saol 0.1.0

Publicly available SAOL as a simple Python library

python-saol

Python-paketering av den senaste SAOL-utgåvan som är fritt tillgänglig, SAOL 14 från 2015[^1].

SAOL 14 är licensierad under Creative Commons Attribution 4.0 International (CC-BY-4.0).

Mer information om SAOL som datakälla: https://spraakbanken.gu.se/resurser/historiska-saol

Jag som gjort det här pythonpaketet har ingen koppling till SAOL, Språkbanken eller Göteborgs universitet.

Användning

Ordlistan exponeras som en enkel lista med ord, ordklass och böjningar. Ett exempel på användning:

from saol import saol14

print(f"Ordlistan innehåller {len(saol14)} ord.")
print("Första ordet i listan:")
print(saol14[0])
print()

part_of_speech_by_word = {entry.word: entry.upos for entry in saol14}

for word in "en putslustig talgoxe äter finfördelad goja".split():
    upos = part_of_speech_by_word.get(word, None)
    if upos:
        print(
            f'"{word}" finns i ordlistan och är märkt med ordklassen {upos}.'
        )
    else:
        print(f'"{word}" finns inte i ordlistan.')

Exemplet ger följande utskrift:

Ordlistan innehåller 126900 ord.
Första ordet i listan:
SaolEntry(word='a', upos='NOUN', conj='a:et; pl. a:n el. a, best. pl. a:na')

"en" finns i ordlistan och är märkt med ordklassen X.
"putslustig" finns i ordlistan och är märkt med ordklassen ADJ.
"talgoxe" finns i ordlistan och är märkt med ordklassen NOUN.
"äter" finns inte i ordlistan.
"finfördelad" finns inte i ordlistan.
"goja" finns i ordlistan och är märkt med ordklassen NOUN.

Notera att endast ord i grundform förekommer i listan: finfördela finns med, men inte finfördelad. Likaså äta men inte äter.

Det finns också ett antal "ord" (2432 stycken) som består av flera ord, till exempel haka på, fylla i samt ruska av sig.

Framtida arbete

• Tillgänggliggör böjningar av ord. Här bör man kunna använda conj-fältet (motsvarande conj i faksimilfilen) för att härleda hur andra former ser ut.

Om indataformatet

Här följer lite anteckningar kring indatan i faksimilfilen, som laddas ner från Språkbanken då paketet byggs.

• Ordklasser i upos-fältet är taggade enligt Universal Dependencies.
• Ordklasser i ordkl-fältet är taggade på svenska, och ibland även med böjningssuffix i en <i></i>-tagg.
• normaliserat_ord är normalt det ord man vill använda, då det är rensat från betoningsmarkeringar och liknande.
• text-fältet verkar innehålla samma sak som böjningssuffixen i ordkl-fältet.

[^1]: Svenska Akademien (2025). SAOL 14 (2015) - faksimil (uppdaterad: 2025-12-11). [Data set]. Språkbanken Text. https://doi.org/10.23695/fqh2-af42