Corpus2

Problem leży najprawdopodobniej w piśniku ccl. Przykładowy fragment pliku, dla którego występuje błąd:

   <tok>
    <orth>firma</orth>
    <lex disamb="1"><base>firma</base><ctag>subst:sg:nom:f</ctag></lex>
    <ann chan="nam_eve">0</ann>
    <ann chan="nam_loc">0</ann>
    <ann chan="nam_org">0</ann>
   </tok>
   <tok>
    <orth>Bögl</orth>
    <lex disamb="1"><base>Bögl</base><ctag>ign</ctag></lex>
    <ann chan="nam_eve">0</ann>
    <ann chan="nam_loc">0</ann>
    <ann chan="nam_org">1</ann>
    <prop key="nam_org:lemma">Bögl &amp; Krýsl</prop>
   </tok>
   <tok>
    <orth>&amp;</orth>
    <lex disamb="1"><base>&amp;</base><ctag>interp</ctag></lex>
    <ann chan="nam_eve">0</ann>
    <ann chan="nam_loc">0</ann>
    <ann chan="nam_org">1</ann>
   </tok>

Chodzi o linijkę:

<prop key="nam_org:lemma">Bögl &amp; Krýsl</prop>

Po przetworzeniu (np. przy pomocy corpus-get) pliku zawierającego tę zawartość poleceniem:

corpus-get -i ccl -o ccl -t nkjp agora-1.1.0-names-disamb/articles/00107679.xml > out2.xml

linijka wygląda tak:

<prop key="nam_org:lemma">Bögl & Krýsl</prop>

Na wyjściu powinniśmy otrzymać to samo, co trafiło na wejście. Ponowna próba przetworzenia wyjścia poleceniem:

corpus-get -i ccl -o ccl -t nkjp out2.xml > out3.xml

Powoduje wyświetlenie błędu:

XML Error: xmlParseEntityRef: no name

terminate called after throwing an instance of 'xmlpp::parse_error'
  what():  Document not well-formed.
Line 239, column 21 (fatal):
xmlParseEntityRef: no name

Aborted (core dumped)

Linijka na którą wskazuje wyjątek zawiera niewyeskejpowany ampersand. Podobnie jest po podwójnym przetwarzaniu iobberem oraz nawet najnowszym wcrft-app. Do poprawki!