Provided by: libhunspell-dev_1.3.2-6ubuntu2.1_amd64 
NÉV
hunspell - a Hunspell állományainak formátuma
LEÍRÁS
A Hunspell(1) két állományt igényel egy adott nyelven történő helyesírás-ellenőrzéshez.
Az első állomány egy szótárállomány, ami az adott nyelv szavait, és ezek kapcsolóit
(attribútumait) tartalmazza. A második állomány egy ragozási (affixum) állomány, ami
meghatározza az említett kapcsolók jelentését.
SZÓTÁRÁLLOMÁNY
Egy hunspell szótárállomány (*.dic) első sora a szótárállományban lévő szavak közelítő
számát tartalmazza (az optimális méretű memóriaterület lefoglalásához). A többi sor
soronként egy szót tartalmaz. Minden szó után nem kötelezően egy perjel, és egy, vagy több
kapcsoló következhet. A kapcsolók egybetűsek, és meghatározzák, hogy milyen toldalékokat
kaphat a tőszó, illetve milyen egyéb speciális tulajdonságokkal rendelkezik. Például a
1
hunspellezik/EeX
szótár egy szót tartalmaz (hunspell), ami a magyar ragozási állomány alapján alanyi és
tárgyas igeragozást is vonz (E és e kapcsolók), valamint igekötő prefixumokat is kaphat. A
példa szótárállomány és a magyar ragozási állomány alapján a meghunspelleztétek helyes
szóként kerülne felismerésre.
A szótári szavak perjelet is tartalmazhatnak, ha az fordított perjellel van bevezetve: "".
A kapcsolók alapértelmezésként egy karakteresek, de ha több ragozási osztályt szeretnénk
használni, ez több karakteresre vagy számra is módosítható.
A Hunspell szótárállományok sorai kiegészítő adatmezőket is tartalmazhatnak, amelyek
szóközökkel vagy tabulátorokkal vannak elválasztva (l. kiegészítő adatmezők).
A személyes szótárak egyszerű szólisták. Megadhatunk perjellel elválasztott példaszavakat
is a toldalékolás engedélyezésére:
Obama/Tamara
A példában a Tamara szó toldalékolását a személyes szótár Obama szavára is alkalmazza az
ellenőrző, elfogadva az Obamáról, Obamáékat stb. alakokat is.
RAGOZÁSI ÁLLOMÁNY
A ragozási állomány rendszerint kisebb méretű. Különféle definíciókat és ragozási
szabályokat ad meg meghatározott kulcsszóival. Például a SET a karakterkódolás, a TRY
javaslattevésnél módosítot betűk, a REP a javaslattevésnél módosított szórészletek, a PFX
és az SFX pedig a szó elejére és végére illesztendő toldalékok megadására szolgál.
A következő példa egy UTF-8-as kódolású szótár affixumállományának definíciója. A TRY
felsorolja a magyar betűket gyakorisági sorrendjükben, a LANG beállítja a magyar nyelvet,
a WORDCHARS megadja azokat a karaktereket, amelyeket a parancssori Hunspell a szavak
részeként fog kezelni.
SET UTF-8
TRY íóúÍÓÚtaeslzánorhgkiédmyőpvöbucfjüűxwqTAESLZÁNORHGKIÉDMYŐPVÖBUCFJÜŰXWQ-.
LANG hu_HU
WORDCHARS -.§%‰°0123456789
REP 2
REP j ly
REP ly j
PFX X Y 3
PFX X 0 meg .
PFX X 0 rá .
PFX X 0 össze .
SFX e Y 6
SFX e ik tük e[dz]ik
SFX e ik tétek e[dz]ik
SFX e ik ték e[dz]ik
SFX e 0 tük e[dzt]
SFX e 0 tétek e[dzt]
SFX e 0 ték e[dzt]
SFX f Y 2
SFX f ik het/e e[dz]ik
SFX f ik tet/e e[dz]ik
A REP a j és ly felcserélése esetén ad jó és elöl rangsorolt javaslatokat. A PFX-ek pár
igekötőt definiálnak, az SFX-ek pedig pár igeragot. Ezek nagyobb részénél a szó végi ik is
levágásra kerül a toldalék illesztése előtt. Itt az illesztés feltétele, hogy az igék
-edik vagy -ezik karaktersorozatra végződjenek, különben pedig az -ed, -ez vagy -et
betűkre. Az f jelű toldalékolási osztály érdekessége, hogy a -het és -tet illesztése után
még folytatódhat a toldalékolás az e jelű toldalékolási osztállyal (ezt a het/e ls tet/e
határozza meg), így kaphat -hettük, -hettétek, -hették, -tettük, -tettétek, -tették
toldalékokat a szótárban szereplő levelezik szó:
1
levelezik/e
ÁLTALÁNOS PARAMÉTEREK
A Hunspell forrás több mint 80 példát tartalmaz a paraméterek használatára vonatkozóan. A
következő leírás nem teljes, l. még az angol kézikönyvoldalt is.
SET karakterkód
A szótár és affixumállomány karakterkódolásának beállítása. A lehetséges értékek:
UTF-8, ISO8859-1-től ISO8859-10-ig, ISO8859-13-ISO8859-15, KOI8-R, KOI8-U,
microsoft-cp1251, ISCII-DEVANAGARI.
FLAG érték
A kapcsolók 1 karakteres alapbeállításának módosítása. (A ragozási osztályokat és
egyéb tulajdonságokat jelölik a kapcsolók, amelyek alapértelmezés szerint 1
karakteresek, a pékdákban legtöbbször nagybetűvel szerepelnek). Az `UTF-8' értékkel
Unicode karaktereket használhatunk kapcsolóként (UTF-8 kódolással és maximum 65
ezres karakterkódig), a `long' értékkel két karakteres kapcsolókat (több kapcsoló
esetén sincs elválasztójel, a `num' értékkel vesszővel elválasztott decimális
számokat 1-től 65 ezerig.
COMPLEXPREFIXES
Kétszeres prefixumillesztést állít be (de csak egyszeres szuffixumokat az
alapértelmezett kettő helyett.) Jobbról balra író ragasztó nyelveknél hasznos.
LANG nyelvkód
Nyelv megadása (nyelvfüggő programrészek bekapcsolásához) az ISO nyelv- és
régiókóddal (pl. hu_HU).
IGNORE karakterek
A felsorolt karaktereket törli a szótári szavakból és toldalékokból, valamint a
bemeneti szavakból. Hasznos az opcionális írásjelek, mint az arab vagy a héber
mellékjelek kezelésére.
AF a_következő_AF_sorok_száma
AF kapcsolók
A Hunspell program képes a kapcsolóhalmazokat egy természetes számmal
helyettesíteni a szótárállományban és a többszörös toldalékásnál az
affixumállományban (alias tömörítés), felgyorsítva ezzel a szótár betöltődését és
csökkentve a program memóriaigényét. Egy rövid példa:
3
hello
try/1
work/2
És a kapcsolódó AF definíciók az affixumállományban:
SET UTF-8
TRY esianrtolcdugmphbyfvkwzESIANRTOLCDUGMPHBYFVKWZ'
AF 2
AF A
AF AB
Ami megfelel a következő szótárállománynak:
3
hello
try/A
work/AB
Lásd még a tests/alias* példát a forrásban.
Megjegyzés: az AF sorok nem előzhetik meg a FLAG paramétert. Alias tömörítésre szolgál a
Hunspell makealias segédprogramja.
AM a_következő_AM_sorok_száma
AM morfológiai_és_egyéb_adatmezők
A Hunspell program képes a kiegészítő adatmezőket egy természetes számmal
helyettesíteni, az AF paraméterhez hasonlóan. Lásd még a tests/alias* példát a
forrásban.
JAVÍTÁSI PARAMÉTEREK
Az alapértelmezett n-gram, illetve betűcserén és -törlésen alapuló javaslatokat
kiegészíthetjük a javítási paraméterekkel. A REP segít a tipikus hibák és javításuk
megadásában. A PHONE a kiejtést kevésbé követő írásrendszereknél nyújt segítséget.
KEY szomszédos_karakterek_opcionálisan_függőleges_vonallal_elválasztva
A nyelv alapértelmezett billentyűzetkiosztását adhatjuk meg a KEY paraméterrel,
hogy a javaslatoknál a szomszédos betűk elütését felismerje a program. A nem
szomszédos betűket függőleges vonallal választhatjuk el:
KEY öüó|qwertzuiopőú|asdfghjkléáű|íyxcvbnm
TRY karakterek
A javaslattevésnél az 1 karakteres próbálkozásoknál az itt felsorolt karakterekre
cserél, illetve bővít. A paraméternél a kis- és nagybetűket külön kell megadni.
NOSUGGEST kapcsoló
Az itt definiált kapcsolóval jelölt szavakat a program nem javasolja a
hibajavításnál. Vulgáris és obszcén szavak esetében hasznos.
MAXNGRAMSUGS
Az n-gram (n hosszú szórészletek megegyezősége alapján súlyozott) javaslatok
maximális számának beállítása. Alapértelmezetten 5. A 0 érték kikapcsolja az n-gram
javaslatokat.
NOSPLITSUGS
Nem javasol szófelbontást a Hunspell ezzel a beállítással. Hiányzó
összetettszó-kezelés esetén hasznos a hibás különírási javaslatok tiltására.
SUGSWITHDOTS
Ha a hibás szó pont(ok)ra végződik, ezeket a javaslatok esetében is feltünteti. Az
OpenOffice.org szótárak számára nem szükséges ez a beállítás.
REP szám
REP mit mire
A javítási cseretáblázat megadására szolgáló definíciók. Az első REP után adjuk
meg a többi REP sor számát. Ezek a sorok már két paramétert várnak: először
megadjuk a felismerendő mintát (hibás szórészletet), utána pedig azt a
karaktersorozatot, amire a felismert mintát javítani szeretnénk. A
helyesírás-ellenőrző a cseretáblázat révén tud helyes javaslatot tenni
többkarakteres eltérés (pl. j-ly) esetén.
A szóköz aláhúzásjellel helyettesítendő a javaslatokban:
REP 1
REP végülis végül_is
A szervíz, szintű és a hasonló hibás összetett szavak letiltásában szintén a REP táblázat
segít a CHECKCOMPOUNDREP megadásával (l. ott).
MAP a_MAP_definíciók_száma
MAP karakterek
Rokon karaktereket adhatunk meg több sorban. A javaslattevésnél több rokon karakter
cseréje is lehetséges, így például ékezet nélküli szavakat is képes ékezetesíteni a
Hunspell a következő definíció mellett:
MAP 5
MAP aá
MAP eé
MAP ií
MAP oóöő
MAP uúüű
PHONE a_PHONE_definíciók_száma
PHONE karakterek
A PHONE egy táblázattal megadható fonetikus átírási algoritmust használ a kiejtési
hasonlóság kiszámítására. Különösen hasznos azoknál a nyelveknél, ahol az írás nem
tükrözi a kiejtést. A részletes dokumentáció az Aspell helyesírás-ellenőrző
oldalán érhető el angol nyelven: http://aspell.net/man-html/Phonetic-Code.html.
Megjegyzés: a szabályokban szereplő kapcsos zárójelek nem tartalmazhatnak még több
byte-os UTF-8 karaktereket, ahogy a kötőjeles kifejezések is byte-ot jelölnek, nem
karaktert Unicode szótár esetén is.
SZÓ-ÖSSZETÉTELEZÉSI PARAMÉTEREK
BREAK a_BREAK_definíciók_száma
BREAK karakter_vagy_karaktersorozat
Ha a keresett szó nincs a szótárban, a felsorolt karaktereknél vagy
karaktersorozatoknál felbontja és részenként ellenőrzi. Hasznos például a kis- és
nagykötőjeles szavaknál a magyarban.
COMPOUNDRULE
Reguláris kifejezésekhez hasonló összetételi szabályok megadása.
COMPOUNDMIN szám
A legkisebb szóhossz, ami még összetett szóban szerepelhet. Alapértelmezés szerint
3 karakter.
COMPOUNDFLAG kapcsoló
Itt adható meg a szóösszetételben való szereplést engedélyező kapcsoló.
COMPOUNDBEGIN kapcsoló
A kapcsoló az összetett szavak első tagjaként engedélyezi a megjelölt szavakat.
COMPOUNDLAST kapcsoló
A kapcsoló az összetett szavak utolsó tagjaként engedélyezi a megjelölt szavakat.
Kombinálható az előző kapcsolóval.
COMPOUNDMIDDLE kapcsoló
A kapcsoló az összetett szavak közbenső tagjaként engedélyezi a megjelölt szavakat.
Kombinálható a két előző kapcsolóval.
ONLYINCOMPOUND kapcsoló
Csak az összetett szavakban megjelenő ragozás jelölésére szolgáló kapcsoló (germán
nyelvek esetében tipikus).
CIRCUMFIX kapcsoló
Ezzel a kapcsolóval jelölt szuffixum csak ugyanilyen kapcsolóval jelölt prefixummal
jelenhet meg egy tövön. (Pl. leg-édes-ebb).
COMPOUNDPERMITFLAG kapcsoló
Alapértelmezés szerint a prefixumok és szuffixumok nem fordulhatnak elő az
összetett szavak belsejében. A COMPOUNDPERMITFLAG kapcsolóval rendelkező affixumok
viszont itt is megjelenhetnek.
COMPOUNDFORBIDFLAG kapcsoló
Toldalékolt szavak szóösszetételben való szereplését tiltó kapcsoló. A tiltáshoz az
adott SFX szabály folytatási osztályaként (l. később) adjuk meg ezt a kapcsolót.
COMPOUNDROOT kapcsoló
A szótárba közvetlenül felvett összetett szavakat jelölő kapcsoló. A
COMPOUNDWORDMAX, és így a magyar esetében a 6–3-as szabály működését befolyásolja
azzal, hogy a COMPOUNDROOT kapcsolóval összetettnek jelölt szavak két szónak
számítanak.
COMPOUNDWORDMAX szám
A szóösszetételekben szereplő egyszerű tövek maximális száma. A magyar esetében 2
az érték, e fölötti szószámnál már életbe lép a 6–3-as szabály.
COMPOUNDSYLLABLE szám karakterek
Két paramétert vár. Az első megadja az összetett szavak tövének maximális
szótagszámát, ami a magyar helyesírás 6–3-as szabálya szerint 6. A második mező
felsorolja a magánhangzókat, ami a szótagszám megállapításához szükséges. Ha
hiányzik ez a definíció, akkor nincsen korlátozás az összetett szavak tövének
szótagszámára vonatkozóan.
SYLLABLENUM kapcsolók
Egy paramétert vár. A paraméterben megadhatóak azok a ragozási osztályok, amelyek
ragozás esetén eggyel növelik az összetett szavak tövénél kiszámított szótagszámot.
A magyarban ezek a melléknévképzők: kerékpárjavításainkról, de kerékpár-javítási.
A
FORBIDDENWORD kapcsoló
A tiltott szavakat jelölő kapcsoló. A tiltott szótövek toldalékolt alakjai is
letiltásra kerülnek. A tiltott szavak akár toldalékolási, vagy szóösszetételi
szinonimaként sem kerülnek elfogadásra.
PSEUDOROOT kapcsoló
A kapcsolóval jelölt szavak toldalékolt alakjai kerülnek csak elfogadásra. Fiktív
tövek megadására szolgáló kapcsoló. A tő lehet még helyes szó, ha érvényes
szinonimaként előáll vagy szerepel a szótárban.
WORDCHARS karakterek
Paramétere azok a karakterek, amelyek a beállított kódolás (pl. a magyar esetében
az ISO-8859-2) betűi mellett még az adott nyelv szavaiban előfordulhatnak. Ilyen
például a magyarban a kötőjel, pont, százalékjel, fokjel, paragrafusjel és a
nagykötőjel. Az utóbbi csak UTF-8, vagy microsoft-cp1250 karakterkészlet mellett
lesz használható a magyar szótárban.
PFX kapcsoló keresztkombinálódás szám
PFX kapcsoló levágás prefixum feltétel morfológia
Prefixum megadására szolgáló definíciók. A prefixumok egykarakteres névvel jelölt
osztályokba vannak sorolva. A példában az X osztály definíciója látható. Az egyes
osztályokra vonatkozó PFX fejléc tartalmazza a következőket:
(1) az osztály betűjelét (a példában X)
(2) a keresztbe való kombinálás engedélyezése, illetve tiltása (Y/N). Engedélyezés
esetén az adott prefixum akkor is alkalmazható, ha a tőszó toldalékolt alakban
fordul elő. Ehhez az is szükséges, hogy a toldalék (affixum) ragozási osztályában
is legyen engedélyezve a kombinálás.
(3) az osztályba tartozó bejegyzések számát
A PFX fejlécet követő sorokban a PFX paraméterek jelentése a következő:
(1) az osztály betűjele
(2) a ragozásnál a szó elejéről leválasztandó karaktersorozat. Ha nem kell
leválasztani, akkor 0.
(3) a prefixum (például igekötő, vagy a leg-, legesleg- a mellékneveknél).
Perjellel elválasztva kapcsolókat is megadhatunk (l. többszörös toldalékolás).
(4) a minta, ami ha illeszkedik, alkalmazható a szabály. Például ha itt kutya
szerepelne, akkor csak a kutya kezdetű szavak elé lehetne tenni az ebben a sorban
megadott prefixumot. A minta megadásánál a pont (.) speciális jelentéssel bír:
minden karakterre illeszkedik. Megadhatunk csak bizonyos karakterekre illeszkedő
mintát is szögletes zárójelek segítségével. Például az [abcd] illeszkedik az a, b,
c, illetve d karakterekre is. Ellentétben az Ispell-lel, a kötőjel szerepe a
szögletes zárójelek között nem speciális, vagyis kötőjelet jelent, és nem
karaktertartományt. Ha a nyitó szögletes zárójel után kalap (^) karakter
található, a karaktertartomány komplementerére illeszkedik a minta, hasonlóan a
reguláris kifejezésekhez (l. regex(7)).
(5) Morfológiai leírás. Szóközzel vagy tabulátorral elválasztott mezők. A mezőnevek
és használatuk az angol kézikönyvoldalon található.
SFX kapcsoló keresztkombinálódás szám
SFX kapcsoló szuffixum feltétel mofológiai_leírás
A PFX-szel megegyező paramétereket kap, csak nem a szó eleji, hanem a szó végi
toldalékok leírására szolgál. A példában szereplő definíciók jelentése: az -edik,
vagy -ezik végű szavakra alkalmazható a három szabály. A rag illesztésénél
levesszük a szó végi -ik karaktersorozatot, és szabálytól függően illesztjük a
-tük, -tétek, -ték toldalékokat, végeredményben -edtük, -edtétek, -edték, illetve
-eztük, -eztétek, -ezték végű szavakat kapva.
Többszörös toldalékolás
A PFX és az SFX szabályokban a toldalék perjellel elválasztva kapcsolókat is
kaphat, hasonlóan a szótárállomány töveihez. A kapcsolók a következőek lehetnek:
(1) SFX szabályban az SFX folytatás jelentése, hogy a toldalék még tovább
ragozódhat a megadott kapcsolókkal (többszörös affixumleválasztás). A Hunspell
esetében csak a kétszeres affixumleválasztás lett megvalósítva, tehát a folytatási
osztály folytatását már nem veszi figyelembe a program.
(2) SFX szabályban a PFX folytatás jelentése, hogy az adott prefixum is
hozzájárulhat a tőhöz, feltéve, ha az SFX szabály is él.
(3) PFX szabályban az SFX szabály jelentése, hogy a megjelölt SFX szabály a tőhöz
járulhat, ha a PFX szabály is él.
(4) ONLYINCOMPOUND kapcsoló megadásával az adott PFX vagy SFX toldalék csak
szóösszetételben jelentkezhet.
(5) CIRCUMFIX kapcsoló megadásával az adott SFX csak az ugyanilyen toldalékot kapó
PFX-szel együtt fordulhat csak elő.
(6) Az összetételi kapcsolók megadásával engedélyezhetjük vagy letilthatjuk
(COMPOUNDFORBIDFLAG) az összetételben való szereplést. A összetett szavak utolsó
tagja alapértelmezés szerint minden affixumot felvehet. A közbenső szavaknál
viszont explixit módon engedélyezni kell ezt.
A ragozási állomány ezeken kívül még megjegyzéseket is tartalmazhat, ezért az adott szótár
változatát, szerzőjét, felhasználási engedélyeit itt keressük.
SAJÁT SZÓTÁR
A saját szótár formátuma közel megegyezik a szótárállomány formátumával. A különbségek a
következőek:
(1) Nem kell megadni az első sorban az állományban lévő szavak méretét.
(2) A szóhoz nem kapcsolókat, hanem egy mintaszót adhatunk meg, ami alapján az ellenőrző a
szó toldalékolt alakjait is felismeri. Például a Patyomkin/Ádám azt jelenti, hogy a
Patyomkin szót az Ádáméval megegyező ragozással is el kell fogadni.
(3) A csillag tiltást jelent: a csillaggal jelölt szavakat az ellenőrző akkor sem ismeri
fel, ha az alapszótárban szerepelnek, pl. *kóricál.
(4) Az állomány kézzel módosítható, és ezt időnként javasolt is megtenni, ha esetleg
hibásan vettünk fel szavakat.
LÁSD MÉG
angol nyelvű hunspell (4), hunspell (1), ispell (1), ispell (4), Magyar Ispell
dokumentáció.
TÖRTÉNET
A MySpell szótár-, illetve ragozási állományának formátumát Kevin Hendricks készítette
olyan céllal, hogy lehetővé tegye ezen állományok gyors, futás idejű feldolgozását.
A COMPOUNDFLAG és a Hunspell formátumbővítést, valamint a REP többkarakteres
cseretáblázatot Németh László készítette elsősorban a jobb magyar nyelvű
helyesírás-ellenőrzés céljából. A minimális összetettszó-kezelést lehetővé tevő
COMPOUNDMIN, COMPOUNDFLAG, és a REP többkarakteres cseretáblázat része a hivatalos MySpell
függvénykönyvtárnak is.
A Hunspell szótárállományának formátuma megegyezik a MySpell függvénykönyvtáréval, a
ragozási táblázat pedig a fentiekben felsorolt bővítéseket tartalmazza. A bővített
formátumú affixum állomány gond nélkül együttműködik az eredeti MySpell
függvénykönyvtárral is, de a bővítések nem fognak működni. Sőt, mivel a hivatalos MySpell
egy megengedőbb összetettszó-kezelést valósít meg, mint a magyar változat, az összetett
szavakon belüli toldalékolt alakok is elfogadásra kerülnek (ez különösen sok hibás
összetétel elfogadását eredményezi a magyar nyelv esetében).
Ebből fakad, hogy a hivatalos Magyar OpenOffice.org (http://office.fsf.hu) - mivel a
Magyar MySpell függvénykönyvtárat tartalmazza - jobban támogatja a magyar nyelvet, mint
más változatok. Egyszerűen meggyőződhetünk arról, hogy melyik változattal van dolgunk:
írjuk be, hogy helyesírásellenőrző az OOo szövegszerkesztőjébe. Ha hibásnak jelzi, és
helyesírás-ellenőrzőt javasol helyette, a Hunspell-lel van dolgunk. Ha helyesnek fogadja
el, akkor pedig az eredeti MySpell-lel.
2008. április 11. hunspell(4)