Created
March 18, 2013 17:24
-
-
Save melissaboiko/5189029 to your computer and use it in GitHub Desktop.
script to adapt "Vocabulário na Língua Brasílica", a 1621 Portuguese / Old Tupi dictionary, from its digitalized wiki version at http://vlb.wikispaces.com/ , to tab-separated and DICT (dictd) formats.
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
#!/bin/bash | |
# | |
# O "Vocabulário na Língua Brasílica", de 1621, é um dicionário jesuíta | |
# português/tupi antigo. Uma versão digital por Ensjo está disponível em | |
# http://vlb.wikispaces.com/ . | |
# | |
# Este script simples adapta a versão wiki para: | |
# 1. formato texto .tsv, separado por tabs (bom para grep, cut e afins), e | |
# 2. formatos .index e .dict para o protocolo DICT (dictd, dict(1) etc.) | |
# | |
# Requisitos: | |
# - w3m | |
# - dictfmt | |
# | |
# Note que o dicionário usa ortografia do português antigo. As entradas são | |
# grandes então provavelmente você vai querer usar alguma estratégia parcial do | |
# dict, como "word". | |
# | |
# —Leonardo Boiko <leoboiko@namakajiri.net> | |
set -e | |
baseurl="http://vlb.wikispaces.com/%21" | |
dbname=vocbras-por-tpw | |
tab=" " | |
for letter in A B C D E F G H I L M N O P Q R S T U X Z; do | |
echo "Fazendo a letra $letter..." >&2 | |
w3m -cols 99999 -dump "http://vlb.wikispaces.com/%21$letter" 2>/dev/null \ | |
| grep -i "• $letter.*—" \ | |
| sed -e "s/^.*• //" \ | |
-e "s/\(.*\) *— *\(.*\)/\1$tab\2/" \ | |
-e "s/\. *$tab/$tab/" | |
done > $dbname.tsv | |
echo "Compilando .dict e .index..." >&2 | |
sed -e "s/\(.*\)$tab\(.*\)/:\1:\2/" < $dbname.tsv \ | |
| dictfmt -j \ | |
-u http://vlb.wikispaces.com \ | |
-s "Vocabulario da Lingua Brasilica" \ | |
--utf8 \ | |
--locale 'pt_BR.UTF-8' \ | |
--allchars \ | |
$dbname | |
echo "Arquivos gerados: $dbname.tsv $dbname.dict $dbname.index" |
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment