|
|
@@ -0,0 +1,71 @@
|
|
|
+# CSCD4 巴利语文献语料库
|
|
|
+
|
|
|
+语料库文件提取自PCED软件。原始数据来自于[CSCD v4](https://www.vridhamma.org/Tipitaka-Project#TipitakaCD)。
|
|
|
+数据来源于缅甸第六次结集。
|
|
|
+
|
|
|
+
|
|
|
+## 文件名：
|
|
|
+
|
|
|
+- 根本： *.mul.htm
|
|
|
+- 义注： *.att.htm
|
|
|
+- 复注： *.tik.htm
|
|
|
+- 其他： *.nrf.htm
|
|
|
+
|
|
|
+## 段落
|
|
|
+段落被`<p>`包裹
|
|
|
+
|
|
|
+## 段落编号
|
|
|
+
|
|
|
+第六次结集段落编号与被<p>包裹的自然段并不完全相同。有些段落编号被分为若干个自然段。这并非电子版制作者所为。缅文字母版纸质书即是如此。
|
|
|
+
|
|
|
+以[s0103m.mul.htm](s0103m.mul.htm)为例：
|
|
|
+- 可显示的段落编号：`<span class="paranum">11</span>`
|
|
|
+- 段落编号锚点：`<a name="para11"></a>`
|
|
|
+- 段落编号+书号 `<a name="para12_dn3"></a>` dn3 = 长部第三本
|
|
|
+两种方式同时使用
|
|
|
+
|
|
|
+## 页码
|
|
|
+
|
|
|
+对应的纸质书页码。
|
|
|
+页码嵌入在文本中`<a name="V3.0004"></a>`。
|
|
|
+`V`版本代号。共五种
|
|
|
+1. `V` 印度内观中心版
|
|
|
+1. `P` PTS
|
|
|
+1. `M` 缅文版
|
|
|
+1. `T` 泰文版?
|
|
|
+1. `O` 不知道
|
|
|
+
|
|
|
+`第一个数字` 卷号，如长部分为三个卷，卷号分别为1,2,3
|
|
|
+
|
|
|
+`第二个数字` 页码
|
|
|
+
|
|
|
+>页码提取程序 app/install/
|
|
|
+
|
|
|
+## 目录层级
|
|
|
+根据`<p>`class可以大致知道层级
|
|
|
+`<p class="book">` 书名
|
|
|
+有时一个文件里会有多个书名。这代表多本书被放到一起（一本纸质书里）。
|
|
|
+
|
|
|
+有时一本书被分为多个文件：如长部被分为三本书（三个文件）。这种情况发生在书的内容比较多的情况。如长部、中部、相应部
|
|
|
+
|
|
|
+其余的class还有
|
|
|
+- `nikaya` 尼科耶
|
|
|
+- `book` 书名
|
|
|
+- `chapter` 段落名
|
|
|
+- `title`
|
|
|
+- `subhead`
|
|
|
+- `subsubhead`
|
|
|
+- `bodytext` 正文
|
|
|
+- `centered` 正文居中
|
|
|
+- `gatha1` 偈诵第一行
|
|
|
+- `gatha2` 偈诵第二行
|
|
|
+- `gatha3` 偈诵第三行
|
|
|
+- `gathalast` 偈诵最后一行
|
|
|
+- `hangnum` 偈诵编号
|
|
|
+- `indent` 未知
|
|
|
+- `unindented` 未知
|
|
|
+
|
|
|
+以上顺序按照目录层级顺序。但是并不准确。有些书的目录层级与此不同。需要人工校对。人工校对的结果在pali_title目录下*_title.csv
|
|
|
+
|
|
|
+
|
|
|
+>参考pali_text.db3数据库 class字段
|
visuddhinanda