Ülke adı eşleştirme ve takma adlar, veri temizliğinin en yanıltıcı başlığıdır; çünkü ilk bakışta basit bir metin karşılaştırması gibi görünür, oysa sonuçları doğrudan kayıtların birleşip birleşmemesini belirler. Aynı ülke, farklı kaynaklardan farklı yazımlarla gelebilir ve bu yazımlar bazen birbirine çok benzer. Bu yazıda yazım çeşitliliğinin nereden geldiğini, karşılaştırmanın hangi sırayla yapılacağını ve benzerlik aramasının nerede zarar verdiğini ele alıyoruz.
Aynı ülkenin adı neden birden çok biçimde gelir?
Yazım çeşitliliği rastgele değildir; her biçimin kendi kaynağı ve kendi amacı vardır. Bu kaynakları tanımak, hangi biçimin hangisiyle eşleşmesi gerektiğine karar vermeyi kolaylaştırır.
| Yazım biçimi | Nereden gelir | Neden farklıdır |
|---|---|---|
| Resmî uzun ad | Belge ve sözleşme metinleri | Kısaltılmadan yazılır |
| Yaygın kısa ad | Günlük kullanım ve arayüzler | Uzun adın kısaltılmışı |
| Yerel dilde ad | O ülkedeki yayınlar | Çeviri değil, özgün ad |
| Tarihsel ad | Eski kayıtlar ve arşivler | Ad sonradan değişmiştir |
| Yazı çevrimi biçimi | Farklı alfabelerden aktarım | Aynı ses, farklı harfler |
| Kısaltma | Listeler ve tablolar | Yer kazanmak için kısalır |
Bu biçimlerin hepsi aynı ülkeyi anlatır ama hiçbiri diğerinin yerine geçmez. Bir biçimi diğerine çevirmek yerine, hepsini aynı kayda bağlamak gerekir.
Çeşitliliğin bir kısmı da dilden bağımsızdır. Bir ülkenin adı başka bir dile geçerken harf düşebilir, harf eklenebilir ya da vurgu işaretleri kaybolabilir. Bu tür farklar hata değildir; sadece aynı adın farklı alfabelerdeki karşılığıdır.
Ad çeşitliliğinin daha geniş bir çerçevede nasıl ele alındığını dile göre ad verisi yazısında bulabilirsiniz.
Önce kanonik adı seçmek neden şart?
Eşleştirmeden önce her ülke için tek bir kanonik ad belirlemek gerekir. Kanonik ad, sistemin içinde kullanılan tek referanstır; diğer bütün yazımlar bu ada bağlanır. Kanonik ad seçilmeden yapılan eşleştirme, her yeni kaynakta yeniden başlar ve hiçbir zaman oturmaz.
Kanonik adı seçerken ölçütü yazılı tutun. Hangi kaynağın esas alındığı, adın hangi dilde tutulduğu ve uzun mu kısa mı biçimin kullanıldığı bu ölçütün parçalarıdır. Ölçüt yazılı olduğunda, yeni bir kaynak eklendiğinde aynı kural uygulanır ve tutarlılık korunur.
Kanonik ad, kullanıcıya gösterilen ad olmak zorunda değildir. Sistem içindeki referans ile ekranda görünen metin ayrı tutulabilir; bu ayrım, aynı kaydın farklı dillerde doğru görünmesini sağlar.
Kanonik adı bir koda bağlamak, karşılaştırmayı büsbütün kolaylaştırır. Ad serbest metin olarak kaldığı sürece her karşılaştırma bir yorum içerir; kod ise yoruma yer bırakmaz. Bu yüzden saklanan değer ad değil, kod olmalıdır.
Büyük küçük harf ve aksan işaretleri hangi sırada ele alınır?
Bu iki işlem sırası, sonucu doğrudan değiştirir. Yanlış sırayla yapıldığında, aynı ülkenin iki yazımı eşleşmez ya da farklı iki yer aynı ada dönüşür.
Önce metni ortak bir biçime getirin. Görünür farklar olan fazladan boşluk, kesme işareti ve benzeri işaretler bu aşamada sadeleşir. Bu adım, karşılaştırmanın temelini oluşturur; çünkü çoğu uyuşmazlık anlam farkından değil, yazım gürültüsünden doğar.
Sonra harf işaretlerini ele alın. Aksan ve benzeri işaretleri kaldırmak, birçok uyuşmazlığı çözer ama bazı dillerde iki ayrı harfi birbirine karıştırma riski taşır. Bu risk, karşılaştırmayı yaparken hangi alfabelerin işaret kullandığını bilmeyi gerektirir.
Üçüncü adım, harf büyüklüğünü tek biçime indirmektir. Bazı dillerde büyük harfe çevirme işlemi, bir harfi iki ayrı karaktere dönüştürür; bu yüzden dönüşüm yapıldıktan sonra uzunluk kontrolü yapmak gerekir. Aksi halde bir harf sessizce ikiye ayrılır ve hiçbir kayıtla eşleşmez.
Bu üç adımın sonucu, karşılaştırılan biçimdir; gösterilen biçim değildir. Karşılaştırma için sadeleştirme yapılır, gösterim için özgün metin korunur. İki biçimi karıştırmak, kullanıcıya bozuk görünen adlar göstermenin en yaygın yoludur.
Benzerlik araması hangi durumda zarar verir?
Benzerlik araması, yazımı yakın kayıtları bulmak için yararlıdır; ama tek başına bir eşleştirme kuralı olarak kullanıldığında yanlış birleştirmeler üretir. Birbirine benzeyen iki farklı yer, bu yöntemle aynı kayda indirilebilir ve bu hata geri alınması zor bir veri bozulmasına yol açar.
Yanlış birleştirmenin sonucu, tek bir kaydın iki farklı yeri temsil etmesidir. Bu kayıt hangi alanı taşıyacağını bilemez; bir yerin değeri diğerine geçer ve sonuçta hiçbir yer doğru görünmez. Üstelik birleşme sessizce olduğu için hatayı fark etmek çok zordur.
Bir diğer risk, yazımı yakın ama gerçekten farklı olan adların silinmesidir. Benzerlik ölçütü bütün eşleşmeleri tek bir kayda yönlendirirse, kullanıcı aradığı yeri bulamaz ve sonucun neden boş olduğunu anlayamaz.
Bu yüzden benzerlik araması bir karar verici değil, bir öneri üretici olarak kullanılmalıdır. Yöntem birkaç aday bulur, kararı ise ya kural ya da kullanıcı verir. Aday gösterme, yanlış birleştirmeden hem daha güvenli hem de daha açıklanabilir bir yoldur.
Benzerlik aramasının hangi alanlarda daha riskli olduğunu, ad kısalığı arttıkça görebilirsiniz. Kısa adlarda bir harf farkı, anlamı büsbütün değiştirir; bu yüzden kısa adlar için ek doğrulama gerekir.
Görünen ad ile saklanan anahtar neden ayrılmalı?
Bu ayrım, çok dilli bir yapıda en çok işe yarayan karardır. Saklanan anahtar kararlı olmalıdır; görünen ad ise dile ve bağlama göre değişebilmelidir.
Saklanan anahtar, ülke kodudur. Kod kısa, kararlı ve dilden bağımsızdır; aynı kaydı bütün dillerde tek biçimde temsil eder. Ad metnini anahtar olarak kullanmak ise her dil için ayrı bir kayıt üretir ve bu kayıtları birleştirmek ayrı bir soruna dönüşür.
Görünen ad, kodun üzerinden türetilir. Böylece arayüz dili değiştiğinde ad da değişir ama kayıt aynı kalır. Kullanıcı hangi dilde bakarsa baksın, aynı ülkeye baktığını görür.
Bu ayrımın bir sonucu da şudur: ad metni arama için kullanılacaksa, arama kodu değil adı hedefler. Kullanıcı kod bilmez, ad bilir; arama katmanı adı kabul edip koda çevirmelidir. Bu çeviri, takma adların devreye girdiği yerdir.
Takma adlar bu yüzden anahtar değil, koda giden bir yol olarak saklanır. Bir takma ad, tek bir koda bağlanır; bir kod ise birçok takma ad taşıyabilir. Yapı bu yönde kurulduğunda hem arama çalışır hem de veri tutarlı kalır.
Geliştiriciler için: takma ad tablosunu denetlenebilir tutmak
Takma ad listesi, zamanla büyüyen ve kolayca dağılan bir yapıdır. Denetlenebilir kalması için her satırın kaynağını ve gerekçesini taşıması gerekir.
Her takma ad için hangi koda bağlandığını ve nereden geldiğini yazın. Bu iki bilgi, listeyi inceleyen kişinin satırı tek başına değerlendirmesini sağlar. Kaynağı belirsiz bir takma ad, yanlış bir eşleştirmeyi fark edilmeden taşır.
Aynı takma adı iki farklı koda bağlamayı engelleyin. Bu, benzerlik aramasının en sık ürettiği hatadır ve takma ad tablosunun kendisi tarafından yakalanabilir. Kural, listeye ekleme anında uygulanırsa hata veriye hiç girmez.
Listeyi dilden bağımsız tutun. Bir dile özgü yazımı, o dilin kuralına bağlamak yerine doğrudan listeye yazın. Böylece yeni bir dil eklendiğinde kurallar değişmez, yalnızca liste büyür.
Son olarak, eşleştirmeyi testlerle sabitleyin. Testler hem takma adların doğru koda gittiğini hem de benzeyen ama farklı olan adların karışmadığını göstermelidir. İkinci grup testler, sistemin en çok ihtiyaç duyduğu ama en kolay unutulan kısmıdır.
Sonraki adımlar
Ülke seçim alanında arama ve sıralamanın nasıl davrandığını ülke seçim alanı testi yazısında, ad ile dilin birbirine karıştırıldığı durumları ise ülke ve dil aynı değildir yazısında ele alıyoruz. Farklı dillerdeki ülke adlarını karşılaştırmak için sitemizdeki ülke ve bölge dizini sayfasını kullanabilirsiniz.
Bu yazıdaki ülke adı biçimleri, takma ad satırları ve benzerlik örnekleri yalnızca ayrımı göstermek için üretilmiş kurgusal örneklerdir; gerçek bir ülkenin resmî adı, kısaltması ya da tarihsel adı olarak alınmamalıdır.