Konversi TXT menjadi DIC

Custom spell-checkers, alat terminologi, dan mesin kamus sering kali hanya menerima kosakata dalam layout .dic tertentu. Oleh karena itu, word list yang dikelola dalam .txt harus dibersihkan dan diformat agar sesuai dengan program target, bukan sekadar diganti namanya.

File TXT dan penggunaannya

File .txt adalah teks biasa tanpa struktur field yang diwajibkan. Text editor seperti Notepad, TextEdit, Notepad++, dan VS Code membuat file TXT; spreadsheet, database, sistem terminologi, dan script umumnya mengekspor word list ke dalamnya.

Source file dapat berisi satu kata per baris, istilah yang dipisahkan koma, heading, definisi, duplikat, atau prosa biasa. Hanya istilah yang telah diekstrak dan divalidasi yang boleh ditempatkan dalam file kamus.

File DIC dan variannya

Ekstensi .dic tidak mengidentifikasi satu format kamus universal. Beberapa aplikasi menggunakan word list UTF-8 dengan satu entri per baris, sementara aplikasi lain menggunakan kamus yang kompatibel dengan Hunspell, layout teks proprietary, atau file biner.

File .dic Hunspell biasanya berisi jumlah kata pada baris pertama, diikuti entri seperti colour/AB. Optional flags ditentukan oleh file .aff yang sesuai, yang menetapkan encoding, aturan affix, aturan compound-word, dan arti flags. File DIC tanpa file AFF yang benar tidak dapat menambahkan aturan infleksi yang valid dengan sendirinya.

File DIC yang diformat dengan benar memungkinkan software target mengenali nama yang disetujui, istilah teknis, singkatan, dan varian ejaan. Kamus plain-list berukuran ringkas dan mudah diedit, tetapi hanya mengenali entri literal yang diberikan kecuali aplikasi mendukung aturan morfologi sendiri.

Menyiapkan source list

1. Periksa dokumentasi program target dan inspect file kamus yang diketahui berfungsi di VS Code atau Notepad++. Catat filename, encoding, baris pertama, file pendamping yang diperlukan, dan sintaks entri.
2. Buka source TXT dan hapus heading, definisi, baris kosong, entri yang hanya berisi tanda baca, serta istilah yang tidak boleh diterima oleh spell-checker.
3. Tempatkan satu entri yang diterima pada setiap baris. Pertahankan frasa hanya jika format kamus aplikasi target mendukung entri multi-kata.
4. Tentukan kebijakan kapitalisasi sebelum menghapus duplikat. Nama produk dan singkatan mungkin memerlukan entri terpisah untuk Acme, ACME, dan acme.
5. Simpan source yang telah dibersihkan sebagai UTF-8 kecuali kamus target secara eksplisit memerlukan encoding lain.

Membuat format DIC yang diperlukan

Untuk aplikasi yang mendokumentasikan format plain word-list DIC, simpan list yang telah dibersihkan dengan filename .dic yang diperlukan melalui File → Save As. Mengubah ekstensi hanya valid jika aplikasi secara eksplisit memperlakukan file DIC-nya sebagai plain text list.

Untuk target Hunspell, salin sintaks dari kamus yang ada dan gunakan file .aff yang sesuai. Letakkan jumlah entri yang diperlukan pada baris pertama jika kamus contoh target menggunakannya; jumlah tersebut tidak mencakup baris jumlah. Tambahkan flags hanya jika flags tersebut didefinisikan dalam file AFF. Arbitrary flags tidak membuat bentuk jamak, bentuk kata kerja, atau compound word.

Di PowerShell 7, command ini memangkas source UTF-8 dengan satu istilah per baris, menghapus baris duplikat yang sama persis, menambahkan jumlah bergaya Hunspell, dan menulis UTF-8 tanpa byte-order mark:

$w = Get-Content words.txt | ForEach-Object { $_.Trim() } | Where-Object { $_ } | Sort-Object -CaseSensitive -Unique; @($w.Count) + $w | Set-Content -Encoding utf8NoBOM custom.dic

Gunakan command tersebut hanya setelah memastikan bahwa target menerima list Hunspell tanpa flag dan bahwa custom.dic telah diinstal atau diregistrasikan bersama file .aff yang sesuai. Untuk ekspor spreadsheet atau import yang dapat diulang, script PowerShell atau Python lebih aman daripada pengeditan manual karena filtering, penanganan duplikat, dan jumlah entri tetap dapat direproduksi.

Tools dan pemeriksaan kompatibilitas

VS Code dan Notepad++ sesuai untuk memeriksa encoding, line ending, dan sintaks kamus contoh. PyGlossary dapat mengonversi format kamus yang didukung, tetapi bukan solusi umum untuk file TXT arbitrer atau varian DIC proprietary; pastikan plugin input dan output yang dipilih sesuai dengan format target yang tepat.

Tidak ada online converter generik yang dapat secara andal menentukan dialek DIC. Hindari layanan yang menjanjikan konversi TXT-ke-DIC universal, terutama untuk nama pelanggan, terminologi internal, atau kosakata rahasia lainnya. Gunakan online text-processing service hanya jika sintaks output dan encoding-nya dapat diverifikasi berdasarkan dokumentasi aplikasi target.

Samakan encoding dengan tepat sesuai target. File Hunspell AFF umumnya berisi SET UTF-8; UTF-16, Windows-1252, atau byte-order mark yang tidak didukung dapat merusak karakter beraksen atau menyebabkan entri pertama gagal.

Uji kamus yang telah diinstal dengan kata biasa, kata beraksen, istilah huruf kapital, dan entri custom. Jika pemuatan gagal, bandingkan filename, baris pertama, encoding, line ending, lokasi instalasi, dan file pendamping yang diperlukan dengan kamus yang diketahui berfungsi.