Seznam českých podstatných jmen

Potřebujete seznam českých podstatných jmen — třeba pro zpracování textu, vlastní slovník, analýzu nebo školní projekt? V ideálním světě by stačilo zadat do vyhledávače „seznam podstatných jmen txt" a stáhnout hotový soubor. Realita je horší: většina odkazů, na které narazíte, je dávno mrtvá.

Dobrá zpráva je, že si takovou databázi českých slov můžete vyrobit sami — a není to tak složité, jak to zní. Ukážeme si klasickou cestu přes slovník OpenOffice a pak moderní zkratku.

Klasická cesta: slovník OpenOffice

Nejspolehlivější zdroj českých slov zdarma je slovník pro kontrolu pravopisu, který používá kancelářský balík OpenOffice (dnes LibreOffice). Obsahuje desetitisíce českých slov včetně tvarů, takže z něj jde vytáhnout i čistý soupis podstatných jmen.

Krok 1 — stáhněte slovník

Zamiřte na www.openoffice.cz a stáhněte si český slovník ve formátu .oxt. Je to vlastně obyčejný archiv — stačí přejmenovat koncovku na .zip a rozbalit.

Krok 2 — najděte soubor cs_CZ.dic

Uvnitř archivu na vás čeká několik souborů. Ten, který nás zajímá, se jmenuje cs_CZ.dic. Je to slovník ve formátu ispell: na každém řádku je jedno slovo, za ním lomítko a krátké kódy, které určují slovní druh a skloňování.

Právě díky těm kódům umíme podstatná jména odfiltrovat od ostatních slovních druhů. Řádky, kde za lomítkem najdete znak H nebo Z, jsou přesně ta podstatná jména, která hledáme. Než se pustíte do zpracování, mrkněte i na přiloženou licenci, ať víte, co se slovníkem smíte dělat.

Krok 3 — vyfiltrujte podstatná jména skriptem

Celý soubor projdete jednoduchým skriptem, který vybere jen řádky s kódem H nebo Z a slova uloží do čistého textového souboru. Třeba v PHP to vypadá takhle:

$lines = file("./cs_CZ.dic");
$fileName = "podstatna_jmena.txt";
for ($i = 0; $i < count($lines); $i++) {
    $currentLine = explode("/", $lines[$i]);
    if (strpbrk($currentLine[1], "HZ") != false) {
        file_put_contents($fileName, $currentLine[0] . "\n", FILE_APPEND);
    }
}

Skript načte slovník do pole, každý řádek rozdělí podle lomítka a když v druhé části najde H nebo Z, zapíše slovo (první část) do souboru podstatna_jmena.txt. Po doběhnutí skriptu máte čistý seznam podstatných jmen — jedno slovo na řádku, připravený k dalšímu použití v čemkoli dalším.

Moderní zkratka: nechte to udělat Claude

Psát a ladit vlastní skript nemusí bavit každého. Všechno výše popsané dnes zvládne asistent Claude — ať už mu dáte stažený slovník a řeknete, co má vyfiltrovat, nebo rovnou požádáte o seznam. Zkuste třeba tento prompt:

Přiložil jsem seznam českých slov ve formátu „slovo/kód" (slovník ispell). Vyfiltruj z něj jen podstatná jména — tedy řádky, kde je za lomítkem kód H nebo Z. Vypiš je jako čistý textový seznam, jedno slovo na řádku, bez kódů.

Pokud soubor nemáš, vygeneruj mi co nejúplnější seznam českých podstatných jmen v prvním pádě jednotného čísla. Každé slovo na samostatném řádku, jen podstatná jména, a pokračuj, dokud jich nebude alespoň 500.

Za pár sekund máte hotový seznam bez instalace čehokoli — a klidně i roztříděný podle rodu nebo abecedy, stačí si o to říct.

Tento článek navazuje na původní článek o seznamu českých podstatných jmen.