Koondkorpus: Lääne Elu

Sisu ja maht

Selles allkorpuses on ajalehe Lääne Elu lehenumbrid ajavahemikust 04.05.2000 - 01.11.2008, (1273 numbris 6407 artikliga), kokku 1 764 250 sõna 126 205 lauses.

Täpsema ülevaate korpuse jagunemisest aastati annab alljärgnev tabel:

AASTA	NUMBREID	ARTIKLEID	LAUSEID	SÕNU
2000	100	500	8279	117 156
2001	148	739	13 925	192 899
2002	149	788	16 113	217 046
2003	148	742	15 969	214 354
2004	150	753	15 853	219 954
2005	152	754	15 597	213 272
2006	151	755	14 490	210 013
2007	148	738	14 141	202 908
2008	127	638	11 838	176 648
KOKKU	1273	6407	126205	1764250

Need tekstid on osa eesti keele Koondkorpusest. Korpuse koostamist on finantseeritud riiklikust programmist „Eesti keele keeletehnoloogiline tugi“ projekti „Koondkorpus“ kaudu.

NB! Osa nendest tekstidest kuulub ka Tasakaalus korpuse koosseisu!

Allikmaterjal

Tekstid on pärit veebilehelt www.le.ee

Tekstid on internetist poolautomaatselt salvestatud ja teisendatud HTML-kujult TEI kujule. Vajalikud programmid kirjutas Kristel Uiboaed

Ühes failis on üks lehenumber. Välja on jäetud mitte-tekstiline materjal, so pildid (fotod, illustratsioonid, karikatuurid). Välja on jäetud ka valuutakursside tabelid, pankadevahelise rahaturu intressimäärade tabelid, saatekavad, edetabelid, ilmateade ja horoskoop.

Märgendus

Nii allalaaditavates failides kui ka kasutajaliidese kaudu kasutatavates failides on kirjavahemärgid sõnadest lahku tõstetud. s.o. kirjas tavaline lause

Ma nägin, et ta tuleb, ja ütlesin: "Tere!"

on korpuses kujul

Ma nägin , et ta tuleb , ja ütlesin : " Tere !"

Allalaaditavad failid on märgendatud TEI põhimõtete järgi.

Allalaaditavate korpuseversioonide struktuur on järgmine:

XML-kujul korpusel on kolme tasandi päised (header): iga faili kohta käiv info on selle faili alguses, Lääne Elu allkorpuse kui terviku kohta käiv info failis header_aja_laane_elu.xml ja kogu Koondkorpuse kui terviku kohta käiv info failis koondkorpus_main_header.xml
HTML-kujul failidel on kogu see info, mis XML-failidel on esitatud kolmetasandilises päises, esitatud iga faili alguses olevas päises.
Tekst ise algab märgenditega <text><body> ja lõpeb märgendiga </body></text>.

Tekst on jagatud lõikudeks nagu algne HTML-fail ja automaatselt lausestatud. Artiklite pealkirjad ja autorid on märgendatud. Nii pealkiri kui autor võib artiklil ka puududa. Nii lausestuses kui ka autorite märgenduses võib esineda vigu.

Tekstides parandusi pole tehtud, sõnu ei poolitata.

Tekstides on kasutatud järgmisi märgendeid:

Terviklehenumber <div1>
Rubriik <div2>
Artikkel <div3>
Pealkiri <head>
Autor <bibl><author>; autorit iseloomustav tekst on samade märgendite vahel (nt. toimetaja)
Lõik <p>
Lause <s>
Väljajäetud materjal, nt hüperlingid, <gap>

Kasutajaliideste kaudu kasutatavates korpuseversioonides lause = rida. Märgendus on kustutatud, v.a. märgend <gap ...>. Iga lause algab allikaviitega, kus kirjas info teose autori ja pealkirja kohta.

Olemid

SGML-failides esinevad olemid on kirjas selles tabelis

Veebisepp Viimati muudetud: R, 21. detsember 2018 18:58 UTC.