#표준국어대사전

gukhanmun-stdict는 국립국어원의 《표준국어대사전》 JSON 내려받기에서 파생된 스냅숏을 내장합니다.

출처 덤프는 이 저장소에 커밋되어 있지 않습니다. 내려받기는 사전 웹사이트 로그인을 필요로 하며, 그 아카이브는 빌드에 사용되는 정규화 데이터보다 훨씬 큽니다. 커밋된 진실의 출처는 그 대신 crates/gukhanmun-stdict/data/stdict.tsv의 정준 TSV 파일입니다.

#스냅숏

#재생성

내려받은 zip을 변한 곳에 두고 다음을 실행합니다:

cargo run -p gukhanmun-stdict --bin gukhanmun-stdict-extract -- \
  -o crates/gukhanmun-stdict/data/stdict.tsv \
  --suffix-output crates/gukhanmun-stdict/data/suffix.tsv \
  ~/Downloads/전체\ 내려받기_표준국어대사전_JSON_20260506.zip

추출기는 사전 키 순으로 정렬된 결정적 UTF-8 TSV를 씁니다. 그러면 gukhanmun-stdict 빌드 스크립트가 컴파일 시점에 gukhanmun-mkdict를 호출하여 내장 FST를 빌드합니다.

#접미사 독음

남한의 두음법칙은 일부 한자를 다른 곳에서와 달리 어두에서 다르게 읽게 만듭니다. 그래서 年은 年度에서는 연으로, 1998년에서는 년으로 읽힙니다. 엔진은 어두가 아닌 위치에 있는 단일 한자의 원 소리를 내장된 unihan 독음에서 복원하므로, 정준 TSV는 단일 한자에 대해 추가 데이터가 필요하지 않습니다.

다음절 합성어는 다릅니다: 어두가 아닌 위치에서 어느 것이 원래의 첫소리를 유지하는지는 사전만이 압니다. 사전은 이를 접미사 표제어(-년대처럼 앞에 하이픈을 붙여 쓴다)와 의존명사 표제어를 통해 기록합니다. 추출기는 이것들을 모아, 어두 독음 I와 접미사 독음 S가 첫 음절에서만 다른, 두 글자 이상의 한자 전용 키마다 crates/gukhanmun-stdict/data/suffix.tsv에 hanja<TAB>I<TAB>S 행을 씁니다(예를 들어 年代<TAB>연대<TAB>년대). 첫 음절만 보는 검사는 便(편/변)처럼 의미가 다른 독음을 제외합니다. 단일 한자는 엔진이 unihan 독음에서 처리하므로 일부러 생략됩니다.

gukhanmun_stdict::ko_kr은 내장 FST를 감싸고 각 접미사 독음을 일치하는 항목에 붙이는 KoKrDictionary를 반환하므로, 엔진이 위치에 맞는 독음을 고를 수 있습니다.

#추출 정책

word_unit이 단어이고 original_language_info가 한자를 지닌 찾기 키를 적어도 하나 산출할 수 있는 항목만 포함됩니다. 사전 독음은 pronunciation_info가 아니라 word_info.word에서 옵니다; 동형이의 번호, 하이픈, ^ 구분자는 단어 형태에서 제거됩니다.

고유 한자 항목에서는 language_type = "한자" 분절이 찾기 키로 복사됩니다. 고유어(고유어) 분절이 한자 분절 주변에 나타날 수 있으므로, 고유어 접두나 고유어 접미 단어 같은 국한문혼용 항목은 보존됩니다. ▽ 같은 출처 표기 표지는 찾기 키에서 제거됩니다. /로 표시된 인라인 이형 표기는 별개의 키로 펼쳐지므로, 布告하다/佈告하다 같은 출처 표기는 런타임에 일치 가능한 두 형태를 모두 산출합니다.

중국어·일본어·기원 불명의 차용어 분절은 그 original_language가 Beijing[北京]이나 haiku[俳句]처럼 독립된 한자 표기나 대괄호로 묶인 한자 표기를 담을 때에만 포함됩니다. 그런 경우 한자 표기가 찾기 키로 사용되고 로마자 텍스트는 버려집니다. 그런 한자 표기가 없는 외래 기원 분절은 건너뛰어, ←lipoic酸 같은 값이 국한문혼용 키가 되지 않도록 합니다.

/(병기)로 표시된 이형 한자 표기는 별개의 TSV 행으로 펼쳐집니다. 중복 키는 최고 우선순위 독음을 유지합니다. → 표지03.처럼 뜻이 다른 항목으로 넘기기만 하는 항목은, 같은 한자 표기에 대해 실질적 정의를 가진 항목에게 집니다. 대괄호로 묶인 차용어 한자 표기는 같은 키에 대해 고유 한자어 독음보다 선호되며, 그 밖에는 정렬된 덤프 샤드 순서에서 처음 만난 독음이 유지됩니다.

추출기 자체는 모든 행에 대해 require_hanja와 require_hangul을 false로 씁니다. 병기 표지는 나중에 규칙 파일(아래 참조)이 덧입히므로, 정준 TSV는 순수한 한자↔한글 사상으로 남습니다.

#병기 규칙

crates/gukhanmun-stdict/data/rules.tsv는 빌드 시점에 require_hanja/require_hangul 표지를 사전 항목에 OR-병합하는, 손으로 정리한 규칙을 열거합니다. stdict 크레이트의 build.rs가 규칙 파일을 gukhanmun-mkdict에 넘기므로, 내장 FST는 표지가 이미 인코딩된 채로 배포됩니다.

형식은 kind, pattern, require_hanja, require_hangul, reason 열을 가진 TSV입니다. 세 가지 종류의 규칙이 지원됩니다:

• entry: pattern은 한자 키가 pattern과 정확히 같은 사전 항목 하나를 일치시킵니다.
• contains: pattern은 한자 부분 문자열(한 글자 이상)입니다; 한자 키가 그 부분 문자열을 포함하는 모든 항목이 표지됩니다. 사전 키가 국한문혼용일 수 있으므로(예: 布告하다) 패턴은 한자 문자로만 이루어져야 합니다; 한글이나 라틴 부분 문자열은 무관한 항목을 소리 없이 표지할 것입니다.
• reading: pattern은 한글 독음입니다; 그 독음을 가진 모든 항목이 표지됩니다.

규칙은 require_hanja/require_hangul 중 적어도 하나를 설정해야 하고, 비어 있지 않은 reason을 포함해야 하며, 적어도 하나의 항목을 일치시켜야 합니다. 같은 항목을 건드리는 여러 규칙은 OR-병합됩니다. 어떤 항목과도 일치하지 않는 묵은 규칙은 빌드를 실패시켜, 규칙 파일이 사전과 어긋나 떠다니지 않게 합니다; 규칙 파일을 더 작은 사전과 공유한다면 gukhanmun-mkdict에 --allow-unmatched-rules를 넘깁니다.

규칙을 추가하거나 편집하려면 rules.tsv를 고치고 다음을 실행합니다:

cargo test -p gukhanmun-stdict

테스트 모음은 내장 FST를 다시 빌드하고, 표지가 대표 항목에 내려앉는지 검증하며, RenderMode::HangulOnly로 convert_plain_text를 처음부터 끝까지 행사하여 표지된 항목이 한글(漢字)로 렌더링됨을 확인합니다.