Koondkorpus: Eesti Päevaleht

Eesti Päevalehe failid XML TEI P5 (utf8) kujul
Eesti Päevalehe SGML TEI P3 (ASCII+olemid) failid:1995.zip 1996.zip 1997.zip 1998.zip 1999.zip 2000_tei.zip 2001_tei.zip 2002_tei.zip 2003_tei.zip 2004_tei.zip 2005_tei.zip 2006_tei.zip 2007_tei.zip

Sisu ja maht

Selles allkorpuses on Eesti Päevalehe lehenumbrid 18.10.1995 - 31.10.2007, (4065 numbrit 366862 artikliga), kokku 87,9 miljonit sõna 6,6 miljonis lauses.

aasta	numbrid	artiklid	laused	sõnad
1995	61	1876	58493	738037
1996	292	10867	305755	3946465
1997	286	13169	303103	4013049
1998	331	14546	338472	4377783
1999	310	18481	418157	5455466
2000	329	51070	934380	12329581
2001	338	63777	1065952	14246608
2002	356	35666	629646	8643510
2003	364	29366	584089	7937521
2004	364	28296	565734	7656749
2005	365	28977	561782	7586399
2006	365	36987	523889	7132934
2007	304	33784	273143	3836326
Kokku:	4065	366862	6562595	87900428

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 Eesti Päevalehe internetiarhiivist http://epl.ee.

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

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, sünnipäevaliste nimekirjad, rubriik "НаРусском", 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, Eesti Päevalehe allkorpuse kui terviku kohta käiv info failis header_aja_EPL.xml ja kogu Koondkorpuse kui terviku kohta käiv info failis koondkorpus_main_header.xml
SGML-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.

Kasutatud on 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>
<lb> tähistab autorit iseloomustavas tekstis vm. olnud kujunduslikku reavahetust.
<list> tähistab loetelu algust.
<item> loetelu ühte elementi.

Esiletõstmise eesmärgil tehtud šrifti muutused on reeglina märgendatud, kasutades atribuuti rend. Kui šrifti muutus hõlmab tervet lõiku, siis on atribuut rend antud lõigule, kui tervet loendi üksust <item>, siis sellele. Šrifti abil esiletõstmise võimalikud väärtused on järgmised:

hi rend="rasvane", rend="kaldkiri", rend="rasvane_kaldkiri", rend="allajoonitud", rend="väike", rend="väike_värviline", rend="värviline", rend="värviline_allajoonitud", rend="alaindeks", rend="ülaindeks"

item rend="hüperlink", rend="kaldkiri", rend="rasvane", rend="vahepealkiri", rend="värviline"

p rend="allajoonitud", rend="hüperlink", rend="kaldkiri", rend="keskel_rasvane", rend="rasvane", rend="rasvane_allajoonitud", rend="rasvane_kaldkiri", "rasvane_värviline", rend="suur", rend="suur_hüperlink", rend="suur_kaldkiri", rend="suur_rasvane", rend="tekst_pildi_all", rend="vahepealkiri", rend="väike", rend="värviline"

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

Selle korpuse erimärgid

Esinemisi	Olem	Märk	Kirjeldus
46	Á	Á	ladina suur A akuudiga
1254	á	á	ladina väike a akuudiga
33	â	â	ladina väike a tsirkumfleksiga e. katusega
3	Â	Â	ladina suur A tsirkumfleksiga e. katusega
42	Æ	Æ	(AE ligatuur)
1508	æ	æ	(ae ligatuur )
4	À	À	ladina suur A graavisega
221	à	à	ladina väike a graavisega
55	&amacr;	ā	ladina väike a ulakriipsuga
9329	&	&	ampersand
128	Å	Å	ladina suur A ülasooriga
1260	å	å	ladina väike a ülasooriga
70	ã	ã	ladina väike a tildega
41881	Ä	Ä	A
6954694	ä	ä	a
71	•	•	###
412	&cacute;	ć	ladina väike c akuudiga
3	&Ccaron;	Č	ladina suur C haagiga
13	&ccaron;	č	ladina väike c haagiga
107	ç	ç	ladina väike c sediiga
7	Ç	Ç	ladina suur C sediiga
64	&Ccirc;	Ĉ	ladina suur C tsirkumfleksiga e. katusega
490	&ccirc;	ć	ladina väike c tsirkumfleksiga e. katusega
29	©	©	autoriõiguse märk
1	&dagger;	†	###
651	°	°	kraadimärk
17	÷	÷	jagamismärk
98	É	É	ladina suur E akuudiga
4504	é	é	ladina väike e akuudiga
5	ê	ê	ladina väike e tsirkumfleksiga e. katusega
221	è	è	ladina väike e graavisega
10	&Emacr;	Ē	ladina suur e ulakriipsuga
113	&emacr;	ē	ladina väike e ulakriipsuga
575	ë	ë	ladina väike e umlautiga
7	Ë	Ë	ladina suur E umlautiga
25	€	€	euro märk
43	½	½	murd 1/2
18	¼	¼	murd 1/4
4	¾	¾	murd 3/4
1	&gacute;	ǵ	ladina väike g akuudiga
415	>	>	suurem-kui-märk
817	…	…	###
203	í	í	ladina väike i akuudiga
2	Í	Í	ladina väike l akuudiga
3	î	î	ladina väike i tsirkumfleksiga e. katusega
3	ì	ì	ladina väike i graavisega
41	&imacr;	ī	ladina väike i ulakriipsuga
32	ï	ï	ladina väike i umlautiga
155	&kcedil;	ķ	ladina väike k sediiga
6	&Kcedil;	Ķ	ladina suur K sediiga
13	&lcedil;	ļ	ladina väike l sediiga
60	<	<	vaiksem-kui-märk
2	&Nacute;	Ń	ladina suur N akuudiga
9	&nacute;	ń	ladina väike n akuudiga
26			tuhik
36	&ncedil;	ń	ladina väike n sediiga
2	≠	≠	ei-võrdu-märk
180	ñ	ñ	ladina väike n tildega
716	ó	ó	ladina väike o akuudiga
16	Ó	Ó	ladina suur O akuudiga
333	ô	ô	ladina väike o tsirkumfleksiga e. katusega
2	&oelig;	œ	(oe ligatuur)
3	ò	ò	ladina väike o graavisega
3	&Omacr;	Ō	ladina suur O ulakriipsuga
56	&omacr;	ō	ladina väike o ulakriipsuga
1829	ø	ø	ladina väike o labiva kaldkriipsuga
53	Ø	Ø	ladina suur O labiva kaldkriipsuga
5816758	õ	õ	õ
66638	Õ	Õ	Õ
1746821	ö	ö	ö
13594	Ö	Ö	Ö
201	&permil;	‰	promilli märk
10	±	±	pluss-miinus
724	&quest;	?	küsimärk
7	→	→	paremale näitav nool
2	&rcaron;	ř	ladina väike r haagiga
44	®	®	registreeritud kaubamärk
6	&Sacute;	Ś	ladina suur S akuudiga
37	&sacute;	ś	ladina väike s akuudiga
102757	&scaron;	ř	š
19033	&Scaron;	Š	Š
14	&scedil;	ş	ladina väike s sediiga
22	&Scedil;	Ş	ladina suur S sediiga
2140	§	§	paragrahvi märk
17	¹	¹	ülaindeks 1
423	²	²	ülaindeks 2
156	³	³	ülaindeks 3
44	ß	ß	ladina väike sz
36	×	×	korrutusmärk
9	™	™	###
32	ú	ú	ladina väike u akuudiga
17	Ú	Ú	ladina suur U akuudiga
5	Û	Û	ladina suur U tsirkumfleksiga e. katusega
46	û	û	ladina väike u tsirkumfleksiga e. katusega
5	ù	ù	ladina väike u graavisega
1	&Umacr;	Ū	ladina suur U ülakriipsuga
60	&umacr;	ū	ladina väike u ülakriipsuga
1	&uring;	ů	ladina väike u ülasooriga
1	&utilde;	ũ	ladina väike u tildega
193682	Ü	Ü	Ü
3853548	ü	ü	ü
12	ý	ý	ladina väike y akuudiga
3	Ý	Ý	ladina suur Y akuudiga
16	ÿ	ÿ	ladina väike y umlautiga
44311	&zcaron;	ž	ž
2573	&Zcaron;	Ž	Ž
1	Б	Б	###
2	В	В	###
1	Д	Д	###
1	З	З	###
1	И	И	###
1	Л	Л	###
2	М	М	###
1	О	О	###
1	С	С	###
2	Т	Т	###
1	Ч	Ч	###
1	Ы	Ы	###
2	Э	Э	###
1	Ю	Ю	###
4	Я	Я	###
15	а	а	###
1	в	в	###
4	д	д	###
7	е	е	###
2	ж	ж	###
1	з	з	###
5	и	и	###
1	й	й	###
3	к	к	###
3	л	л	###
7	н	н	###
5	о	о	###
1	п	п	###
6	р	р	###
7	с	с	###
13	т	т	###
4	у	у	###
1	х	х	###
1	ч	ч	###
3	ш	ш	###
1	ь	ь	###
1	э	э	###
1	ю	ю	###
2	я	я	###
2	ה	ה	###
2	ו	ו	###
2	ח	ח	###
2	כ	כ	###
2	נ	נ	###

Veebisepp Viimati muudetud: R, 21. detsember 2018 16:35 UTC.