HTML anchors in French lemmas? #47
Description
There are a number of lemmas in the French wordnet that have # in them, apparently like an HTML anchor:
$ grep -rP --include='wn-data*.tab' 'lemma\t.*#'
wns/fra/wn-data-fra.tab:00074092-n fra:lemma Lapsus#La m.C3.A9canique inconsciente du lapsus
wns/fra/wn-data-fra.tab:01242962-n fra:lemma jeûne#je.c3.bbne politique
wns/fra/wn-data-fra.tab:01242962-n fra:lemma Jeûne#Je.C3.BBne politique
wns/fra/wn-data-fra.tab:01304820-n fra:lemma Guerre de Sept Ans#Le_th.C3.A9.C3.A2tre_d.E2.80.99op.C3.A9rations_am.C3.A9ricain
wns/fra/wn-data-fra.tab:02515560-n fra:lemma cœlacanthe
wns/fra/wn-data-fra.tab:02515713-n fra:lemma cœlacanthe
wns/fra/wn-data-fra.tab:02922798-n fra:lemma jute#toile_de_jute
wns/fra/wn-data-fra.tab:02922798-n fra:lemma Jute#Toile_de_jute
wns/fra/wn-data-fra.tab:03321103-n fra:lemma Turboréacteur#Simple et double flux
wns/fra/wn-data-fra.tab:03321103-n fra:lemma turboréacteur#simple et double flux
wns/fra/wn-data-fra.tab:03321419-n fra:lemma Turboréacteur#Simple et double flux
wns/fra/wn-data-fra.tab:03321419-n fra:lemma turboréacteur#simple et double flux
wns/fra/wn-data-fra.tab:03507963-n fra:lemma moteur#moteur_thermique
wns/fra/wn-data-fra.tab:03507963-n fra:lemma Moteur#Moteur_thermique
wns/fra/wn-data-fra.tab:03510244-n fra:lemma Radiateur#.C3.89changeur_solide.2Fair
wns/fra/wn-data-fra.tab:03510244-n fra:lemma radiateur#.c3.89changeur_solide.2fair
wns/fra/wn-data-fra.tab:03833750-n fra:lemma semi-conducteur#dopage de type n
wns/fra/wn-data-fra.tab:04017993-n fra:lemma semi-conducteur#dopage de type p
wns/fra/wn-data-fra.tab:04445952-n fra:lemma interrupteur#levier
wns/fra/wn-data-fra.tab:04445952-n fra:lemma Interrupteur#Levier
wns/fra/wn-data-fra.tab:06860826-n fra:lemma mode (musique tonale)#mode_majeur
wns/fra/wn-data-fra.tab:06861020-n fra:lemma mode (musique tonale)#mode_mineur
wns/fra/wn-data-fra.tab:07544647-n fra:lemma Affection#G.C3.A9n.C3.A9ralit.C3.A9
wns/fra/wn-data-fra.tab:07544647-n fra:lemma affection#g.c3.a9n.c3.a9ralit.c3.a9
wns/fra/wn-data-fra.tab:07596452-n fra:lemma sucre#les diff.c3.a9rentes formes du sucre
wns/fra/wn-data-fra.tab:07596452-n fra:lemma Sucre#Les diff.C3.A9rentes formes du sucre
wns/fra/wn-data-fra.tab:08020242-n fra:lemma Septembre noir#Le_massacre_de_septembre_1970
wns/fra/wn-data-fra.tab:08085824-n fra:lemma Cardinal (religion)#Le_Coll.C3.A8ge_cardinalice
wns/fra/wn-data-fra.tab:08110648-n fra:lemma espèce#sous-esp.c3.a8ce
wns/fra/wn-data-fra.tab:08110648-n fra:lemma Espèce#Sous-esp.C3.A8ce
wns/fra/wn-data-fra.tab:08327616-n fra:lemma alimentation en grèce antique#les banquets
wns/fra/wn-data-fra.tab:09040998-n fra:lemma Antioche#Histoire
wns/fra/wn-data-fra.tab:09294877-n fra:lemma Grotte#Culture
wns/fra/wn-data-fra.tab:09294877-n fra:lemma grotte#culture
wns/fra/wn-data-fra.tab:09821253-n fra:lemma dispositifs tactiques en football#l'attaque
wns/fra/wn-data-fra.tab:10818088-n fra:lemma André#Sens_et_origine_du_nom
wns/fra/wn-data-fra.tab:10991936-n fra:lemma Gates#Personnalit.C3.A9s
wns/fra/wn-data-fra.tab:11083656-n fra:lemma Christ#Religion
wns/fra/wn-data-fra.tab:13879947-n fra:lemma triangle#triangle_.c3.a9quilat.c3.a9ral
wns/fra/wn-data-fra.tab:13879947-n fra:lemma Triangle#Triangle_.C3.A9quilat.C3.A9ral
wns/fra/wn-data-fra.tab:14187869-n fra:lemma psoriasis#arthrite_psoriatique
wns/fra/wn-data-fra.tab:14187869-n fra:lemma Psoriasis#Arthrite_psoriatique
wns/fra/wn-data-fra.tab:14510401-n fra:lemma monoxyde de carbone#intoxication au monoxyde de carbone
wns/fra/wn-data-fra.tab:14839322-n fra:lemma Alliages d'aluminium pour corroyage#S.C3.A9rie_2000_.28aluminium_cuivre.29
wns/slv/wn-data-slv.tab:02001428-n slv:lemma močvirnikiThe last one for Slovenian and some in French look more like HTML unicode escapes. There also seems to be a lot of redundancy created by upper/lower case initial letters in these examples.
@ekaf, since I don't know French, can you help me verify if the # and everything after can simply be removed? My guess as to a correction is as follows, with the #... stripped, the œ being replaced with œ, and redundant (case-normalized) lemmas for the same synset removed:
00074092-n fra:lemma Lapsus
01242962-n fra:lemma jeûne
01304820-n fra:lemma Guerre de Sept Ans
02515560-n fra:lemma cœlacanthe
02515713-n fra:lemma cœlacanthe
02922798-n fra:lemma jute
03321103-n fra:lemma turboréacteur
03321419-n fra:lemma turboréacteur
03507963-n fra:lemma moteur
03510244-n fra:lemma radiateur
03833750-n fra:lemma semi-conducteur
04017993-n fra:lemma semi-conducteur
04445952-n fra:lemma interrupteur
06860826-n fra:lemma mode (musique tonale)
06861020-n fra:lemma mode (musique tonale)
07544647-n fra:lemma affection
07596452-n fra:lemma sucre
08020242-n fra:lemma Septembre noir
08085824-n fra:lemma Cardinal (religion)
08110648-n fra:lemma espèce
08327616-n fra:lemma alimentation en grèce antique
09040998-n fra:lemma Antioche
09294877-n fra:lemma grotte
09821253-n fra:lemma dispositifs tactiques en football
10818088-n fra:lemma André
10991936-n fra:lemma Gates
11083656-n fra:lemma Christ
13879947-n fra:lemma triangle
14187869-n fra:lemma psoriasis
14510401-n fra:lemma monoxyde de carbone
14839322-n fra:lemma Alliages d'aluminium pour corroyage