#!/bin/sh
# optimer – Masserer ordlistefilene til eit kjaptsøkt format.
#
# Copyright © 2008, 2009 Karl Ove Hufthammer <karl@huftis.org>.
#
# This file is part of Ordbanken.
#
# Ordbanken is free software: you can redistribute it and/or modify
# it under the terms of the GNU General Public License as published by
# the Free Software Foundation, either version 3 of the License, or
# (at your option) any later version.
#
# This program is distributed in the hope that it will be useful,
# but WITHOUT ANY WARRANTY; without even the implied warranty of
# MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the
# GNU General Public License for more details.
#
# You should have received a copy of the GNU General Public License
# along with this program. If not, see <http://www.gnu.org/licenses/>.
# Utfør kommandoen på fila oppgjeven som førsteargument.
fil=$1
echo $fil
# Forklaring på filtreringskommandoane.
# grep: Filtrer vekk kommentarar (linjer som startar med «*»).
# fgrep: Filtrer unormerte ord.
# sed: Gjer om mellomrom i siste del av linja (der kodane er) til tabulatorar.
# (Korfor den kompliserte sed-kommandoen? Fordi kodane i utgangspunktet er
# skilde med mellomrom i staden for med tabulatorar. Dette ville ikkje vore
# noko problem om alle oppføringar besto av eitt ord, då «column» som
# standard handterer mellomrom og tabulatorar likt, men ordbanken har
# oppføringar som «på kryss og tvers», og då ville alle orda få kvar si
# kolonne (bruk «på» som oppslagsord for å sjå oppføringa).
# sed: Fjern kodar (på forma <kode1>) som inneheld tal (interne/uforståelige kodar).
# sed: Fjern kodar («ord» utan <>) som startar med tal (interne/uforståelige kodar).
# sed: Fjern talkoden på starten av linja.
# tr: Slå saman etterfølgjande tabulatorar til éin.
# sort: Sorter fila (slik at oppslag med «look» går raskare).
grep -v '^\*' $fil \
| fgrep -v "unormert" \
| sed -r 'h;s/^([^ ]+ [^ ]+ [^ ]+ )(.*)/\2/;s/ / /g;G;s/(.*)\n([^ ]+ [^ ]+ [^ ]+ )(.*)/\2\1/' \
| sed -r 's/<[^>]*[0-9][^>]*>+/ /g' \
| sed -r 's/ [0-9]+[^ ]*/ /g' \
| sed -r 's/^[0-9]+\s+//' \
| tr -s '\t' \
| LC_ALL=C sort > "${fil%.txt}.dat"