El problema, creo, es lo que especifica el XML de Paratext y lo que no. Especifica un trozo de texto, gloss-id (referencia cruzada al archivo Lexicon.xml) y la posición del texto original en alguna representación del flujo de entrada. No preserva el orden de aparición. Los versículos tampoco están en secuencia.
Una palabra o frase dada puede ser glosada como palabra(s) o raíz y morfemas (por supuesto con glosas diferentes) y la única manera de saber cuál homógrafo es cuál o qué nivel de glosado espera el usuario es a través de los datos de posicionamiento. El archivo de glosas parece ignorar mayúsculas/minúsculas, puntuación y marcas SFM, y probablemente otras cosas también.
Por lo tanto, si el archivo de glosas coincide con la entrada, entonces, asumiendo que Martin ha entendido la manera no documentada en la que Paratext cuenta caracteres en su representación interna del archivo, lo correcto es cortar la unidad de palabra/frase por posición y reemplazarla con la glosa, posiblemente realizando alguna transposición de mayúsculas/minúsculas según corresponda.
Si el versículo ha cambiado, entonces eso no funciona. Si la representación interna del archivo está mal, entonces no funciona.
Cualquier búsqueda y reemplazo sin restricciones obtendrá coincidencias falsas en homógrafos, por lo que no se puede usar como enfoque general. Se podría hacer alguna conjetura, buscando coincidencias aproximadas más o menos unos pocos caracteres, rompiendo en espacios entre palabras, por ejemplo. Eso costaría una inversión bastante grande de tiempo de programador, pero podrían haber problemas. Si el espaciado ha cambiado porque alguien ha reordenado las palabras en el versículo, el homógrafo desplazado 3 caracteres podría no ser la misma palabra. Por ejemplo, el romani tiene un orden de palabras bastante libre:
O Del te del tut haro
(the) God SUBJ give you grace
"May God give you grace"
vs
Te del o Del tut haro
SUBJ give (the) God you grace
"May God give you grace"
PTXprint no puede entrar en las reglas lingüísticas del idioma. Ni siquiera Paratext recuerda/pregunta qué partes de la habla son las cosas. La única manera confiable de obtener datos interlineales confiables es que el usuario apruebe las glosas.
The problem is, I believe, what Paratext’s XML specifies and what it doesn’t. It specifies chunk of text, gloss-id (cross-referencing the Lexicon.xml file) and the position of the original text in some representatoin of the input stream. It does not preserve the order of occurrence. The verses are not in sequence, either.
A given word or phrase may be glossed as word(s) or stem and morphemes, (of course with different glosses) and the only way to tell which homograph is which or which level of glossing the user expects is via the positioning data. The glossing file seems to ignore case, punctuation and SFM marks, and probably other things too.
Thus if the glossing file matches the input, then assuming that Martin has understood the undocumented way in which Paratext counts characters in its internal representation of the file, then the right thing to do is cut out the word/phrase unit by position and replace with the gloss, possibly doing some case transposition as appropriate.
If the verse has changed, then that doesn’t work. If the internal representation of the file is wrong, then it doesn’t work.
Any unconstrained search and replace is going to get false matches on homographs, so that can’t be used as a general approach. There could be some guessing done, looking for fuzzy-matches plus or minus a few characters, breaking at word-gaps, for instance. That would cost a fairly large investment of programmer time, but there could be problems. If the spacing has changed because someone has reordered the words in the verse, the homograph offset by 3 characters might not be the same word. E.g. Romani has fairly free word order:
O Del te del tut haro
(the) God SUBJ give you grace
"May God give you grace"
vs
Te del o Del tut haro
SUBJ give (the) God you grace
"May God give you grace"
PTXprint can’t go into the linguistics rules of the language. Not even Paratext remembers / asks what parts of speech things are. The only reliable way to get trustworthy interlinear data is for the user to approve glosses.
Traducción automática desde English
