Értelmetlen szavak a hunspell-ben?

Szkriptek: Python, Perl, Bash, ...

Pici lányom nyelvtan háziját csinálom:)

A feladat: Milyen értelmes szó rakható ki a 'doliunk' betűkből?

írtam rá egy ilyet:


import itertools
import hunspell

hobj = hunspell.HunSpell('/usr/share/hunspell/hu_HU.dic', '/usr/share/hunspell/hu_HU.aff')
betűsor = 'doliunk'
permutációk = sorted(list(set([''.join(p) for p in itertools.permutations(betűsor)])))
helyes_permutációk = [ p for p in permutációk if hobj.spell(p) ] #csak akkor kerül bele a listába, ha a hunspell szerint helyes a szó
print("\n".join(helyes_permutációk))

és van benne pár meglepő eredmény. A teljes lista:

idolkun
idolunk
indokul
indulok
kondiul
kulidon
kunidol
oknudli
oldniuk

Ha akarom, épp mind lehet értelmes...

De egy másik sztringre már végképp vállalhatatlanok is előjönnek:
(szerk: ez a teljes lista)

köpültre
lükepört
pertökül
pertülök
pörtelük
pörtülke
repültök
röpültek
tökeprül
tökperül
tülökper
ükperölt
ükölpert
ülepkört

Miért? Vagy csak én vagyok fantáziátlan?

  • 3560 megtekintés

( Szenti v | 2016. 03. 30., sze – 17:10 )

De egy másik sztringre már végképp vállalhatatlanok is előjönnek:
[...]
repültök
röpültek
[...]

Ezek például miért vállalhatatlanok?

( timar | 2016. 03. 30., sze – 19:34 )

A parancssori hunspell valamilyen parancsa kiírja, hogy hogy jött ki a szó. De nekem enélkül is megy. A felsorolt példák többnyire összetett szavak, amelyek értelmetlenek, de attól még helyesek.

Pl.
tökeprül = tök + eper + -ül képző
ükölpert = ük + öl + per + tárgyrag

Tímárék többet értek el önzetlenül, mint a Microsoft magyar helyesírási algoritmusát végző profit-orientált cég.
Nem tartom valószínűtlennek, hogy az alapvető szóösszetételekben is sokkal előrébb járnak.
Tímárék munkája MTA díszdoktori érdemekkel bír, mintsem magyarázkodásra-bírásra.

( hzsolt94 v | 2016. 03. 31., cs – 01:15 )

Szerintem az automatikus összetett-szó elfogadás zavarhat téged. Rémlik hogy ki lehet kapcsolni, úgy valószínűleg neked erre a célra jobban megfelelhet. Természetesen lesz "veszteség" úgyhogy ha minden-minden szót meg akarsz találni akkor sajnos marad a kézi szűrés.

( manfreed (nem ellenőrzött) | 2016. 03. 31., cs – 10:16 )

"Pici lányom nyelvtan háziját csinálom:) [...] írtam rá egy ilyet: [...]"

Az igazi geek szülő :)

( krychek | 2016. 03. 31., cs – 11:44 )

Életemben először pythonoztam, de továbbírtam:
sudo apt-get install python-hunspell python-dev libhunspell-dev

#!/usr/bin/python
#-*- coding: utf-8 -*-

import itertools
import hunspell
import sys
reload(sys)
sys.setdefaultencoding('utf-8')

permutaciok = [ ]
hobj = hunspell.HunSpell('/usr/share/hunspell/hu_HU.dic', '/usr/share/hunspell/hu_HU.aff')
betusor = u'csörög'
for l in range(2, len(betusor)+1):
     permutaciok = permutaciok + sorted(list(set([''.join(p) for p in itertools.permutations(betusor, l)])))
helyes_permutaciok = [ p for p in permutaciok if hobj.spell(p) ]
print("\n".join(helyes_permutaciok))

cg
cs
rög
sör
öcs
göcs
görcs
rögös
csörög
rögöcs

( e66 | 2016. 03. 31., cs – 12:42 )

Tud valaki egyébként valami kontaktot a készítőkhöz? Tényleg sokkal jobb a MS-féle helyesírás-ellenőrzőnél (főleg most, hogy frissült az új helyesírás szerint), mégis van benne egy-két hiba. Az „e-mail-cím” szót hibásnak jelöli a LibreOffice-ban, és az „e-mailcím” változatot javasolja helyette, pedig a helyesírási szótár szerint az első a helyes.

--
"Trollhammaren sveper igen..."