Słownik języka polskiego

Słow­nik ję­zy­ka pol­skie­go zbu­do­wa­ny na ba­zie tre­ści udo­stęp­nio­nych w ser­wi­sie sjp.​pl. Dar­mo­wy, le­gal­ny i wy­star­cza­ją­co so­lid­ny.

Ist­niej no­wa wer­sja słow­ni­ka opu­bli­ko­wa­na dn. 4.09.2019 w Słow­nik ję­zy­ka pol­skie­go 2019

Statystyki

Link do po­bra­nia: SJP.​mobi

Przygotowanie słownika

Źró­dłem słów i od­mian w ca­ło­ści jest ser­wis sjp.​pl. Wy­se­lek­cjo­no­wa­nie słów to żad­na fi­lo­zo­fia – po­bra­łem pod­stro­ny ze sło­wa­mi i przy uży­ciu pro­stych na­rzę­dzi (głów­nie grep i sed) zbu­do­wa­łem ba­zę w for­ma­cie Star­Dict TAB. Po­tem, przy uży­ciu zmo­dy­fi­ko­wa­nej wer­sji skryp­tu tab2opf.py, po­łą­czy­łem tę ba­zę z ba­zą od­mian. Sam plik z od­mia­na­mi zmo­dy­fi­ko­wa­łem je­dy­nie za­stę­pu­jąc znak koń­ca li­nii z DOS-owe­go na UNIX-owy. Tym ra­zem przyj­rza­łem się efek­tom pra­cy te­go skryp­tu i już wiem, że uży­łem go po raz ostat­ni. Go­to­wy OPF kon­wer­tu­ję do MO­BI kin­dle­ge­nem.

Po­bra­nie ha­seł do lo­kal­nej ob­rób­ki za­ję­ło 24 go­dzi­ny, zaś sa­ma pra­ca kin­dle­ge­na to ko­lej­na go­dzi­na. War­to­ści te do­ty­czą łą­cza 150 Mbps i ca­łej pra­cy w ram­dy­sku o roz­mia­rze prze­kra­cza­ją­cym 3-krot­nie wy­ma­ga­ne mi­ni­mum. „Ha­mul­co­we” to ser­wer sjp.​pl i spo­sób dzia­ła­nia kin­dle­ge­na – przy­spie­sze­nie te­go pro­ce­su jest nie­re­al­ne, na­wet przy uży­ciu znacz­nie wy­daj­niej­sze­go kom­pu­te­ra.

Testy

Na początek obrazki…

…i trochę komentarza:

• od­mia­ny z dy­wi­zem (i in­ne) ob­słu­gi­wa­ne bez pro­ble­mów;
• „la­skę” słow­nik roz­po­znał po­praw­nie, ale już „ła­skę” (przy od­mia­nie) po­my­lił; ta­kie po­mył­ki zda­rza­ją się jed­nak nie tyl­ko ma­szy­nom…
• „le­ki” i „lę­ki” dzia­ła­ją lo­so­wo – naj­chęt­niej, dla obu ha­seł w od­mia­nach, Kin­dle przy­ta­cza de­fi­ni­cję al­bań­skiej jed­nost­ki mo­ne­tar­nej;
• „bak” i „bąk” to ko­lej­na pro­ble­ma­tycz­na pa­ra – me­cha­nizm Kin­dle’a cza­sem tra­fi cel­nie, ale czę­ściej chy­bi;
• „żo­ny” to dla Kin­dle to sa­mo co „zo­ny”, mi­mo że sa­ma „żo­na” (w pod­sta­wo­wej wer­sji) jest obec­na w słow­ni­ku i po­praw­nie wy­szu­ki­wa­na;
• „tu­rzy­cę” i „pu­lar­dę” zna­la­zło pra­wi­dło­wo;
• „tar­ni­na” zaś jest nie­obec­na; po­mi­mo te­go, że jest na stro­nach sjp.​pl i by­ła w po­przed­nich wer­sjach słow­ni­ka – pi­sząc ma­ło dy­plo­ma­tycz­nie: coś tu się spie*;

Co jest nie tak?

Po dro­dze „zgu­bi­ło się” kil­ka ha­seł. Wg wstęp­nych ob­li­czeń jest to 76 934 lub – w in­nym ze­sta­wie­niu (po­mi­ja­ją­cym po­wta­rza­ją­ce się ha­sła z róż­ny­mi de­fi­ni­cja­mi) – 69 146. Bra­ki te wy­ni­ka­ją naj­pew­niej z ja­kie­goś błę­du na ser­we­rze pod­czas po­bie­ra­nia ha­seł. Po­mi­mo te­go ak­tu­al­na wer­sja ma o po­nad 2000 wię­cej zi­dek­so­wa­nych słów, niż wer­sja sprzed dwóch mie­się­cy.

W chwi­li pu­bli­ka­cji te­go tek­stu ba­za słów jest już nie­ak­tu­al­na – za­nim kin­dle­gen skoń­czył pra­cę, na stro­nach sjp.​pl zmie­nio­no bli­sko 300 ha­seł i do­da­no 2 no­we.

Kil­ka od­mian jest źle roz­po­zna­wal­nych – w znacz­nej czę­ści to za­gad­nie­nie nie­roz­wią­zy­wal­ne, za­leż­ne od me­cha­ni­zmów dzia­ła­nia słow­ni­ków w for­ma­cie MO­BI. Część moż­na jed­nak po­pra­wić.

I naj­więk­szy błąd. Część ha­seł wy­stę­pu­je pod dwo­ma (lub wię­cej) róż­ny­mi po­zy­cja­mi (np. ha­sło „ży­wy”). Te ha­sła, choć brzmią (w mo­wie i pi­sow­ni) tak sa­mo, to ma­ją jed­nak róż­ne od­mia­ny. Skrypt tab2opf.py kom­plet­nie so­bie z tym nie ra­dzi. Stąd wer­sja fi­nal be­ta, czy­li ostat­nia nie w peł­ni kon­tro­lo­wa­na. W przy­szłej wer­sji (1.0) pla­nu­ję uży­cie in­ne­go me­cha­ni­zmu, któ­ry uwzględ­ni m.​in. ta­kie sub­tel­no­ści.

Alternatywa

W po­ło­wie 2016 ro­ku, San Za­moy­ski przy­go­to­wał hy­bry­dę SJP.​PL z Wi­ki­słow­ni­kiem – SJP Sa­na.

Sam po­sta­no­wi­łem w tym słow­ni­ku nie pro­fa­no­wać (pó­ki co) źró­deł z sjp.​pl, ale w pry­wat­nym słow­ni­ku sto­su­ję hy­bry­dę PWN + Wi­ki + SJP.​PL. Z uwa­gi na ten pierw­szy skład­nik po­zo­sta­je on jed­nak pry­wat­ny.

Nie­wy­klu­czo­ne, że w przy­szło­ści po­wsta­nie tu hy­bry­da ta­ka jak u Sa­na, ale z ak­tu­al­ny­mi tre­ścia­mi – oba te źró­dła są „ży­we” (sta­le ak­tu­ali­zo­wa­ne).