Differences
This shows you the differences between two versions of the page.
Both sides previous revision Previous revision Next revision | Previous revision Next revision Both sides next revision | ||
khresmoi:en-fr [2012/01/19 16:09] hlavacova |
khresmoi:en-fr [2012/02/29 14:20] hlavacova |
||
---|---|---|---|
Line 1: | Line 1: | ||
===== Paralelní data EN-FR ===== | ===== Paralelní data EN-FR ===== | ||
- | Zatím mám vše uloženo u sebe. --- --- // | ||
- | == Vysvětlivky == | ||
- | 8-) už stažená data | ||
- | :?: chceme stahovat, ale zatím nevíme, jak na to ... z různých příčin | ||
- | ==== EMEA ==== | + | ==== LDC ==== |
- | 8-) | + | |
- | Zdroj: http:// | + | |
- | **en-fr.tmx.gz** ... alignovana data - download translation memory files (TMX), 373 152 sentence pairs | + | |
- | **en-fr.xml.gz** ... sentence alignments in XCES format | + | |
- | **en-fr.txt.zip** ... jen angl. texty o lécich - vypadá to jako příbalové letáky 1 092 568 sentences, 26,34M words, download plain text files (MOSES/ | + | |
- | Adresář **fr** obsahuje francouzské texty, snad paralelní k en-fr.txt.zip (ověřím), | + | |
- | + | ||
- | ==== Orphanet | + | |
:?: | :?: | ||
- | info na Kh wiki: http://wiki.khresmoi.eu/index.php5/ | + | * **Hansard French/English** |
- | orig. stránka: http:// | + | To by bylo třeba objednat, ale je to drahé: |
- | Není to žádný kompaktní balík, to se bude muset prolejzat. | + | Member fee: $0 for 1995, 1996, 1997 members |
- | Navíc nejsou jasné podmínky, HON negotiates | + | Reduced-License Fee: US $3250.00 |
- | Vyslán dotaz, zda už to někdo nestáhnul | + | * **UN Parallel Text (Complete)** ... LDC Catalog No.: LDC94T4A, jazyky EN, FR, SP, government documents |
- | + | To by bylo třeba objednat, ale je to drahé: | |
- | ==== HON certified web sites ==== | + | Member fee: $0 for 1994 members |
- | 8-) | + | Non-member Fee: US $4000.00 |
- | asi změť všeho možného. | + | Reduced-License Fee: US $2000.00 |
- | Počet stránek, ale ruznorodych, | + | |
- | egrep "\.fr" HON_Certified_Web_Sites_1.1.xml | wc → 2675 | + | |
- | Asi tam jsou i různé úrovně " | + | |
- | ==== JRC ==== | ||
- | 8-) | ||
- | vseobecna data, ne med | ||
- | http:// | ||
- | podle návodu jsem udělala paralelní korpus ze stažených dat: | ||
- | perl getAlignmentWithText.pl jrc-en-fr.xml > alignedCorpus_en_fr.xml | ||
- | pocet anglickych vet: | ||
- | egrep " | ||
- | pocet francouzskych vet: | ||
- | egrep " | ||
- | Nevím, proč se ta čísla liší. | ||
- | egrep " | ||
- | * 1228037 type=" | ||
- | * 14162 type=" | ||
- | * 6607 type=" | ||
- | * 1284 type=" | ||
- | celkem 1 250 090 linků | ||