Vinkkejä Nykysuomen sanakirjan digiversion käyttöön

Nykysuomen sanakirjan digitoitu versio julkistettiin 1.3.2021. Kuten julkistusuutinen kertoo, teos on verkossa vapaasti käytettävissä PDF-muodossa teksti­skannattuna näköis­julkaisuna, ja tämä mahdollistaa merkki­jono­hakujen tekemisen.

Käytännössä kirja on kuutena erittäin isona (577–723 megatavua) tiedostona, joissa sivut ovat skannattuina hyvä­laatuisina kuvina siten, että ikään kuin kuvan päällä on näkymätön sisältö myös tunnistettuna (OCR-skannattuna) tekstinä. Tämän takia kuvasta voi näennäisesti valita tekstiä hiirellä; todellisuudessa tällöin valitaan vastaava näkymätön teksti, jonka sitten voi liittää johonkin ohjelmaan näkyvänä tekstinä.

Pelkästään Nykysuomen sanakirjan lukemiseenkin digiversio on monin tavoin kätevämpi kuin painettu kirja: se on aina saatavilla, teksti on osittain luettavampaa kuin painetussa kirjassa ja se on zoomattavissa.

Tiedostoista

• Tiedostot kannattaa ladata omaan koneeseen, mieluiten tietysti kiinteää internet-yhteyttä käyttäen. Tällöin käyttö on paljon tehokkaampaa kuin jos tiedosto latautui verkon kautta jokaisella käyttö­kerralla.
• Tiedostoja voi käyttää myös kannettavissa laitteissa, myös puhelimissa.
• Tiedostot kannattaa sijoittaa omaan hakemistoonsa, jotta ne löytyvät helposti ja jotta niitä voi käsitellä yhdessä.
• PDF-tiedoston teksti­sisällön voi tallentaa tiedostoon esimerkiksi Adobe Acrobat Readerin Tiedosto-valikon toiminnolla ”Tallenna tekstinä”. Tallennus kestää jonkin aikaa, mutta sen jälkeen on helppo hakea tekstiä minkä tahansa tekstiä käsittelevän ohjelman haku­toimin­noil­la. Näin tallennetut teksti­tiedostot ovat yli sata kertaa pienempiä kuin PDF-tiedostot.

Tekstisisällöstä

Tekstiskannaus on tehty hyvin, mutta tuloksessa on virheitä. Ne vaikuttavat myös tekstin löydettävyyteen haku­toiminnoilla. Virheitä on muun muassa seuraavanlaisia:

• Skannaus ei aina ole tunnistanut sivun palstoitusta, vaan eri palstojen rivit ovat yhtenä rivinä.
• Paikoitellen skannaus ei ole tunnistanut sanan jatkumista riviltä toiselle, vaan osat esiintyvät kuin eri sanoina.
• Skannaus on tunnistanut merkkejä väärin eri syistä. Näin on voinut käydä paitsi erikoismerkeille myös kirjaimille; esimerkiksi e:n tilalla saattaa olla c.
• Joitakin sanoja on jostain syystä jäänyt pois kokonaan.

Dokumentissa Huomioita Nykysuomen sanakirjan verkkoversiosta (Word-asiakirja) on tarkempia huomioita skannaus- yms. virheistä.

Muun muassa kirjan alussa olevissa taivutuskaavoissa on sattunut virheitä, ja lisäksi niiden taulukkomainen rakenne on hajonnut. Tämän takia olen tehnyt koosteet Nominien taivutus­tyypit Nykysuomen sanakirjassa ja Verbien taivutustyypit Nykysuomen sanakirjassa.

Vaikka tekstiä voi leikata ja liimata, tulos on syytä tarkistaa, jos esimerkiksi halutaan esittää lainaus. Myös lainaus- ja heitto­merkit ja ajatus­viivat on tarkistettava. Lisäksi leikkaamalla saadaan mukaan pelkkä teksti, ei muotoiluja (lihavointi, kursivointi, kapiteeli, harvennus, ala- ja yläindeksit).

Hakutoiminnot

• Hakusana kannattaa yleensä etsiä haarukoimalla: valitse kirjan oikea osa, avaa se PDF-lukuohjelmassa ja etsi se selaamista vastaavalla tavalla liu’uttamalla vierityspalkkia. Haku­toiminnosta ei yleensä ole apua monestakaan syystä: 1) hakusanat eivät eroa muusta tekstistä, joten esimerkiksi iili-sanaa etsittäessä löytyy ensin lukemattomia sanoja, joissa esiintyy tämä merkki­jono, 2) hakusanan sisällä on hyvin usein |-merkki (esi­mer­kik­si kiss|a, jossa merkki erottaa sanan muuttumattoman alkuosan loppuosasta) ja 3) monet yhdyssanat ovat muodossa, jossa sanasta on vain loppuosa (esimerkiksi kissankäpälä on kissan|askel-kappaleen sisällä asussa -käpälä).
• Edellä mainittua |-merkkiä voi toisaalta myös käyttää hyväksi: haku­sana on useimmiten muodossa, jossa |-merkki erottaa muuttumattoman alku­osan loppu­osasta, jossa tapahtuu muutoksia aste­vaihtelun tai muun syyn takia. Esimerkiksi haku­sana aakkonen löytyy haulla aakko|, koska se on kirjassa asussa aakko|nen (sillä |:n jälkeinen osa vaihtelee taivutuksessa, kuten aakkosta ja aakkoset).
• Adobe Acrobat Reader pitää hakutoiminnoissa a:ta ja ä:tä samana kirjaimena, samoin o:ta ja ö;tä, s:ää ja š:ää jne. Sen sijaan esimerkiksi Foxit Reader erottaa ne toisistaan, joskin sen asetuksista voi muuttaa tämän.
• Tavallisissa PDF-lukuohjelmissa voi kohdistaa hakutoiminnon useisiin tiedostoihin. Tällaiset haut ovat melko nopeita, vaikka tie­dos­tot ovat isoja. Esimerkiksi Adobe Acrobat readerin haku­toiminnon Etsi-ruudussa olevaa mutteri­kuvaketta napsauttamalla voi avata ”täyden Reader-haun, jossa voi valita haun kaikista tietyn hakemiston PDF-tiedostoista.
• PDF-lukuohjelmien hakutoiminnot ovat muutoin melko yksinkertaisia.
• Sen sijaan tekstieditoreissa (esimerkiksi Notepad++) on usein moni­puoli­sia haku­toi­min­to­ja kuten ns. säännöllisten lausekkeiden (regular expressions) käyttö. Tällä tavoin voi teksti­muodossa tallennetuista tiedostoista hakea esimerkiksi lausekkeella c[^.], joka etsii sellaisia c-kirjaimen esiintymiä, joita ei seuraa piste. (Ks. Notepad++ User Manual, kohta Searching, alakohta Regex Special Characters.)

Digiversion sisällön ongelmia

Usein sanotaan, että Nykysuomen sanakirjan kaikki versiot ovat täysin identtisiä, vaikka nidosasu onkin muuttunut. Tämä ei tarkkaan ottaen pidä paikkaansa.

Alkuperäisessä, vuosina 1951–1961 julkaistussa painoksessa, josta skan­naus on tehty, oli kunkin osan lopussa Oikaisuja-osasto ja vii­meisen osan lopussa lisäksi Täydennyksiä-osasto. Vuonna 1967 julkaistiin kolmena nidoksena ”lyhentämätön kansanpainos”. Sen jälkeen jul­kais­tiin useita painoksia, joista kuitenkin on Kansallis­bibliografiassa tietoa hy­vin sekavasti.

Kaikki painokset lienee tehty samoilla painolaatoilla, joihin kuiten­kin tehtiin muutoksia vuoden 1967 kansanpainoksessa siinä mielessä, et­tä alkuperäisen julkaisun osien lopussa esitetyt oikaisut tehtiin itse teks­tiin (ja osien lopusta tietysti poistettiin Oikaisuja-osastot) ja lisäksi Täy­dennyksiä-osasto otettiin huomioon siinä mielessä, että sanakirjan sisäl­töön lisättiin reunukseen merkinnät, joilla osoitetaan, mihin kohtiin on täydennyksiä.

Koska verkkoversio perustuu alku­peräiseen julkaisuun, se poikkeaa kaikista myöhemmis­tä: osien lopussa on suuri määrä korjauksia, jotka myöhemmin tehtiin varsinaiseen tekstiin, Korjaukset ovat suurelta osin paino­virheiden korjauksia, mutta mukana on myös sisällön muutoksia. Lisäksi tekstissä ei ole viittauksia Täydennyksiä-osastoon, kuten myöhemmissä painoksissa on. Jos siis lukija haluaa varmistua esimerkiksi siitä, että jokin 1. osassa oleva kohta on oikein (siinä mielessä, että siihen ei ole oi­kaisua), hänen on käytävä läpi kaikkien osien Oikaisuja-osastot. Lisäksi on tietysti mah­dol­lis­ta, että siihen on tullut täydennys, kuten lisäys sanan merkityksiin, joka on vii­mei­sen tiedoston lopussa olevassa Täydennyksiä-osastossa.