Differences

This shows you the differences between two versions of the page.

--- user:kruza:manatee-howto [2008/05/14 14:43]
kruza vytvořeno
+++ user:kruza:manatee-howto [2008/05/15 07:50] (current)
kruza
@@ Line 1: / Line 1: @@
+====== Jak na Manatee / Bonito: Tipy pro správce ======
+//Tento dokument se vztahuje na Manatee verzi 1.49. Nesnažím se zde o úplnost, ale o přehled toho, co jsem seznal užitečným a co mi stačilo.//
+===== Instalace Manatee =====
 Máme: server na síti
 Chceme: připojit se k němu z Bonita a browsit v korpusech
-//Tento dokument se vztahuje na Manatee verzi 1.49. Nesnažím se zde o úplnost,
-ale o přehled toho, co jsem seznal užitečným a co mi stačilo.//
 Dokumentace k Manatee: (v adresáři manatee)
 README
@@ Line 28: / Line 31: @@
 se postará admin serveru.
+===== Příprava korpusu =====
+Máme: korpus v PML (nebo v jiném formátu, který přelouská btred)
+Chceme: korpus přístupný přes bonito
+Dokumentace k Manatee: (v adresáři manatee)
+  * krok 1:   vertical.txt
+  * krok 2:   corpconf.txt
+  * krok 3,4: README
+  * krok 5:   $ ./chuser -help
+  * krok 6:   bonito/doc/*
+Kroky:
+  - Příprava vertikály
+  - Konfigurace korpusu
+  - Konverze do formátu Manatee
+  - Instalace
+  - Konfigurace uživatelů
+  - Připojení z Bonita
+==== 1. Příprava vertikály ====
+Vertikála je textový formát, ze kterého jediného lze zkonstruovat korpus
+přístupný pro systém Manatee/Bonito. Je třeba dopředu definovat hodnoty, které
+se pro tokeny zakódují. Hodnoty každého tokenu jsou pak na zvláštním řádku
+oddělené tabulátorem.
+Příklad: Chceme-li v korpusu mít formu, lemma a formu rodiče, mohou věty "//Dnes
+prší. To nevadí.//" vypadat ve vertikále takto:
+    Dnes    dnes    prší
+    prší    pršet   #ROOT
+    .   .   #ROOT
+    To  to  nevadí
+    nevadí  vadit   #ROOT
+    .   .   #ROOT
+Věty jsou odděleny prázdným řádkem.
+Kódování se specifikuje v konfiguráku (viz krok 2). Atributy (sloupce) mohou
+být vícehodnotové. Např. při nedisambiguované morfologické analýze může být
+pro každý token více tagů a lemmat. V konfiguráku se nastaví, že atribut je
+vícehodnotový a jakým znakem jsou hodnoty separovány. Budeme-li sledovat formu
+a vícehodnotové lemma s oddělovačem mezerou, pak věta "Žena prasata jí." bude
+mít vertikální zápis:
+    Žena    žena hnát
+    prasata prase
+    jí  ona jíst
+    .   .
+Kromě tokenů se ve vertikále mohou vyskytovat i XML tagy. Vertikála však není
+XML dokument, takže žádný kořenový tag, žádné DTD atd. Každý tag na zvláštním
+řádku.
+    <s id="s1">
+    Dnes    dnes    prší
+    prší    pršet   #ROOT
+    .   .   #ROOT
+    </s>
+    <s id="s2">
+    To  to  nevadí
+    nevadí  vadit   #ROOT
+    .   .   #ROOT
+    </s>
+==== 2. Konfigurace korpusu ====
+Jméno konfiguračního souboru musí být shodné se jménem korpusu, jak se bude
+jevit v Bonitu. Cesta k němu (pouze adresář) je dána proměnnou prostředí
+**MANATEE_REGISTRY**.
+Konfigurák má formu dvojic jméno_atributu - hodnota. Hodnota buď "uvozena",
+není-li formy céčkového identifikátoru. Za ní může následovat {blok} a v něm
+další dvojice jméno-hodnota, které se týkají tohoto atributu.
+Uvádívám tyto atributy:
+  * PATH: kam se mají zapsat soubory korpusu (klíďo relativní cesta).
+  * ENCODING: kódování vertikály. POZOR! latin-2 má tvar "iso8859-2" a žádný jiný!
+  * VERTICAL: cesta k vertikále.
+  * STRUCTURE: deklarace XML tagu
+  * ATTRIBUTE: definice atributu (sloupce ve vertikále); Atributu ATTRIBUTE lze specifikovat atributy LOCALE, MULTIVALUE a MULTISEP (a možná další - viz dokumentaci)
+Příklad vertikály výše by mohl mít konfigurák:
+    PATH "korpusy/pokus"
+    ENCODING "iso8859-2"
+    VERTICAL "data/pokus/vertikala.txt"
+    ATTRIBUTE form{
+        LOCALE "cs_CZ"
+    }
+    ATTRIBUTE lemma{
+        LOCALE "cs_CZ"
+        MULTIVALUE yes
+        MULTISEP " "
+    }
+    ATTRIBUTE parent
+    STRUCTURE s
+Atribut //parent// by měl taky mít uvedené lokále. Vynechal jsem ho, aby bylo
+patrno, že v definici atributu se blok použít nemusí.
+==== 3. Konverze do formátu Manatee ====
+Z vertikály se soubory čitelné programem Manatee udělají pomocí programu
+**encodevert**, který je v adresáři manatee. Příklad:
+    export MANATEE_REGISTRY=. #konfigurák je v aktuálním adresáři
+    /opt/manatee/encodevert -c pokus
+Toto způsobí, že se v adresáři ./korpusy/pokus objeví soubory našeho korpusu.
+==== 4. Instalace ====
+Korpus může být buď na serveru nebo na lokálním počítači. V Bonitu si uživatel
+vybírá, zda se chce připojit na server nebo spustit manateesrv lokálně.
+Jest-li korpus na lokální mašině, je nejjednodušší, když je binárka manateesrv
+v témže adresáři jako bonito a konfigurák korpusu. Cesta k manateesrv jde ale
+specifikovat v běžícím Bonitu i v jeho konfiguráku (resource).
+Taktéž umístění konfiguráku korpusu jde specifikovat pomocí nastavení proměnné
+prostředí **MANATEE_REGISTRY**.
+Chceme-li mít korpus na serveru a připojovat se po síti, pak je potřeba dát
+konfigurák korpusu i korpus sám na serveru do správných adresářů. Ty jsou dány
+na začátku souboru runm.pl, což je wrapper pro manateesrv.
+==== 5. Konfigurace uživatelů ====
+V adresáři manatee je soubor users, ve kterém se nastavuje, který uživatel
+může přistupovat k jakému korpusu, jaké je jeho jeslo atd. V políčku před
+poslední dvojtečkou je mezerami oddělený seznam jmen korpusů, ke kterým se
+uživatel může připojit. Tam je potřeba nově instalovaný korpus uvést.
+Pokud má být instalovaný korpus defaultní, uvede se to v runm.pl (síťová
+verze) nebo jako argument pro manateesrv v resource (lokální verze).
+Přidávání uživatelů a rýpání v heslech je nejlépe provádět pomocí skriptu
+chuser.
+==== 6. Připojení z Bonita ====
+Zatím se zdá, že k verzi Manatee 1.49 se lze připojit jakýmkoliv Bonitem (tedy
+že zpětná kompatibilita je ze strany klienta zachována). Stará TCLková verze
+vyžaduje TCL/TK na uživatelské mašině. Nová binárková verze zase vyžaduje
+libstdc++, která je zastaralá a je ji potřeba doinstalovávat.
+Pro síťové připojení je potřeba mít otevřený port 5016 popř. jiný, na který je
+manatee na serveru nakonfigurován. Na straně Bonita se port specifikuje v
+souboru resource jako "*options.serverport: 5016" (s tabem).

[ Back to the navigation ] [ Back to the content ]

Institute of Formal and Applied Linguistics Wiki

Differences