2.3 语料的预处理

语料的预处理主要包括格式的统一、各种杂质的清除和中英文语料的分存等。作为中文语料的3个汉译本分别由不同出版社出版，文本格式如字体、段落编排和文档格式等各不相同，加之语料输入方法不同，语料格式问题十分突出。为此，我们首先确保3个汉译文本格式的一致。应当指出，直接从网上下载的语料，往往有多余的空格及空行、断行、多余的语言符号，以及不必要的一些图形或符号等。这些杂质对于研究而言没有什么实质意义，直接影响着英汉语料平行的质量。为去掉语料中多余的空行，我们采用word的替换功能，打开编辑菜单的“替换”对话框。在“查找内容”的输入框中单击“高级”按钮，选择特殊字符“段落标记”两次，这时输入框中会显示“ p”，然后在“替换为”输入框中用上面所提的方法插入一个段落标记，即一个“^p”，再点击“全部替换”，多余空行会被删除。至于空格的删除，我们采用替换功能把要删除的空格复制一行粘贴于“要替换的内容”里，下面“替换为”保持空，并按“全部替换”，便可删除多余的空格。另外，上述莎剧汉译本均附有数量不等的注释，与研究内容没有多大关联，我们均将它们删除。

在输入并校对语料，清除杂质，统一语料格式之后，我们将每部莎剧的中英文语料分存，分存的每个文件均以英语命名，以便于文件的查询和加载。文件名需交代戏剧名称和语言载体等信息，中文语料的文件名还需说明译者的姓名，如：戏剧《李尔王》英文语料文件名为King Lear_en.txt，中文语料文件名分别为King Lear_cn_liang.txt，King Lear_cn_zhu.txt和King Lear_cn_fang.txt。en意即“英语”，cn表示“汉语”，分别注明文本语言是英语还是汉语。liang，zhu和fang分别表示汉语语料的译者为梁实秋、朱生豪和方平。