Größe

Die Anzahl der Sätze wurde bereits in Tabelle auf Seite angegeben. Die Segmentanzahlen ergeben sich aus den Zeilensummen in der Tabelle . Die Summen sind 57599, 101828 und 33377 für die Teilkorpora ,,DE-News``, ,,EU`` und ,,Harry Potter``.

Tabelle: Anzahl der Zeichen in den verwendeten Korpora

Korpus	Deutsch	Englisch	Verhältnis	Ausgangssprache
DE-News	7045756	6502884	1,08	Deustch
EU	24167152	21050021	1,15	unbekannt
Harry Potter	3055845	2675042	1,14	Englisch
Gesamt	34268753	30227947	1,13	--

Tabelle: Anzahl der Wörter in den verwendeten Korpora

Korpus	Deutsch	Englisch	Verhältnis	Ausgangssprache
DE-News	884130	1026389	0,86	Deustch
EU	2992002	3166040	0,95	unbekannt
Harry Potter	475189	464690	1,02	Englisch
Gesamt	4351321	4657119	0,93	--

Tabelle: Anzahl der Token in den verwendeten Korpora

Korpus	Deutsch	Englisch	Verhältnis	Ausgangssprache
DE-News	961104	1119728	0,86	Deustch
EU	3309335	3493419	0,95	unbekannt
Harry Potter	588905	584117	1,01	Englisch
Gesamt	4859344	5197264	0,93	--

Tabellen bis zeigen analog die Anzahl der Zeichen, Wörter^3.37 und Token. Zeichen und Wörter wurden in den aufbereiten, aber noch nicht tokenisierten Dateien gezählt. Die Zahlen können nicht mit der in der Datenbank vorliegenden Token- und Satzanzahl gleichgesetzt werden, da manche Dokumente nicht vom Aligner verarbeitet werden konnten.^3.38Beim EU-Korpus sind etwa 1,5% der Dateien betroffen, bei den DE-News nur 0,3%. Das Harry-Potter-Korpus konnte vollständig verarbeitet werden.

Fußnoten

... Wörter^3.37

Shell-Kommando wc -wc

... konnten.^3.38

Die eingangs genannten Segmentanzahlen können sich nur auf die vollständig verarbeiteten Dokumente beziehen, da Segmente erst im letzten Verarbeitungsschritt, dem Alignment, gebildet werden.i