Converter TXT para DIC

Os verificadores ortográficos personalizados, as ferramentas de terminologia e os mecanismos de dicionário geralmente aceitam vocabulário apenas em um layout .dic específico. Portanto, uma lista de palavras mantida em .txt precisa ser limpa e formatada para corresponder ao programa de destino, em vez de ser simplesmente renomeada.

Arquivos TXT e seu uso

Um arquivo .txt é texto simples, sem uma estrutura de campos obrigatória. Editores de texto como Notepad, TextEdit, Notepad++ e VS Code criam arquivos TXT; planilhas, bancos de dados, sistemas de terminologia e scripts geralmente exportam listas de palavras para eles.

Um arquivo de origem pode conter uma palavra por linha, termos separados por vírgulas, títulos, definições, duplicatas ou prosa comum. Somente os termos extraídos e validados devem ser colocados em um arquivo de dicionário.

Arquivos DIC e suas variantes

A extensão .dic não identifica um formato universal de dicionário. Alguns aplicativos usam uma lista de palavras UTF-8 com uma entrada por linha, enquanto outros usam dicionários compatíveis com Hunspell, layouts de texto proprietários ou arquivos binários.

Um arquivo .dic do Hunspell normalmente contém uma contagem de palavras na primeira linha, seguida por entradas como colour/AB. As flags opcionais são definidas por um arquivo .aff correspondente, que especifica a codificação, as regras de afixos, as regras de palavras compostas e os significados das flags. Um arquivo DIC sem o arquivo AFF correto não pode adicionar regras de flexão válidas por si só.

Um arquivo DIC formatado corretamente permite que o software de destino reconheça nomes aprovados, termos técnicos, abreviações e variantes ortográficas. Os dicionários de lista simples são compactos e fáceis de editar, mas reconhecem apenas as entradas literais fornecidas, a menos que o aplicativo ofereça suporte às próprias regras morfológicas.

Preparar a lista de origem

1. Verifique a documentação do programa de destino e inspecione um arquivo de dicionário conhecido por funcionar no VS Code ou no Notepad++. Registre seu nome de arquivo, codificação, primeiras linhas, arquivos complementares obrigatórios e sintaxe das entradas.
2. Abra a origem TXT e remova títulos, definições, linhas vazias, entradas compostas apenas por pontuação e termos que não devem ser aceitos pelo verificador ortográfico.
3. Coloque uma entrada aceita em cada linha. Mantenha frases somente quando o formato de dicionário do aplicativo de destino oferecer suporte a entradas com várias palavras.
4. Escolha uma política de uso de maiúsculas e minúsculas antes de remover duplicatas. Nomes de produtos e abreviações podem exigir entradas separadas para Acme, ACME e acme.
5. Salve a origem limpa como UTF-8, a menos que o dicionário de destino exija explicitamente outra codificação.

Criar o formato DIC necessário

Para um aplicativo que documenta um formato DIC de lista simples de palavras, salve a lista limpa com o nome de arquivo .dic exigido por meio de File → Save As. Alterar a extensão é válido somente quando o aplicativo trata explicitamente seu arquivo DIC como uma lista de texto simples.

Para um destino Hunspell, copie a sintaxe do dicionário existente e use o arquivo .aff correspondente. Coloque a contagem de entradas exigida na primeira linha se o dicionário de exemplo do destino fizer isso; a contagem não inclui a linha da contagem. Adicione flags somente quando elas estiverem definidas nesse arquivo AFF. Flags arbitrárias não criam plurais, formas verbais ou palavras compostas.

No PowerShell 7, este comando remove espaços em branco de uma origem UTF-8 com um termo por linha, remove linhas duplicadas exatas, adiciona uma contagem no estilo Hunspell e grava UTF-8 sem uma marca de ordem de bytes:

$w = Get-Content words.txt | ForEach-Object { $_.Trim() } | Where-Object { $_ } | Sort-Object -CaseSensitive -Unique; @($w.Count) + $w | Set-Content -Encoding utf8NoBOM custom.dic

Use o comando somente depois de confirmar que o destino aceita uma lista Hunspell sem flags e que custom.dic está instalado ou registrado com o arquivo .aff apropriado. Para exportações de planilhas ou importações repetíveis, um script do PowerShell ou Python é mais seguro do que a edição manual, pois a filtragem, o tratamento de duplicatas e as contagens de entradas permanecem reproduzíveis.

Ferramentas e verificações de compatibilidade

VS Code e Notepad++ são adequados para inspecionar a codificação, as quebras de linha e a sintaxe de exemplo do dicionário. O PyGlossary pode converter formatos de dicionário compatíveis, mas não é uma solução geral para arquivos TXT arbitrários ou variantes DIC proprietárias; verifique se os plugins de entrada e saída selecionados correspondem ao formato exato do destino.

Nenhum conversor online genérico pode inferir com confiabilidade uma variante DIC. Evite serviços que prometem conversão universal de TXT para DIC, especialmente para nomes de clientes, terminologia interna ou outro vocabulário confidencial. Use um serviço online de processamento de texto somente quando a sintaxe e a codificação da saída puderem ser verificadas na documentação do aplicativo de destino.

Use exatamente a codificação do destino. Os arquivos AFF do Hunspell geralmente contêm SET UTF-8; UTF-16, Windows-1252 ou uma marca de ordem de bytes não compatível podem corromper caracteres acentuados ou fazer com que a primeira entrada falhe.

Teste o dicionário instalado com uma palavra comum, uma palavra acentuada, um termo em maiúsculas e uma entrada personalizada. Se o carregamento falhar, compare o nome do arquivo, a primeira linha, a codificação, as quebras de linha, o local de instalação e os arquivos complementares obrigatórios com um dicionário conhecido por funcionar.