saol 0.1.0__tar.gz

saol-0.1.0/.gitignore

@@ -0,0 +1,14 @@
+# Python-generated files
+__pycache__/
+*.py[oc]
+build/
+dist/
+wheels/
+*.egg-info
+
+# Virtual environments
+.venv
+
+# Files generated by building
+data/saol*-faksimil.jsonl
+src/saol/wordlist

saol-0.1.0/.python-version

@@ -0,0 +1 @@
+3.12

saol-0.1.0/PKG-INFO

@@ -0,0 +1,77 @@
+Metadata-Version: 2.4
+Name: saol
+Version: 0.1.0
+Summary: Publicly available SAOL as a simple Python library
+Project-URL: Homepage, https://github.com/Liffon/python-saol
+Requires-Python: >=3.9
+Description-Content-Type: text/markdown
+
+# python-saol
+
+Python-paketering av den senaste SAOL-utgåvan som är fritt tillgänglig, SAOL 14 från 2015[^1].
+
+SAOL 14 är licensierad under Creative Commons Attribution 4.0 International (CC-BY-4.0).
+
+Mer information om SAOL som datakälla: https://spraakbanken.gu.se/resurser/historiska-saol
+
+Jag som gjort det här pythonpaketet har ingen koppling till SAOL, Språkbanken eller Göteborgs universitet.
+
+## Användning
+
+Ordlistan exponeras som en enkel lista med ord, ordklass och böjningar. Ett exempel på användning:
+
+```python
+from saol import saol14
+
+print(f"Ordlistan innehåller {len(saol14)} ord.")
+print("Första ordet i listan:")
+print(saol14[0])
+print()
+
+part_of_speech_by_word = {entry.word: entry.upos for entry in saol14}
+
+for word in "en putslustig talgoxe äter finfördelad goja".split():
+    upos = part_of_speech_by_word.get(word, None)
+    if upos:
+        print(
+            f'"{word}" finns i ordlistan och är märkt med ordklassen {upos}.'
+        )
+    else:
+        print(f'"{word}" finns inte i ordlistan.')
+```
+
+Exemplet ger följande utskrift:
+
+```
+Ordlistan innehåller 126900 ord.
+Första ordet i listan:
+SaolEntry(word='a', upos='NOUN', conj='a:et; pl. a:n el. a, best. pl. a:na')
+
+"en" finns i ordlistan och är märkt med ordklassen X.
+"putslustig" finns i ordlistan och är märkt med ordklassen ADJ.
+"talgoxe" finns i ordlistan och är märkt med ordklassen NOUN.
+"äter" finns inte i ordlistan.
+"finfördelad" finns inte i ordlistan.
+"goja" finns i ordlistan och är märkt med ordklassen NOUN.
+```
+
+Notera att endast ord i grundform förekommer i listan: `finfördela` finns med, men inte `finfördelad`.
+Likaså `äta` men inte `äter`.
+
+Det finns också ett antal "ord" (2432 stycken) som består av flera ord, till exempel `haka på`, `fylla i` samt `ruska av sig`.
+
+## Framtida arbete
+
+- Tillgänggliggör böjningar av ord. Här bör man kunna använda `conj`-fältet (motsvarande `conj` i faksimilfilen)
+  för att härleda hur andra former ser ut.
+
+## Om indataformatet
+
+Här följer lite anteckningar kring indatan i faksimilfilen, som laddas ner från Språkbanken då paketet byggs.
+
+- Ordklasser i `upos`-fältet är taggade enligt [Universal Dependencies](https://universaldependencies.org/).
+- Ordklasser i `ordkl`-fältet är taggade på svenska, och ibland även med böjningssuffix i en `<i></i>`-tagg.
+- `normaliserat_ord` är normalt det ord man vill använda, då det är rensat från betoningsmarkeringar och liknande.
+- `text`-fältet verkar innehålla  samma sak som böjningssuffixen i `ordkl`-fältet.
+
+[^1]: Svenska Akademien (2025). SAOL 14 (2015) - faksimil (uppdaterad: 2025-12-11). [Data set]. Språkbanken Text. https://doi.org/10.23695/fqh2-af42

saol-0.1.0/README.md

@@ -0,0 +1,69 @@
+# python-saol
+
+Python-paketering av den senaste SAOL-utgåvan som är fritt tillgänglig, SAOL 14 från 2015[^1].
+
+SAOL 14 är licensierad under Creative Commons Attribution 4.0 International (CC-BY-4.0).
+
+Mer information om SAOL som datakälla: https://spraakbanken.gu.se/resurser/historiska-saol
+
+Jag som gjort det här pythonpaketet har ingen koppling till SAOL, Språkbanken eller Göteborgs universitet.
+
+## Användning
+
+Ordlistan exponeras som en enkel lista med ord, ordklass och böjningar. Ett exempel på användning:
+
+```python
+from saol import saol14
+
+print(f"Ordlistan innehåller {len(saol14)} ord.")
+print("Första ordet i listan:")
+print(saol14[0])
+print()
+
+part_of_speech_by_word = {entry.word: entry.upos for entry in saol14}
+
+for word in "en putslustig talgoxe äter finfördelad goja".split():
+    upos = part_of_speech_by_word.get(word, None)
+    if upos:
+        print(
+            f'"{word}" finns i ordlistan och är märkt med ordklassen {upos}.'
+        )
+    else:
+        print(f'"{word}" finns inte i ordlistan.')
+```
+
+Exemplet ger följande utskrift:
+
+```
+Ordlistan innehåller 126900 ord.
+Första ordet i listan:
+SaolEntry(word='a', upos='NOUN', conj='a:et; pl. a:n el. a, best. pl. a:na')
+
+"en" finns i ordlistan och är märkt med ordklassen X.
+"putslustig" finns i ordlistan och är märkt med ordklassen ADJ.
+"talgoxe" finns i ordlistan och är märkt med ordklassen NOUN.
+"äter" finns inte i ordlistan.
+"finfördelad" finns inte i ordlistan.
+"goja" finns i ordlistan och är märkt med ordklassen NOUN.
+```
+
+Notera att endast ord i grundform förekommer i listan: `finfördela` finns med, men inte `finfördelad`.
+Likaså `äta` men inte `äter`.
+
+Det finns också ett antal "ord" (2432 stycken) som består av flera ord, till exempel `haka på`, `fylla i` samt `ruska av sig`.
+
+## Framtida arbete
+
+- Tillgänggliggör böjningar av ord. Här bör man kunna använda `conj`-fältet (motsvarande `conj` i faksimilfilen)
+  för att härleda hur andra former ser ut.
+
+## Om indataformatet
+
+Här följer lite anteckningar kring indatan i faksimilfilen, som laddas ner från Språkbanken då paketet byggs.
+
+- Ordklasser i `upos`-fältet är taggade enligt [Universal Dependencies](https://universaldependencies.org/).
+- Ordklasser i `ordkl`-fältet är taggade på svenska, och ibland även med böjningssuffix i en `<i></i>`-tagg.
+- `normaliserat_ord` är normalt det ord man vill använda, då det är rensat från betoningsmarkeringar och liknande.
+- `text`-fältet verkar innehålla  samma sak som böjningssuffixen i `ordkl`-fältet.
+
+[^1]: Svenska Akademien (2025). SAOL 14 (2015) - faksimil (uppdaterad: 2025-12-11). [Data set]. Språkbanken Text. https://doi.org/10.23695/fqh2-af42

saol-0.1.0/data/saol14-faksimil.jsonl.license

@@ -0,0 +1 @@
+Source: https://doi.org/10.23695/fqh2-af42 License: CC-BY-4.0

saol-0.1.0/download_saol_facsimile.py

@@ -0,0 +1,49 @@
+from pathlib import Path
+from shutil import copyfileobj
+from typing import Any, NamedTuple
+from urllib.parse import urlparse
+from urllib.request import urlopen
+
+import tomllib
+from hatchling.builders.hooks.plugin.interface import BuildHookInterface
+
+
+class WordlistDefinition(NamedTuple):
+    url: str
+    license_notice: str
+
+
+def read_wordlists() -> list[WordlistDefinition]:
+    with open("pyproject.toml", "rb") as f:
+        return [
+            WordlistDefinition(**entry)
+            for entry in tomllib.load(f)["saol"]["wordlist"]
+        ]
+
+
+class CustomBuildHook(BuildHookInterface):
+    PLUGIN_NAME = "saol-downloader"
+
+    def initialize(self, version: str, build_data: dict[str, Any]):
+        breakpoint()
+
+        wordlists = read_wordlists()
+
+        data_dir = Path(self.root, "data")
+        data_dir.mkdir(parents=True, exist_ok=True)
+
+        for wordlist in wordlists:
+            parsed_url = urlparse(wordlist.url)
+            filename = Path(parsed_url.path).name
+
+            wordlist_path = data_dir / filename
+            license_path = wordlist_path.with_name(f"{filename}.license")
+
+            with (
+                urlopen(wordlist.url) as response,
+                open(wordlist_path, "wb") as output_file,
+            ):
+                copyfileobj(response, output_file)
+
+            with open(license_path, "w") as f:
+                f.write(wordlist.license_notice)

saol-0.1.0/exempel.py

@@ -0,0 +1,17 @@
+from saol import saol14
+
+print(f"Ordlistan innehåller {len(saol14)} ord.")
+print("Första ordet i listan:")
+print(saol14[0])
+print()
+
+part_of_speech_by_word = {entry.word: entry.upos for entry in saol14}
+
+for word in "en putslustig talgoxe äter finfördelad goja".split():
+    upos = part_of_speech_by_word.get(word, None)
+    if upos:
+        print(
+            f'"{word}" finns i ordlistan och är märkt med ordklassen {upos}.'
+        )
+    else:
+        print(f'"{word}" finns inte i ordlistan.')

saol-0.1.0/ordlista.py

@@ -0,0 +1,4 @@
+from saol import saol14
+
+for entry in saol14:
+    print(entry.word)