fgrep -v "unormert" \
  42 | sed -r 'h;s/^([^      ]+      [^      ]+      [^      ]+      )(.*)/\2/;s/ /  /g;G;s/(.*)\n([^        ]+      [^      ]+      [^      ]+      )(.*)/\2\1/' \
  43 | sed -r 's/<[^>]*[0-9][^>]*>+/ /g' \
  44 | sed -r 's/    [0-9]+[^        ]*/     /g' \
  45 | sed -r 's/^[0-9]+\s+//' \
  46 | tr -s '\t' \
  47 | LC_ALL=C sort > "${fil%.txt}.dat"