====== Segmentace nového českého textu ======

Tento návod popisuje, jak nasegmentovat na věty **český** text, který se teprve pořizuje a není dosud s ničím zarovnán.
Text dostaneme v //jednoduchém// ''XML'', tzn. že jsou vyznačeny pouze odstavce (''<p>'') a řezy písma:<code>
<p>"Ale Julesi," řekla maminka, "vždyť on to jistě řekl z legrace."</p>
<p>"<i>Z legrace </i>?" vykřikl strýc. "To by bylo ještě horší...! Raději chci věřit, že neporozuměl mé otázce."</p>
<p>Obrátil se ke mně.</p>
</code>
Možný problém je, že řezy písma jsou vloženy chybně (přes značky ''<p>'').

Je-li ''XML'' v pořádku, provedeme tuto posloupnost příkazů:
  * Z ''XML'' dostaneme text:<code>xml2standoff.py <soubor>.xml</code>
  * Provedeme tokenizaci a napravíme konce vět:<code>run_tokenizer --tokenizer=czech --output=vertical \
< <soubor>.txt | no_space_after_token_morphanal.pl <soubor>.txt /dev/null | perl -pe 's/^<p>$//' | cut -f1 | cat -s \
> <soubor>.vrt</code>
  * ''VRT'' soubor, který jsme dostali, převedeme zase do ''XML'':<code>vrt2standoff.py <soubor>.vrt
standoff2xml.py <soubor>.txt
perl -i -pe 's:</?w>::g' <soubor>.merged.xml
perl -i -pe 's:(</s>)[ ]*(<s>):$1\n$2:g' <soubor>.merged.xml
</code>