Jak wykorzystać słownik dzielenia wyrazów?

[pavlucco]

Witam. Jako projekt uczelniany dostałem na zadanie stworzenie aplikacji poprawiającej po OCRze niewłaściwie złączone/rozłączone wyrazy. W tym celu chciałbym wykorzystać słownik podziału polskich słów zamieszczony na polskiej stronie projektu OpenOffice. Nie rozumiem zapisu występującego w słowniku, np.:

Kod: Zaznacz cały

.kon4tr5a2gi1
.kon4tr5a2se1
.kon4tr5a2sy1
.kon4tr5a2ta1
.kon4tr5a2d1m
.kon4tr5a2k1c
.kon4tr5a2l1t
.kon4tr5a2r1g
.kontru2

Bardzo proszę o wytłumaczenie tego zapisu zawierającego liczby, znaki i niektóre litery o bliżej nieokreślonej funkcji.

[Minio]

Skoro piszesz program, to prawdopodobnie masz jakieś doświadczenie w programowaniu. A to oznacza, że możesz spojrzeć do kodu źródłowego pakietu i sam przekonać się, jak interpretuje te zapisy.
Dobrym punktem zaczepienia może być core/tree/i18npool/source/breakiterator/data/dict_word.txt (albo w ogóle cały katalog breakiterator).
Niestety, ja nie potrafię programować i nie jestem w stanie zweryfikować, czy przypadkiem nie prowadzę Cię w ślepy zaułek…

[Jan_J]

Algorytm dzielenia wyrazów jest przejęty z TeX-a. W słownikach hyph_*_*.dic zakodowane są te same reguły, i w tym samym formacie, co w ich TeX-owych pierwowzorach.
Patrz http://www.tex.ac.uk/cgi-bin/texfaq2html?label=hyphen Na stronach +-38 doktoratu F. M. Lianga znajdziesz objaśnienie, jak to działa.
W Polsce słownik budowała ekipa TeX-owa, a w ramach OpenOffice zaadaptował go Marcin Miłkowski. Odpowiednie nazwiska i maile znajdziesz w sygnaturkach. Pytać czy nie, zależy od wagi i głębi Twojego projektu. Ale sama lektura Lianga wiele powinna wyjaśnić.