<p dir="ltr">Dear Ruprecht, Andrew and Stefan</p>
<p dir="ltr">I followed your issue about encoding Old Greek texts.</p>
<p dir="ltr">I also would like to cwb encode texts in this language expecially old texts of the Fathers of the Church. But I&#39;ve not yet got a PoS tagger for such a language. We just planned to work on it to train TreeTagger. But as I know it isn&#39;t ready yet.</p>
<p dir="ltr">Do you, Ruprecht, know if there is any available?</p>
<p dir="ltr">About your list of greek words in your email of 14 31 I noticed that they are mostly uncorrect. As the initial letter (alfa or eta or epsilon) were dropped out with its accent and spirit.<br>
I don&#39;t know if this has something to do with the encoding error messages you get.<br>
Just I wanted to point out it, maybe it can be of any help.</p>
<p dir="ltr">Good work and good luck!</p>
<p dir="ltr">Gabriele</p>
<div class="gmail_quote">Il 10/mar/2015 14:31 &quot;Ruprecht von Waldenfels&quot; &lt;<a href="mailto:ruprecht.waldenfels@gmx.net">ruprecht.waldenfels@gmx.net</a>&gt; ha scritto:<br type="attribution"><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">
  
    
  
  <div text="#000000" bgcolor="#FFFFFF">
    <div>Dear List, <br>
      so my second problem, this time with Ancient Greek. I cannot
      easily reproduce this with a 2-line corpus, because I don&#39;t know
      where the culprit is. I am posting the CWB Output instead, maybe
      this is already enough. <br>
      <br>
      What I am trying to do: I am trying to align three documents, one
      Greek and two Slavic texts, using the aligVerse structural
      element. The two Slavic ones align fine, the Greek gives me the
      following error: <br>
      rvw@rvw-Latitude-E6410:/data/PROIEL$
      /opt/CWBUTF8/cwb/utils/cwb-align -r /data/PROIEL/Registry -S
      aligVerse -o out.align NTESTAMENT_GR NTESTAMENT_MN aligVerse<br>
      OPENING NTESTAMENT_GR [147613 tokens, 7497 &lt;aligVerse&gt;
      regions]<br>
      OPENING NTESTAMENT_MN [71935 tokens, 7497 &lt;aligVerse&gt;
      regions]<br>
      OPENING prealignment [NTESTAMENT_GR.aligVerse: 7497 regions,
      NTESTAMENT_MN.aligVerse: 7497 regions]<br>
      LEXICON SIZE: 18085 / 10132<br>
      FEATURE: character count, weight=1 ... [1]<br>
      FEATURE: Shared words, threshold=40.0%, weight=50 ... [0]<br>
      FEATURE: 3-grams, weight=3 ... CL: major error, invalid UTF8
      string passed to cl_string_canonical...<br>
      CL: major error, invalid UTF8 string passed to
      cl_string_canonical...<br>
      CL: major error, invalid UTF8 string passed to
      cl_string_canonical...<br>
      [21952]<br>
      FEATURE: 4-grams, weight=4 ... CL: major error, invalid UTF8
      string passed to cl_string_canonical...<br>
      CL: major error, invalid UTF8 string passed to
      cl_string_canonical...<br>
      CL: major error, invalid UTF8 string passed to
      cl_string_canonical...<br>
      CL: major error, invalid UTF8 string passed to
      cl_string_canonical...<br>
      [614656]<br>
      [636609 features allocated]<br>
      [520402 entries in source text feature map]<br>
      [246622 entries in target text feature map]<br>
      PASS 2: Setting character count weight.<br>
      PASS 2: Processing shared words (th=40.0%).<br>
      PASS 2: Processing 3-grams.<br>
      CL: major error, invalid UTF8 string passed to
      cl_string_canonical...<br>
      CL: major error, invalid UTF8 string passed to
      cl_string_canonical...<br>
      PASS 2: Processing 4-grams.<br>
      CL: major error, invalid UTF8 string passed to
      cl_string_canonical...<br>
      CL: major error, invalid UTF8 string passed to
      cl_string_canonical...<br>
      PASS 2: Creating character counts.<br>
      [checking pointers]<br>
      ERROR: fcount1[1387]=24 r-&gt;w2f1[1388]-r-&gt;w2f1[1387]=22
      w=``ἥξουσιν&#39;&#39;<br>
      ERROR: fcount1[1388]=50 r-&gt;w2f1[1389]-r-&gt;w2f1[1388]=52
      w=``ἀνακλιθήσονται&#39;&#39;<br>
      ERROR: fcount1[1783]=24 r-&gt;w2f1[1784]-r-&gt;w2f1[1783]=22
      w=``θάνατον&#39;&#39;<br>
      ERROR: fcount1[1784]=50 r-&gt;w2f1[1785]-r-&gt;w2f1[1784]=52
      w=``ἐπαναστήσονται&#39;&#39;<br>
      ERROR: fcount1[3037]=20 r-&gt;w2f1[3038]-r-&gt;w2f1[3037]=16
      w=``δυνατά&#39;&#39;<br>
      ERROR: fcount1[3039]=48 r-&gt;w2f1[3040]-r-&gt;w2f1[3039]=52
      w=``ἀκολουθήσαντές&#39;&#39;<br>
      ERROR: fcount1[3784]=20 r-&gt;w2f1[3785]-r-&gt;w2f1[3784]=18
      w=``ἤλθατε&#39;&#39;<br>
      ERROR: fcount1[3785]=50 r-&gt;w2f1[3786]-r-&gt;w2f1[3785]=52
      w=``ἀποκριθήσονται&#39;&#39;<br>
      ERROR: fcount1[4459]=32 r-&gt;w2f1[4460]-r-&gt;w2f1[4459]=30
      w=``ἐπιθυμίαι&#39;&#39;<br>
      ERROR: fcount1[4460]=50 r-&gt;w2f1[4461]-r-&gt;w2f1[4460]=52
      w=``εἰσπορευόμεναι&#39;&#39;<br>
      ERROR: fcount1[4998]=20 r-&gt;w2f1[4999]-r-&gt;w2f1[4998]=18
      w=``Ἤρξατο&#39;&#39;<br>
      ERROR: fcount1[4999]=46 r-&gt;w2f1[5000]-r-&gt;w2f1[4999]=48
      w=``ἠκολουθήκαμέν&#39;&#39;<br>
      ERROR: fcount1[5038]=36 r-&gt;w2f1[5039]-r-&gt;w2f1[5038]=34
      w=``ἐγγίζουσιν&#39;&#39;<br>
      ERROR: fcount1[5039]=50 r-&gt;w2f1[5040]-r-&gt;w2f1[5039]=52
      w=``εἰσπορευόμενοι&#39;&#39;<br>
      ERROR: fcount1[7009]=32 r-&gt;w2f1[7010]-r-&gt;w2f1[7009]=30
      w=``πλουσίους&#39;&#39;<br>
      ERROR: fcount1[7010]=46 r-&gt;w2f1[7011]-r-&gt;w2f1[7010]=48
      w=``ἀντικαλέσωσίν&#39;&#39;<br>
      ERROR: fcount1[8582]=20 r-&gt;w2f1[8583]-r-&gt;w2f1[8582]=18
      w=``ἐξάγει&#39;&#39;<br>
      ERROR: fcount1[8583]=50 r-&gt;w2f1[8584]-r-&gt;w2f1[8583]=52
      w=``ἀκολουθήσουσιν&#39;&#39;<br>
      ERROR: fcount1[9942]=20 r-&gt;w2f1[9943]-r-&gt;w2f1[9942]=24
      w=``ἅρματι&#39;&#39;<br>
      ERROR: fcount1[9943]=56 r-&gt;w2f1[9944]-r-&gt;w2f1[9943]=52
      w=``ἀναγινώσκοντος&#39;&#39;<br>
      ERROR: fcount1[10119]=48 r-&gt;w2f1[10120]-r-&gt;w2f1[10119]=44
      w=``μεταπέμψασθαί&#39;&#39;<br>
      ERROR: fcount1[10120]=48 r-&gt;w2f1[10121]-r-&gt;w2f1[10120]=52
      w=``εἰσκαλεσάμενος&#39;&#39;<br>
      ERROR: fcount1[10553]=28 r-&gt;w2f1[10554]-r-&gt;w2f1[10553]=24
      w=``ἐτάραξαν&#39;&#39;<br>
      ERROR: fcount1[10554]=48 r-&gt;w2f1[10555]-r-&gt;w2f1[10554]=52
      w=``ἀνασκευάζοντες&#39;&#39;<br>
      ERROR: fcount1[10622]=24 r-&gt;w2f1[10623]-r-&gt;w2f1[10622]=20
      w=``Τρῳάδος&#39;&#39;<br>
      ERROR: fcount1[10623]=48 r-&gt;w2f1[10624]-r-&gt;w2f1[10623]=52
      w=``εὐθυδρομήσαμεν&#39;&#39;<br>
      ERROR: fcount1[11159]=48 r-&gt;w2f1[11160]-r-&gt;w2f1[11159]=44
      w=``ἀποσπασθέντας&#39;&#39;<br>
      ERROR: fcount1[11160]=52 r-&gt;w2f1[11161]-r-&gt;w2f1[11160]=56
      w=``εὐθυδρομήσαντες&#39;&#39;<br>
      ERROR: fcount1[12054]=20 r-&gt;w2f1[12055]-r-&gt;w2f1[12054]=18
      w=``πλάνης&#39;&#39;<br>
      ERROR: fcount1[12055]=50 r-&gt;w2f1[12056]-r-&gt;w2f1[12055]=52
      w=``ἀπολαμβάνοντες&#39;&#39;<br>
      ERROR: fcount1[12422]=12 r-&gt;w2f1[12423]-r-&gt;w2f1[12422]=10
      w=``νοός&#39;&#39;<br>
      ERROR: fcount1[12423]=50 r-&gt;w2f1[12424]-r-&gt;w2f1[12423]=52
      w=``αἰχμαλωτίζοντά&#39;&#39;<br>
      ERROR: fcount1[14334]=40 r-&gt;w2f1[14335]-r-&gt;w2f1[14334]=38
      w=``ἐπαιρόμενον&#39;&#39;<br>
      ERROR: fcount1[14335]=54 r-&gt;w2f1[14336]-r-&gt;w2f1[14335]=56
      w=``αἰχμαλωτίζοντες&#39;&#39;<br>
      ERROR: fcount1[14641]=40 r-&gt;w2f1[14642]-r-&gt;w2f1[14641]=38
      w=``κεκυρωμένην&#39;&#39;<br>
      ERROR: fcount1[14642]=50 r-&gt;w2f1[14643]-r-&gt;w2f1[14642]=52
      w=``ἐπιδιατάσσεται&#39;&#39;<br>
      ERROR: fcount1[14878]=32 r-&gt;w2f1[14879]-r-&gt;w2f1[14878]=34
      w=``προέγραψα&#39;&#39;<br>
      ERROR: fcount1[14879]=54 r-&gt;w2f1[14880]-r-&gt;w2f1[14879]=52
      w=``ἀναγινώσκοντες&#39;&#39;<br>
      ERROR: fcount1[15698]=36 r-&gt;w2f1[15699]-r-&gt;w2f1[15698]=34
      w=``ἐπιστεύθην&#39;&#39;<br>
      ERROR: fcount1[15699]=46 r-&gt;w2f1[15700]-r-&gt;w2f1[15699]=48
      w=``ἐνδυναμώσαντί&#39;&#39;<br>
      ERROR: fcount1[16170]=32 r-&gt;w2f1[16171]-r-&gt;w2f1[16170]=30
      w=``ἀνέξονται&#39;&#39;<br>
      ERROR: fcount1[16171]=50 r-&gt;w2f1[16172]-r-&gt;w2f1[16171]=52
      w=``ἐπισωρεύσουσιν&#39;&#39;<br>
      ERROR: fcount1[16815]=32 r-&gt;w2f1[16816]-r-&gt;w2f1[16815]=30
      w=``ἐνυβρίσας&#39;&#39;<br>
      ERROR: fcount1[16816]=50 r-&gt;w2f1[16817]-r-&gt;w2f1[16816]=52
      w=``Ἀναμιμνῄσκεσθε&#39;&#39;<br>
      ERROR: fcount1[17621]=40 r-&gt;w2f1[17622]-r-&gt;w2f1[17621]=42
      w=``ἀπεσταλμένα&#39;&#39;<br>
      ERROR: fcount1[17622]=56 r-&gt;w2f1[17623]-r-&gt;w2f1[17622]=54
      w=``εἴκοσι τέσσαρες&#39;&#39;<br>
      ERROR: fcount1[17793]=28 r-&gt;w2f1[17794]-r-&gt;w2f1[17793]=29
      w=``μάρτυσίν&#39;&#39;<br>
      ERROR: fcount1[17794]=93 r-&gt;w2f1[17795]-r-&gt;w2f1[17794]=92
      w=``χιλίας διακοσίας ἑξήκοντα&#39;&#39;<br>
      ERROR: fcount1[17937]=24 r-&gt;w2f1[17938]-r-&gt;w2f1[17937]=26
      w=``χαλινῶν&#39;&#39;<br>
      ERROR: fcount1[17938]=60 r-&gt;w2f1[17939]-r-&gt;w2f1[17938]=58
      w=``χιλίων ἑξακοσίων&#39;&#39;<br>
      ERROR: fcount1[17967]=36 r-&gt;w2f1[17968]-r-&gt;w2f1[17967]=34
      w=``καυματίσαι&#39;&#39;<br>
      ERROR: fcount1[17968]=50 r-&gt;w2f1[17969]-r-&gt;w2f1[17968]=52
      w=``ἐκαυματίσθησαν&#39;&#39;<br>
      <br>
      <br>
      Again, I would be very thankful for help. <br>
      <br>
      Best!<br>
      Ruprecht<br>
      <br>
      <br>
      <br>
      <br>
      <br>
      Am 10.03.2015 um 12:07 schrieb Ruprecht von Waldenfels:<br>
    </div>
    <blockquote type="cite">
      
      <div>Hi Andrew,<br>
        YES! This does solve the problem. I was thinking this setting
        would only concern tokens, not the lemma attribute, but now I
        understand that this was a wrong assumption. Thank you!<br>
        I will now look at the other problem - because that, as it turns
        out, is unrelated. <br>
        Thanks A LOT!<br>
        Ruprecht<br>
        Am 10.03.2015 um 12:02 schrieb Hardie, Andrew:<br>
      </div>
      <blockquote type="cite">
        
        
        
        
        <div>
          <p class="MsoNormal"><span style="font-size:10.0pt;font-family:&quot;Verdana&quot;,&quot;sans-serif&quot;;color:#1f497d">Is

              the context size measured in characters? If so, that would
              explain the problem, since “characters” = bytes still.<u></u><u></u></span></p>
          <p class="MsoNormal"><span style="font-size:10.0pt;font-family:&quot;Verdana&quot;,&quot;sans-serif&quot;;color:#1f497d"><u></u> <u></u></span></p>
          <p class="MsoNormal"><span style="font-size:10.0pt;font-family:&quot;Verdana&quot;,&quot;sans-serif&quot;;color:#1f497d">If

              changing the context width to a given number of words
              fixes the issue, then that is the solution.<u></u><u></u></span></p>
          <p class="MsoNormal"><span style="font-size:10.0pt;font-family:&quot;Verdana&quot;,&quot;sans-serif&quot;;color:#1f497d"><u></u> <u></u></span></p>
          <p class="MsoNormal"><span style="font-size:10.0pt;font-family:&quot;Verdana&quot;,&quot;sans-serif&quot;;color:#1f497d">I
              have been working on a patch to fix this, but have not
              completed it yet.<u></u><u></u></span></p>
          <p class="MsoNormal"><span style="font-size:10.0pt;font-family:&quot;Verdana&quot;,&quot;sans-serif&quot;;color:#1f497d"><u></u> <u></u></span></p>
          <p class="MsoNormal"><span style="font-size:10.0pt;font-family:&quot;Verdana&quot;,&quot;sans-serif&quot;;color:#1f497d">Andrew.<u></u><u></u></span></p>
          <p class="MsoNormal"><span style="font-size:10.0pt;font-family:&quot;Verdana&quot;,&quot;sans-serif&quot;;color:#1f497d"><u></u> <u></u></span></p>
          <div>
            <div style="border:none;border-top:solid #b5c4df 1.0pt;padding:3.0pt 0cm 0cm 0cm">
              <p class="MsoNormal"><b><span style="font-size:10.0pt;font-family:&quot;Tahoma&quot;,&quot;sans-serif&quot;;color:windowtext" lang="EN-US">From:</span></b><span style="font-size:10.0pt;font-family:&quot;Tahoma&quot;,&quot;sans-serif&quot;;color:windowtext" lang="EN-US"> <a href="mailto:cwb-bounces@sslmit.unibo.it" target="_blank">cwb-bounces@sslmit.unibo.it</a>
                  [<a href="mailto:cwb-bounces@sslmit.unibo.it" target="_blank">mailto:cwb-bounces@sslmit.unibo.it</a>]
                  <b>On Behalf Of </b>Ruprecht von Waldenfels<br>
                  <b>Sent:</b> 10 March 2015 09:54<br>
                  <b>To:</b> <a href="mailto:cwb@sslmit.unibo.it" target="_blank">cwb@sslmit.unibo.it</a><br>
                  <b>Subject:</b> [CWB] unicode problems with Greek and
                  OCS<u></u><u></u></span></p>
            </div>
          </div>
          <p class="MsoNormal"><u></u> <u></u></p>
          <p class="MsoNormal" style="margin-bottom:12.0pt">Dear List,<br>
            <br>
            I am using CWB 3.4.8 on 64 bit Ubuntu 14.10.<br>
            After encoding a text in Old Church Slavonic, I get invalid
            UTF-8 character errors; I seem to get them only in sgml mode
            (I also get them during alignment with the Ancient Greek
            translation source, which might be a related problem, but I
            am not sure.)<br>
            <br>
            In order to pinpoint the problem with the Old Church
            Slavonic text, I have reduced the text in question to two
            bible verses. The text can be found here: <a href="http://www.parasolcorpus.org/test.txt" target="_blank">www.parasolcorpus.org/test.txt</a><br>
            <br>
            I encode the corpus with the following commands:<br>
            /opt/CWBUTF8/cwb/utils/cwb-encode -d Data/ntestament_tt -f
            test.txt -R /data/PROIEL/Registry/ntestament_tt -c utf8 -xsB
            -P lemma -P id -P alig -P pos -P tag -S aligVerse:0<br>
            /opt/CWBUTF8/cwb/utils/cwb-makeall -r /data/PROIEL/Registry
            NTESTAMENT_TT<br>
            <br>
            There is no problem in text mode:<br>
            <br>
            <img src="cid:part5.04080207.09060300@gmx.net" height="302" width="653" border="0"><br>
            <br>
            However, in sgml mode, some lemmas get truncated and do not
            contain valid utf8 anymore. For example, the lemma of
            &quot;с҃вщаѩи&quot; is such a token. This problem does NOT appear if I
            search for this token itself, it ONLY and consistently
            appears if I search for a different token and the
            problematic token is in the result set:<br>
            <img src="cid:part6.00010007.00010406@gmx.net" height="397" width="654" border="0"><br>
            <br>
            To sum up: I get the problem only if I search for a
            neighboring token in sgml mode. I don&#39;t get it if I search
            for the token itself, and I don&#39;t get it in text mode. I
            have reduced the problem to w 50-token text, and the problem
            persists.<br>
            <br>
            Any help would be greatly appreciated!<br>
            Best, <br>
            Ruprecht<br>
            <br>
            <br>
            <br>
            <u></u><u></u></p>
        </div>
        <br>
        <fieldset></fieldset>
        <br>
        <pre>_______________________________________________
CWB mailing list
<a href="mailto:CWB@sslmit.unibo.it" target="_blank">CWB@sslmit.unibo.it</a>
<a href="http://devel.sslmit.unibo.it/mailman/listinfo/cwb" target="_blank">http://devel.sslmit.unibo.it/mailman/listinfo/cwb</a>
</pre>
      </blockquote>
      <br>
      <br>
      <fieldset></fieldset>
      <br>
      <pre>_______________________________________________
CWB mailing list
<a href="mailto:CWB@sslmit.unibo.it" target="_blank">CWB@sslmit.unibo.it</a>
<a href="http://devel.sslmit.unibo.it/mailman/listinfo/cwb" target="_blank">http://devel.sslmit.unibo.it/mailman/listinfo/cwb</a>
</pre>
    </blockquote>
    <br>
  </div>

<br>_______________________________________________<br>
CWB mailing list<br>
<a href="mailto:CWB@sslmit.unibo.it">CWB@sslmit.unibo.it</a><br>
<a href="http://devel.sslmit.unibo.it/mailman/listinfo/cwb" target="_blank">http://devel.sslmit.unibo.it/mailman/listinfo/cwb</a><br>
<br></blockquote></div>