Χρήστης:AtouBot/ξεν και PAGENAME στα ξένα λήμματα/ξένα λήμματα 4

Τόσο τεμπέλης είμαι που βγήκε το καινούργιο αρχείο xml πριν κάνω το επόμενο βήμα! Ξαναρχίζουμε:

1. κατέβασμα του αρχείου XML από τις 25 Μαΐου [1]
2. ενημέρωση του αρχείου

   εντολή: cp elwiktionary-20080525-pages-articles.xml.bz2 last_full.xml.bz2

   ./getrcs.sh today today-8h

3. βρίσκουμε πάλι τα λήμματα χωρίς πρότυπο γλώσσας

   εντολή: mkdir all_langs; cd all_langs; bzcat ../last_full.xml.bz2 | ../xml-split-by-lang.pl

   grep title junk | sed -e 's/\s*<title>/[[/; s/<\/title>/]]/;' > χωρίς_προτύπου_γλώσσας.txt

4. προσθήκη προτύπου σε αυτά τα λήμματα (τουλάχιστον τα ξένα λήμματα):

   ρευστός εύχρηστος μηλίτσα καψερός επιρρώνυμι αβακίσκος Μήνη βοοειδή δυφιονιάδα δυφιόρρευμα δυφιοαυλός τζιτζί Grève

5. ενημέρωση του αρχείου XML

   εντολή: cd ..; mv tmp tmp1; ./getrcs.sh today lastrun

6. δημιουργία αρχείου με τα ξένα μόνο λήμματα

   εντολή: bzcat last_full.xml.bz2 | ./xml-σελίδες-με-έκφραση.pl --not --noredirs '{{=el=}}' > no-el.xml

7. αφαίρεση και των λημμάτων με {{=grc=}}...

   εντολή: cat no-el.xml | ./xml-σελίδες-με-έκφραση.pl --not --noredirs '{{=grc=}}' > no-grc.xml

8. αφαίρεση των λημμάτων με {{=διεθ=}} και κανένα άλλο πρότυπο γλώσσας

   εντολή: cat no-grc.xml | ./parsexml.pl --page > no-dieth.xml

9. αφαίρεση των λημμάτων με {{ξεν|xx|{{PAGENAME}}}} σε κάθε μέρος του λόγου (αν λείπει ακόμα από ένα, το κρατάμε)

   εντολή: cat no-dieth.xml | ./parsexml.pl --page > λείπουν-ξεν-PAGENAME.xml

   κώδικας για τη συνάρτηση checkmatch.pl εδώ

10. κρατάμε τώρα τις σελίδες με '''{{PAGENAME}}''' μετά από το μέρος του λόγου (με ίσως μερικές κενές γραμμές ενδιάμεσες)

    εντολή: cat λείπουν-ξεν-PAGENAME.xml | ./parsexml.pl --pages --noredirs > PAGENAME_και_έντονα_γράμματα.xml

    κώδικας για τη συνάρτηση checkmatch.pl εδώ

11. τίτλοι για το replace.py

    grep '<title>' PAGENAME_και_έντονα_γράμματα.xml | sed -e 's/\s*<title>/[[/; s/<\/title>/]]/;' > PAGENAME_και_έντονα_γράμματα-titles.xml

12. fixes.py για την μετατροπή '''{{PAGENAME}}''' σε {{ξεν|xx|{{PAGENAME}}}}

    εντολή: python ./replace.py -fix:ksena_lhmmata_4 -file:PAGENAME_και_έντονα_γράμματα-titles.xml

    κώδικας εδώ

    κατάλογος τίτλων: PAGENAME_και_έντονα_γράμματα-titles.xml