#標準國語大辭典

gukhanmun-stdict는 國立國語院의 《標準國語大辭典》 JSON 내려받기에서 派生된 스냅숏을 內藏합니다.

出處 덤프는 이 저장소에 커밋되어 있지 않습니다. 내려받기는 辭典 웹사이트 로그인을 必要로 하며, 그 아카이브는 빌드에 使用되는 正規化 데이터보다 훨씬 큽니다. 커밋된 眞實의 出處는 그 代身 crates/gukhanmun-stdict/data/stdict.tsv의 正準 TSV 파일입니다.

#스냅숏

#再生成

내려받은 zip을 便한 곳에 두고 다음을 實行합니다:

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

抽出器는 辭典 키 順으로 整列된 決定的 UTF-8 TSV를 씁니다. 그러면 gukhanmun-stdict 빌드 스크립트가 컴파일 時點에 gukhanmun-mkdict를 呼出하여 內藏 FST를 빌드합니다.

#接尾辭 讀音

南韓의 頭音法則은 一部 漢字를 다른 곳에서와 달리 語頭에서 다르게 읽게 만듭니다. 그래서 年은 年度에서는 연으로, 1998년에서는 년으로 읽힙니다. 엔진은 語頭가 아닌 位置에 있는 單一 漢字의 原 소리를 內藏된 unihan 讀音에서 復元하므로, 正準 TSV는 單一 漢字에 對해 追加 데이터가 必要하지 않습니다.

多音節 合成語는 다릅니다: 語頭가 아닌 位置에서 어느 것이 原來의 첫소리를 維持하는지는 辭典만이 압니다. 辭典은 이를 接尾辭 表題語(-년대처럼 앞에 하이픈을 붙여 쓴다)와 依存名詞 表題語를 通해 記錄합니다. 抽出器는 이것들을 모아, 語頭 讀音 I와 接尾辭 讀音 S가 첫 音節에서만 다른, 두 글자 以上의 漢字 專用 키마다 crates/gukhanmun-stdict/data/suffix.tsv에 hanja<TAB>I<TAB>S 行을 씁니다(例를 들어 年代<TAB>연대<TAB>년대). 첫 音節만 보는 檢査는 便(편/변)처럼 意味가 다른 讀音을 除外합니다. 單一 漢字는 엔진이 unihan 讀音에서 處理하므로 일부러 省略됩니다.

gukhanmun_stdict::ko_kr은 內藏 FST를 감싸고 各 接尾辭 讀音을 一致하는 項目에 붙이는 KoKrDictionary를 返還하므로, 엔진이 位置에 맞는 讀音을 고를 수 있습니다.

#抽出 政策

word_unit이 단어이고 original_language_info가 漢字를 지닌 찾기 키를 적어도 하나 産出할 수 있는 項目만 包含됩니다. 辭典 讀音은 pronunciation_info가 아니라 word_info.word에서 옵니다; 同形異義 番號, 하이픈, ^ 區分子는 單語 形態에서 除去됩니다.

固有 漢字 項目에서는 language_type = "한자" 分節이 찾기 키로 複寫됩니다. 固有語(고유어) 分節이 漢字 分節 周邊에 나타날 수 있으므로, 固有語 接頭나 固有語 接尾 單語 같은 國漢文混用 項目은 保存됩니다. ▽ 같은 出處 表記 標識는 찾기 키에서 除去됩니다. /로 標示된 인라인 異形 表記는 別個의 키로 펼쳐지므로, 布告하다/佈告하다 같은 出處 表記는 런타임에 一致 可能한 두 形態를 모두 産出합니다.

中國語·日本語·起源 不明의 借用語 分節은 그 original_language가 Beijing[北京]이나 haiku[俳句]처럼 獨立된 漢字 表記나 大括弧로 묶인 漢字 表記를 담을 때에만 包含됩니다. 그런 境遇 漢字 表記가 찾기 키로 使用되고 로마字 텍스트는 버려집니다. 그런 漢字 表記가 없는 外來 起源 分節은 건너뛰어, ←lipoic酸 같은 값이 國漢文混用 키가 되지 않도록 합니다.

/(병기)로 標示된 異形 漢字 表記는 別個의 TSV 行으로 펼쳐집니다. 重複 키는 最高 優先順位 讀音을 維持합니다. → 표지03.처럼 뜻이 다른 項目으로 넘기기만 하는 項目은, 같은 漢字 表記에 對해 實質的 定義를 가진 項目에게 집니다. 大括弧로 묶인 借用語 漢字 表記는 같은 키에 對해 固有 漢字語 讀音보다 選好되며, 그 밖에는 整列된 덤프 샤드 順序에서 처음 만난 讀音이 維持됩니다.

抽出器 自體는 모든 行에 對해 require_hanja와 require_hangul을 false로 씁니다. 倂記 標識는 나중에 規則 파일(아래 參照)이 덧입히므로, 正準 TSV는 純粹한 漢字↔한글 寫像으로 남습니다.

#倂記 規則

crates/gukhanmun-stdict/data/rules.tsv는 빌드 時點에 require_hanja/require_hangul 標識를 辭典 項目에 OR-倂合하는, 손으로 整理한 規則을 列擧합니다. stdict 크레이트의 build.rs가 規則 파일을 gukhanmun-mkdict에 넘기므로, 內藏 FST는 標識가 이미 인코딩된 채로 配布됩니다.

形式은 kind, pattern, require_hanja, require_hangul, reason 列을 가진 TSV입니다. 세 가지 種類의 規則이 支援됩니다:

• entry: pattern은 漢字 키가 pattern과 正確히 같은 辭典 項目 하나를 一致시킵니다.
• contains: pattern은 漢字 部分 文字列(한 글자 以上)입니다; 漢字 키가 그 部分 文字列을 包含하는 모든 項目이 標識됩니다. 辭典 키가 國漢文混用일 수 있으므로(例: 布告하다) 패턴은 漢字 文字로만 이루어져야 합니다; 한글이나 라틴 部分 文字列은 無關한 項目을 소리 없이 標識할 것입니다.
• reading: pattern은 한글 讀音입니다; 그 讀音을 가진 모든 項目이 標識됩니다.

規則은 require_hanja/require_hangul 中 적어도 하나를 設定해야 하고, 비어 있지 않은 reason을 包含해야 하며, 적어도 하나의 項目을 一致시켜야 합니다. 같은 項目을 건드리는 여러 規則은 OR-倂合됩니다. 어떤 項目과도 一致하지 않는 묵은 規則은 빌드를 失敗시켜, 規則 파일이 辭典과 어긋나 떠다니지 않게 합니다; 規則 파일을 더 작은 辭典과 共有한다면 gukhanmun-mkdict에 --allow-unmatched-rules를 넘깁니다.

規則을 追加하거나 編輯하려면 rules.tsv를 고치고 다음을 實行합니다:

cargo test -p gukhanmun-stdict

테스트 모음은 內藏 FST를 다시 빌드하고, 標識가 代表 項目에 내려앉는지 檢證하며, RenderMode::HangulOnly로 convert_plain_text를 처음부터 끝까지 行使하여 標識된 項目이 한글(漢字)로 렌더링됨을 確認합니다.