Koondkorpus: Postimees

 

Sisu ja maht

Selles allkorpuses on päevalehe Postimees lehenumbrid 27.11.1995 - 10.10.2000, (1760 numbrit 88 600 artikliga), kokku 32,9 miljonit sõna; aastate kaupa:

Aastamaht
1995 0,4
1996 6,1
1997 6,8
1998 8,2
1999 6,5
2000 4,9

Need tekstid on osa eesti keele Koondkorpusest. Korpuse koostamist on finantseeritud riiklikust programmist „Eesti keel ja rahvuskultuur“.

NB! Osa nendest tekstidest kuulub ka Tasakaalus korpuse koosseisu!

Kuidas seda kasutada saab?

Kogu korpus on vaba kasutamiseks mitteärilistel eesmärkidel. Kasutamiseks on kolm võimalust:

Allikmaterjal

Tekstid on pärit ajalehe Postimees internetiarhiivist.

Tekstid on internetist poolautomaatselt salvestatud ja teisendatud HTML-kujult TEI kujule. Vajalikud programmid kirjutasid Erik Saarts ja Heiki-Jaan Kaalep.

Ühes failis on üks lehenumber. Välja on jäetud mitte-tekstiline materjal, so pildid (fotod, illustratsioonid, karikatuurid, koomiksid). Välja on jäetud ka valuutakursside tabelid, telekavad, igasugune reklaam ja kuulutused, samuti horoskoop. Topelt artiklid on välja jäetud, kuid nt anekdootides ja raamatututvustustes esineb palju korduvaid tekstilõike.

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, Postimehe allkorpuse kui terviku kohta käiv info failis header_aja_postimees.xml ja kogu Koondkorpuse kui terviku kohta käiv info failis koondkorpus_main_header.xml
  • Korpusefaili päises on dokumenteeritud failis sisalduva ajalehenumbri ilmumise kuupäev, sõnade arv tekstis ja faili suurus baitides, samuti on päises loetletud selles failis kasutatud märgendid ja nende arv
  • 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>
  • Alaosa <div2>
  • Rubriik <div3>
  • Alamrubriik <div4>
  • Artikkel <div5>
  • Pealkiri <head>
  • Autor <bibl><author>; autorit iseloomustav tekst on samade märgendite vahel (nt. toimetaja)
  • Lõik <p>
  • Lause <s>
  • Väljajäetud materjal, nt hüperlingid, <gap>

<div2>, <div3> või <div4> pealkiri võib ka puududa; pealkirjade liigitamisel tasanditesse võib olla ebajärjekindlust. Plaadi-, raamatu- jm arvustuste puhul võib ühe <div4> sees olla tegelikult mitu mini-artiklit. <div1> ja <div2> ja sageli ka <div3> määratlemise aluseks olid algversiooni failinimed.

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

<hi rend='bold'>, <hi rend='italic'>, <hi rend='sup'>, <hi rend='underline'>, <hi>, <p rend='bold'>, <p rend='bold_italic'>, <p rend='bold_underline'>, <p rend='h3'>, <p rend='h3_bold'>, <p rend='h3_italic'>, <p rend='h4'>, <p rend='h4_bold'>, <p rend='italic'>, <p rend='italic_bold'>, <p rend='underline'>, <p rend='underline_bold'>

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

HTML-failides esinevad olemid on kirjas selles tabelis