Kotus 29.3.07: Rakennepaja Ongelmana luettavuus ja editointi, kun nimittäjänä ovat UTF-8 ja XSLT Jack Rueter

Esitys aiheesta: "Kotus 29.3.07: Rakennepaja Ongelmana luettavuus ja editointi, kun nimittäjänä ovat UTF-8 ja XSLT Jack Rueter"— Esityksen transkriptio:

1 Kotus 29.3.07: Rakennepaja Ongelmana luettavuus ja editointi, kun nimittäjänä ovat UTF-8 ja XSLT Jack Rueter rueter@ling.helsinki.fi

2 Heikki Paasosen mordvan murresanakirja Ongelmana luettavuus ja editointi, kun nimittäjinä ovat UTF-8 ja XSLT

3 Sisältö Koneet, ohjelmat ja kirjasimet Merkkiratkaisumalli Emacs auki XSLTPROC-konversio

4 Murresanakirjan kirjoitusvaihe Macintosh 1987-1996 –Ohjelmat WriteNow QuarkExpress –Kirjasimet Tilaustyö (J.Lehtiranta)

5 Merkkiratkaisumalli UTF-8 –Perusmerkkejä + tarkkeita –Sekä yhdisteperusmerkkejä että perusmerkkejä + tarkkeita –Tarkkeet = (Combining Diacritical Marks) Spacing Modifier Letters

6 Merkkiratkaisumalli Merkkiyhdisteet –Perusmerkki + tarke/tarkkeet Ensin perusmerkin alapuolella olevat tarkkeet Sitten perusmerkin yläpuolella olevat –Tarkkeet järjestyksessä perusmerkistä poispäin Tätä voi hahmottaa kuin planeettojen kulkuradat auringon suhteen: Merkurius, Venus, Maa … –Spacing Modifier Letters tulevat siten omina yksikköinä.

7 Unix-yhteys Unix 2006-2007 –Editori: emacs Windows: XSessions: Putty Linux: emacs: (mule-ratkaisuja)

8 Putty Sessions –Host Name or (IP address) Window/Translation –Received data assumed to be in which character set UTF-8 SSH/X11 –X11 forwarding Enable X11 forwarding

9 Putty/emacs Komentoriviltä: –]$ emacs -nw paasonen.xml Työympäristö –Näppäimistöltä syötetään latinalaisia ja kyrillisiä kirjaimia Alt + shift -näppäimistönvaihto

10 Putty/emacs/työympäristö Näppäimistöltä syötetään latinalaisia ja kyrillisiä kirjaimia, jotka ovat UNICODEa Voi käyttää (C-s) hakemaan kaikkea, mitä tulee näppäimistöltä Oikealla: haluttu merkkijono –(C-s C-y) s´

11 Linux/emacs Komentoriviltä: –]$ emacs paasonen.xml emacs auki graafisessa ympäristössä –Options/Mule (Multilingual Environment) Set Font/Fontset –Font menu/ Fontset »Standard: 16-dot medium

12 Linux/emacs Tiedosto auki –(C-x C-f).xml-loppuiset tiedostot automaattisesti oletusarvoltaan UNICODE-muotoisia –(M-x nxml-mode) š => šˇ š => šš

13 Puutteet Mule-ratkaisun takia ei voi etsiä näppäimistöltä käsin sellaisia kyrillisiä kirjaimia, jotka on kirjoitettu muissa sessioissa.

14 XSLTPROC-konversio Automaattinen konversio –xsl:copy-of Tiedoston sisällä: š => š Tiedoston nimeksi: 2- tai 3-tavuisia vastineita: š => s%CC%8C

15 Artikkelinkokoisia tiedostoja <xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform"> <xsl:value-of select="subentry[1]/compositeSubentry[1]/b[1]" /> _ <xsl:value-of select="subentry[1]/co mpositeSubentry[1]/index[1]"/>.xml _</ xsl:text> <xsl: text>.xml

16 Artikkelinkokoisia tiedostoja Tiedoston nimeksi: 2- tai 3-bittisiä vastineita –š => s%CC%8C Luettavuuden takia käytetään perl- ja shell-skriptiä tiedostonimien muuntamiseksi

17 Tiedostonimien muunto ls Versiot/*xml | perl -pe ‘s/x/ $1 $1 /g;’ | \... mv us%CC%8Codoms_.xml usˇodoms_.xml

18 Tiedostojen avaaminen $ emacs C-x C-f TAB TAB –Näppäimistöltä mitä pystyy syöttämään TAB:illä täydennetään ja C-x + o tiedostojen valintaan –Editoidut tiedostot eteenpäin näppäimistösyötön helpottamiseksi

19 Tiedostossa emacsilla Käyttöympäristönä Windows [^]* työkalun hyödyntämiseksi perlillä on muunnettu kaikki &#x????; muodot virtuaalisiksi merkeiksi. Yhdistelmätarkkeet aiheuttavat ongelmia.

20 Yhdistetarkeongelmat Ei ole löydetty/tehty näppäimistöä, jolla tarkkeita voisi syöttää oletusjärjestyksessä –Onko järjestys perusteltu Näkyvät virtuaalisesti oikeassa paikassa, joten editoinnissa täytyy käyttää C-s – komentoa oikean paikan löytämiseksi.