mint/api-v8/public/palihtml/README.md

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。 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

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
2. P PTS
3. M 缅文版
4. T 泰文版?
5. 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