Нанайский электронный словарь

Для создания нанайско-русского и русско-нанайского электронных словарей воспользуемся бумажными версиями следующих изданий:

• С.Н. Оненко. Словарь нанайско-русский и русско-нанайский. Издательство «Просвещение». Ленинград. 1989.
• С.Н. Оненко. Нанайско-русский словарь. Нанай-лоча хэсэнкуни. Издательство «Русский язык». Москва. 1980.

Сканирование

Вышеуказанные бумажные версии словарей необходимо отсканировать. Сканирование — это по сути фотографирование, где каждая страница или разворот — это фотоснимок. Сканировать можно или на планшетных сканерах, что для объёмных книг процесс довольно долгий, или на книжных (планетарных) сканерах. Мы сканировали на книжном сканере ЭЛАР А2-600. Теоретически можно просто сфотографировать каждый разворот на цифровом фотоаппарате, что делать в нашем случае нежелательно.

Далее каждый скан разворота необходимо выровнять, порезать на страницы, выровнять по размеру все страницы. При необходимости можно изменить яркость и контрастность сканов. Далее можно сохранить изображения в PDF. Получается так называемый нераспознанный PDF. Например, в электронной библиотеке "Всё для студента" большинство PDF-ок именно нераспознанные. Читать такие PDF-ки можно, но поиска нет, и занимают они по сравнению с распознанными PDF-ми довольно большой объём.

Распознавание

Распознавание, или OCR (расшифровывается как оптическое распознование символов) — это перевод изображений (фотографий) текстов в текстовые данные, с которыми можно работать в текстовом редакторе.

Для распознавания мы воспользуемся проприетарной и платной программой ABBYY FineReader 12 Professional Edition. В данный момент у Abbyy есть более новые версии FineReader-а, но у нас была куплена лицензионная копия 12-й версии, им и будем распознавать отсканированные словари.

Данные словари состоят из русских и нанайских слов. В списке языков ABBYY FineReader выберем русский язык, а вот нанайского языка не обнаруживаем. К сожалению, компания Abbyy презрительно относится к российским языкам: там нет даже коми языка, который является государственным языком в Республике Коми, чего уже говорить о на̄ни хэсэни.

Итак, можно распознать с использованием только русского языка, но качество распознанных текстов будет желать лучшего.

Пользовательские языки

Создаём пользовательский язык на̄ни хэсэни на основе русского языка':

«Сервис → Редактор языков → Пользовательские языки → Новый».

Откроется окно Свойство языка

По умолчанию базовый язык — Русский. В имени нового языка вместо Копия (Русский) следует указать На̄ни хэсэни.

В свойствах языка откроем "Алфавит языка" и добавим необходимые нам символы:

Вопросы возникнут с гласными с долготами. В связи с непонятным принципом присвоения юникодов Консорциумом мы обнаруживаем только две гласные с долготами: Ӣӣ, Ӯӯ. Для остальных гласных с долготами "собираем" из двух символов: гласной и знака долготы.

Именно так мы и распознали два вышеуказанных словаря. Что в свою очередь вызвало сложности у пользователей: они в строке поиска в PDF-просмотрщике вместо букв Ӣӣ, Ӯӯ вводили Ии, Уу.

Вердикт: редактируем пользовательский язык На̄ни хэсэни, убираем две буквы Ӣӣ, Ӯӯ, и их тоже "собираем" из двух символов: соответствующих гласных и знака долготы.

И снова перераспознаём наши словари.

Пользовательские словари

Некоторые языки в ABBYY FineReader имеют встроенные словари поддержки: они в процессе распознавания генерят все возможные словоформы в языке, сравнивают их с распознанными словами и при обнаружении ошибок проводят автоматическую корректуру. Но, к сожалению, для многих языков, которые есть в списке языков в ABBYY FineReader, не светит появление встроенных словарей поддержки: у них свой закрытый формат, а созданные, например, HunSpell-словари для многих языков, в том числе и для марийского языка, они категорически отказываются использовать.

В нашем случае остаётся использовать только пользовательские словари. Нажимаем Свойства нашего пользовательского словаря:

Как видите, он пока пустой. Через вкладку Импорт можно импортировать список "правильных" словоформ. Обратите внимание, текстовый файл со списком словоформ должен быть создан в блокноте и сохранён в формате Unicode (UTF-16)!

Как составить список словоформ? Для этого воспользуемся корпус-менеджером AntConc: в папку соберём файлы с нанайскими текстами в *.txt (UTF-8), в AntConc составим Word List, и далее: File --> Save Output to Text File.

Распознавание с обучением

В связи с тем, что не все начертания шрифтов есть в встроенном эталоне ABBYY FineReader, желательно распознавание проводить с обучением.

Сервис --> Настройки:

Поставьте галочки на "Использовать встроенные и пользовательские эталоны" и "Распознавание с обучением".

Сохранение распознанной книги

Сохранение распознанной книги в PDF

После того, как распознали книгу, а вам уже не терпится его сохранить в Microsoft Word, сохраните книгу сначала в PDF, иначе потом вы к этому вряд ли вернётесь:

Файл --> Сохранить документ как --> Документ PDF.

Перед тем, как отправите гулять в интернет данную PDF-ку, желательно в Adobe Acrobat Pro для улучшения индексирования поисковыми системами прописать метатеги:

Файл --> Свойства --> Описания:

Сохранение распознанной книги в Microsoft Word

После создания PDF-ки, теперь данную книгу можно сохранить в Microsoft Word:

Файл --> Сохранить документ как --> Документ Microsoft Word.

Редактирование и корректура текста

После вычитки и корректуры текста получим такой "вордовский" файл:

Заметьте, ударений в русских словах нет, они нам не нужны, мы их и не распознавали.

Создание электронного словаря

Многие проходят сложный путь через сохранение "вордовского" файла в html.

Пользуйтесь LibreOffice, там есть встроенный плагин Wiki Publisher:

В LibreOffice:

Файл --> Экспорт --> Тип файла: MediaWiki (.txt)

Получаем текстовый файл в вики-разметке:

да̄ устье реки
дабадала чересчур, чрезмерно
дабал через; мимо; дальше
дабалиори перевалить, перейти
дабдиори победить
дава кета
давамагда невод для лова кеты, сазана и т.п.
да̄ва̄чиори переправляться на другой берег
да̄во̄ри переправлять на другой берег
дагбориори переправить через реку, озеро
дада тётка (старшая сестра, матери)
да̄ди южный ветер
да̄дидиа 1. юг; 2. южный
даи трубка
да̄и большой; взрослый; важный