new-words

changeset 0:b21fb3f1fcb7

new-words.sh добавлен в репозиторий

Пока здесь есть только маленький README-файл
и скрипт new-words.sh, который делает минимум работы.
Подробности: http://xgu.ru/wiki/new-words
author igor@book.xt.vpn
date Sun Feb 21 19:34:18 2010 +0200 (2010-02-21)
parents
children 4c9076f87241
files README new-words.pl new-words.sh
line diff
     1.1 --- /dev/null	Thu Jan 01 00:00:00 1970 +0000
     1.2 +++ b/README	Sun Feb 21 19:34:18 2010 +0200
     1.3 @@ -0,0 +1,25 @@
     1.4 +
     1.5 +Программа, которая помогает нам находить неизвестные
     1.6 +слова в новом тексте
     1.7 +
     1.8 +Подробности: http://xgu.ru/wiki/new-words
     1.9 +
    1.10 +== Файлы ==
    1.11 +
    1.12 +README              Файл, который мы сейчас читаем
    1.13 +new-words.sh        Собственно программа (написана на sh)
    1.14 +new-words.pl        Программа new-words, которую мы когда-нибудь напишем на Perl
    1.15 +
    1.16 +
    1.17 +== Что сделать ==
    1.18 +
    1.19 +* Переписать на Perl (пока на Perl)
    1.20 +* Поддержка разных алфавитов (пока поддерживается только латинский)
    1.21 +* Пометки к словам
    1.22 +* Статистика по текущему тексту; уровни покрытия словами текста
    1.23 +* Время добавления слова и прогресс добавления
    1.24 +* Источник слова
    1.25 +* Поиск предложений, содержащих слова, в тексте
    1.26 +* Автоматическое определение языка по тексту
    1.27 +
    1.28 +
     2.1 --- /dev/null	Thu Jan 01 00:00:00 1970 +0000
     2.2 +++ b/new-words.pl	Sun Feb 21 19:34:18 2010 +0200
     2.3 @@ -0,0 +1,6 @@
     2.4 +#!/usr/bin/perl
     2.5 +#
     2.6 +
     2.7 +print "Experimental. Run new-words.sh instead\n";
     2.8 +exit(0);
     2.9 +
     3.1 --- /dev/null	Thu Jan 01 00:00:00 1970 +0000
     3.2 +++ b/new-words.sh	Sun Feb 21 19:34:18 2010 +0200
     3.3 @@ -0,0 +1,97 @@
     3.4 +#!/bin/sh
     3.5 +
     3.6 +cat <<HELP > /dev/null
     3.7 +
     3.8 +Поддержка нескольких языков:
     3.9 +
    3.10 +    new-words -l lang URL
    3.11 +
    3.12 +Например, для немецких текстов:
    3.13 +
    3.14 +    new-words -l de URL
    3.15 +
    3.16 +Или, предварительно создав соответствующую ссылку:
    3.17 +
    3.18 +    de-words URL
    3.19 +
    3.20 +HELP
    3.21 +
    3.22 +WORK_DIR=~/.new-words/
    3.23 +LANGUAGE=en
    3.24 +VOCABULARY=${LANGUAGE}.txt
    3.25 +TEMP1=`mktemp /tmp/news-words-XXXXXXXXXX`
    3.26 +TEMP2=`mktemp /tmp/news-words-XXXXXXXXXX`
    3.27 +editor=${EDITOR:-vim}
    3.28 +
    3.29 +my_name="`echo $0 | sed s/-words// | sed s@.*/@@`"
    3.30 +[ "${my_name}" = "new" ] || VOCABULARY="$my_name".txt
    3.31 +if [ "$1" = "-l" ]
    3.32 +then
    3.33 +    LANGUAGE="$2"
    3.34 +    VOCABULARY="$LANGUAGE".txt
    3.35 +    shift 2
    3.36 +fi
    3.37 +
    3.38 +get_words()
    3.39 +{
    3.40 +tr ' ' '\n' | sed 's/--/ /g' | tr A-Z a-z \
    3.41 +| tr -d '*\r,.-:#@()+=—<>$;"?!|·[]^%&'"'" \
    3.42 +| tr ' ' '\n' | grep_v_english_perl \
    3.43 +| grep -x '[a-zA-Z0-9_-]*' \
    3.44 +| sort | uniq -c | awk '{if ($2!="") print;}' | sort -rn
    3.45 +}
    3.46 +
    3.47 +grep_v_english()
    3.48 +{
    3.49 +[ -e "$VOCABULARY" ] || touch "$VOCABULARY"
    3.50 +eval $(cat $VOCABULARY | tr -d "'" | xargs -n10 echo | tr ' ' '|' | sed 's/^/egrep -xv "RRRRRRR|/' | sed 's/$/"/' | tr '\n' '|')cat
    3.51 +}
    3.52 +
    3.53 +grep_v_english_perl()
    3.54 +{
    3.55 +    PERL_SCRIPT_TEMP_NAME=`mktemp /tmp/perl-grep-v-english-XXXXXXXX`
    3.56 +    cat <<'PERL_SCRIPT' > $PERL_SCRIPT_TEMP_NAME
    3.57 +open(VOC, $ENV{VOCABULARY})
    3.58 + or die "Can't open VOCABULARY";
    3.59 +while (<VOC>){
    3.60 +    chomp;
    3.61 +    s/'//g;
    3.62 +    $voc{$_}="1";
    3.63 +}
    3.64 +while(<>) {
    3.65 +    chomp;
    3.66 +    if (not defined($voc{$_})) { print "$_\n"; }
    3.67 +}
    3.68 +PERL_SCRIPT
    3.69 +    [ -e "$VOCABULARY" ] || touch "$VOCABULARY"
    3.70 +    export VOCABULARY 
    3.71 +    perl $PERL_SCRIPT_TEMP_NAME
    3.72 +    rm $PERL_SCRIPT_TEMP_NAME
    3.73 +}
    3.74 +
    3.75 +text_from_url()
    3.76 +{
    3.77 +lynx -dump "$1" | perl -p -e 's@http://[a-zA-Z&_.:/0-9%?=,#+()\[\]~-]*@@'
    3.78 +}
    3.79 +
    3.80 +mkdir -p $WORK_DIR
    3.81 +cd $WORK_DIR
    3.82 +if echo "$1" | grep -q http: 
    3.83 +then 
    3.84 +    text_from_url "$1" | get_words | tee "$TEMP1" > "$TEMP2"
    3.85 +elif [ "$#" != 0 ]
    3.86 +then
    3.87 +    cat "$1" | get_words | tee "$TEMP1" > "$TEMP2"
    3.88 +else 
    3.89 +    get_words | tee "$TEMP1" > "$TEMP2"
    3.90 +fi
    3.91 +
    3.92 +if [ "$editor" = vim ]
    3.93 +then
    3.94 +    vim -c 'set keywordprg='"$LANGUAGE" -c 'set iskeyword=@,48-57,/,.,-,_,+,,,#,$,%,~,=' "$TEMP2" < /dev/tty > /dev/tty
    3.95 +else
    3.96 +    echo 2
    3.97 +    $editor "$TEMP2"
    3.98 +fi
    3.99 +diff "$TEMP1" "$TEMP2" | awk '{print $3}' | sort -u >> "$VOCABULARY"
   3.100 +rm -f "$TEMP1" "$TEMP2"