Tanulás és szövegellenőrzés
Õ, Û és hibás ékezetek: hogyan javítsd a szöveget?
Ha magyar szövegben IDÕ vagy GYÛRÛ jelenik meg, először állapítsd meg, valóban hibás karakterek kerültek-e a szövegbe, vagy a megjelenítés hibás. A magyar Ő és Ű különbözik az Õ és Û betűtől. A javítást az eredeti szöveghez hasonlítsd, és az idegen nevekre ne alkalmazz ellenőrzés nélküli tömeges cserét.
A cikk tartalma
A hasonló ékezet nem jelent azonos betűt
| Hibás magyar minta | Javított alak | A helyes nagybetű |
|---|---|---|
| IDÕ | IDŐ | Ő — U+0150 |
| GYÛRÛ | GYŰRŰ | Ű — U+0170 |
A magyar ő és ű hosszú magánhangzót jelöl. A nagybetűs alakjuk Ő és Ű. A tilde alakú ékezetes Õ és a körülhajló ékezetes Û más Unicode-karakter. Egy betűtípus módosítása nem feltétlenül javítja ki, ha már eleve ezek a karakterek kerültek a szövegbe.
A táblázat magyar szavak szándékosan hibás digitális mintáit mutatja. A javítandó kapcsolat az adott szó alapján biztos. Egy idegen névben vagy nyelvészeti példában ugyanilyen ékezet más szerepet tölthet be, ezért ott külön forrásellenőrzés szükséges.
Kódolási hiba vagy hiányzó betűkép?
A karakterkódolás azt határozza meg, hogyan értelmezi a program a tárolt adatot. Ha hibás kódolással olvassa be a szöveget, több ékezetes betű helyén idegen karakterek vagy furcsa karaktersorok jelenhetnek meg. Ilyenkor az importálás helyes beállítása segíthet.
A betűtípus más feladatot lát el: kirajzolja a már felismert karaktereket. Ha egy betűkép hiányzik, négyzet vagy helyettesítő jel is megjelenhet. Az első esetben az adat értelmezését, a másodikban a megjelenítést kell megvizsgálni. Egy képernyőkép önmagában nem mindig dönti el, melyik történt.
Egy rövid javítási menet
Őrizd meg az eredeti fájlt. Keress benne egy rövid, biztosan ismert szót, például az idő vagy a gyűrű alakot. Másold át egyszerű szövegként egy másik, magyar betűket megjelenítő felületre. Nézd meg, ugyanazok a hibás karakterek maradnak-e.
Ha az importáláskor lehet kódolást választani, az előnézetben ellenőrizd a megfelelő beállítást, majd csak a helyesen megjelenő változatot dolgozd fel. Ha maga a tárolt szöveg már hibás, az eredeti, sértetlen példány alapján javíts. A kódolás nevének utólagos átírása a tényleges adat átalakítása nélkül nem oldja meg a problémát.
Mikor biztonságos a keresés és csere?
Egy kizárólag magyar szavakból álló, ellenőrzött részben az IDÕ → IDŐ csere egyértelmű lehet. Teljes dokumentumban viszont a karakter minden előfordulását érdemes áttekinteni. Egy idegen tulajdonnév õ betűjét a magyar ő-re cserélve új hibát hozhatnál létre.
A rövid ö és ü sem cserélhető általánosan hosszú ő-re és ű-re. A kör és a kőr például nem ugyanaz a szó. A javításnak tehát a szó jelentését és hiteles alakját is meg kell őriznie; az ékezetek látvány szerinti egységesítése túl durva művelet volna.
Ugyanaz a betű többféle kódolási összetétellel is előfordulhat
Az ő tárolható önálló karakterként, illetve o betű és külön kombináló kettős ékezet sorozataként is. Ezek Unicode szerint egyenértékű megoldások lehetnek. Egy egyszerű karakterenkénti összehasonlítás mégis különböző adatot találhat.
A normalizálás az ilyen egyenértékű alakok egységesítésére szolgálhat. Ettől egy téves Õ nem változik automatikusan helyes Ő-vé: az már másik karakter. Ha keresési hibát vizsgálsz, a normalizálást és a tényleges betűcserét külön kezeld.
A � jelből nem olvasható vissza az elveszett betű
Külön eset, ha a szövegbe ténylegesen az U+FFFD jelű helyettesítő karakter, a � került. A program ezzel jelezhetett egy olyan adatrészt, amelyet nem tudott megfelelő karakterként értelmezni. A tárolt � nem ő, ű vagy más eredeti betű: a betűtípus cseréje önmagában nem állítja helyre.
A „k�r” sérült részletből például nem dönthető el biztosan, hogy kör, kőr vagy kér állt-e az eredetiben. A szövegkörnyezet segíthet, de az ellenőrizhető javítás alapja a sértetlen példány vagy az eredeti adat megfelelő újraolvasása. A jel puszta törlése „kr” alakot hagyna hátra.
A képernyőn látható hasonló helyettesítő ábra mögött ugyanakkor ép, csak meg nem jelenített karakter is lehet. Ezért előbb a tárolt karaktert azonosítsd: egy hiányzó betűkép és a szövegbe már beírt U+FFFD eltérő javítást kíván.
Gyakorlat és megoldás
Egy magyar címben ez áll: „IDÕ A GYÛRÛ JAVÍTÁSÁRA”. Az eredeti cím alapján javítható: „IDŐ A GYŰRŰ JAVÍTÁSÁRA”. A cserét a magyar címre korlátozzuk. Ha a dokumentum idegen neveket is tartalmaz, azok ékezeteit külön ellenőrizzük.
A végén keress rá a korábbi hibás mintákra, olvasd át a javított szavakat, és próbálj meg visszamásolni egy részletet a végső formátumból. Így a látható betű és a mögötte megőrzött szöveg is ellenőrizhető.