Diskusia – Macher na Javu - Analýza textu
SpäťUpozorňujeme, že diskusie pod našimi online kurzami sú nemoderované a primárne slúžia na získavanie spätnej väzby pre budúce vylepšenie kurzov. Pre študentov našich rekvalifikačných kurzov ponúkame možnosť priameho kontaktu s lektormi a študijným referentom pre osobné konzultácie a podporu v rámci ich štúdia. Toto je exkluzívna služba, ktorá zaisťuje kvalitnú a cielenú pomoc v prípade akýchkoľvek otázok alebo projektov.
Lubor Pešek:29. júla 11:11
Trošku bizár reagovat po jedenácti letech na něčí zdroj (nepochybně
bys to dneska napsal určitě líp). Nicméně to, co tu visí, tak už v té
době nebylo v pořádku 
Jednak špatně to počítá písmena (mezi písmena ti to počítá i čárky,
středník atd.)
A hlavně nepočítals s tím, že ukončovací znaky nemusí vždy znamenat
konec vět.
Popravdě jsem si to z hecu zkusil napsat sám.
Čísla, samohlásky, souhlásky (dokonce bílé znaky a speciální znaky), tak
to je naprogramováno během chvilky. Regex to řeší lehce a to dokonce na
souboru o 1 milionu znaků.
Ovšem počítání vět...
Když jsem to vzal důsledně, tak to není ani omylem lehký problém. Právě
naopak.
V textu můžeš mít spoustu kontextových zkratek, které využívají
ukončovací znaménka, takže rozhodně se nedá počítat počet vět jen
díky tomu, že si spočítáš tečky vykřičníky otazníky středníky a
dvojtečky.
Pár příkladů:
- trojtečka
- zkratky (tj. atd. např.)
- výčet v seznamu (1. první bod, 2. druhý bod atd.)
- smajlíci (
) - faktoriál
- když někdo v textu bude mluvit o matematice a zadá souřadnice bodu stylem: A[12;33]
- psaní datumu a času: 1.1.2000 13:00
- zdůraznění, že se jedná o zásadní otázku: na toto bych se důrazně zeptal ?!?
- Někdo v textu napíše více vykřičníků (takže ve tvém případě -
co vykřičník, to věta
)
- V textu zdůrazněný "nadpis" stylem: !NA TOTO POZOR! (ty už bys v tom měl dvě věty)
No a hlavně.... Přišel jsem na takovou šílenost, kterou jde už snad jen vyřešit pomocí AIčka nebo nějakou dobře napsanou výjimkou, ale to už je fakt asi vyšší dívčí.
Když bys zaváděl pravidla třeba stylem:
- tečka znamená konec věty, pokud ovšem před tečkou není číslo. Pak znamená pořadové číslo
- Pokud je za tečkou slovo začínající velkým písmenem, tak to znamená, že tečka ukončuje větu
No a co třeba tento příklad:
Martin v závodě skončil 3. Jen těsně neskončil na 2. místě. Víme, že
skončil jako 1. Adam.
A teď zaváděj pravidla, která tečka je ukončující a která ne 
(když dokonce první tečka v
takové větě je nejen konec věty, ale také určuje pořadové číslo).
Tím v žádném případě neurážím ani nezesměšňuji tvůj
projekt!!!!!!!!
Jen jsem tu do komentáře rozvedl, že počítání vět ani v nejmenším
nemůžeme tak trivializovat, že budeme jen počítat tečky, vykřičníky,
otazníky atd.
PS: díky za dobrý námět k ročníkové práci. Je to tak široká problematika, že to může stát za to;)
Lubor Pešek:29. júla 13:26
Jo, však popisuji, že je to mnohem složitější, než se na první dobrou
zdá.
Stejným způsobem by se v textu určitě (ne)hodnotily třeba nadpisy. Nadpis
není věta a za nadpisem následuje nová věta.
Je toho strašně moc a když do toho ještě budu chtít zamíchat prvky hovorové češtiny, tak o to by to byl větší pain.
Nicméně si říkám, že přece musí existovat nějaký způsob, jak to
rozeznat. Když to dokáže tak tupý tvor, jako je člověk, tak v tom nějaký
systém musí být.
Ačkoliv o tom je celá čeština - 1.000 pravidel, 100.000 výjimek. (nechápu,
jak někdo může tvrdit, že matika je složitá:D)
Ale to už odbočuji mimo téma.
PS: právě pro ROČNÍKOVOU práci je to skvělé téma. Nikdo neříká,
že to musí být dokonalé, ale na první dobrou napíšeš základní pravidla
a potom to přes rok postupně upravuješ.
A v rámci OOP by bylo skvělé, kdyby ve výsledku byl program tak rozdělen,
aby jednak vypsal základní pravidla, potom speciální případy a potom
výjimky.
Jsem pevně přesvědčen, že "pravidla" by byla nejmenším modulem
Navíc, když se to dobře napíše, tak to otevírá právě možnosti postupné editace, takže bys přidával výjimky v budoucnu, kód by to nedokurvilo a takto bys to vylepšoval bez zásahu do kódu. Jak říkám - když si připravíš dobrý model, tak pak už to jen řešíš s češtináři a hledáš skutečně kdejaký špek.
Hlavně je to i krásný příklad pro spoustu testovacích scénářů.
DarkCoder:29. júla 13:41
Právě že některý nadpis je větou a některý ne, viz. ukázka v
příspěvku. Vtip je v tom, že člověk neřeší zda kus textu se jedná o
větu, je prostě empiricky naučen jak co psát. Neprovádí analýzu a to nám
stačí. Pokud by ale chtěl analyzovat text, začíná problém a musí znát
nejen pravidla, ale rozpoznat jednotlivé části textu a určovat co co
znamená, aby ta pravidla mohl aplikovat. Pokud už bych to měl opravdu
řešit, určitě bych se zeptal, co si pod tím představují, co požadují.
Nedokonalost bych neodevzdával.
Já jsem naopak přesvědčen, že pravidla by zabírala drtivou většinu
celého programu.
Je to určitě běh na dlouhou trať a o "zábavu" rozhodně postaráno.
😆
"nedokonalost bych
neodevzdával"
To se mi líbí. Kdyby to tak mělo být, tak bys asi nikdy nic neodevzdal
Ale chápu, jak to myslíš. Nic, nebudeme tu spamovat. Měj se.
Zobrazené 9 správy z 9.