downloader: Wrong speaker identification

[matyaskopp]

Wrong speaker highlight (ps2013)

url: https://www.psp.cz/eknih/2013ps/stenprot/039schuz/s039018.htm

Current result

Problem description

"Ministryně školství, mládeže a tělovýchovy ČR Kateřina Valachová" is not bold and does not have attribute ./a/@id

<p align="justify">
<a href="http://vlada.cz/cz/vlada/">Ministryně školství, mládeže a tělovýchovy ČR Kateřina Valachová</a>: 
Vážený pane předsedající,
<!-- continue -->
</p>

Problem is to distinguish between speaker name and regular hyperlink

Where should be solved

• [x] downloader

Possible solution

• detect keywords?? (/^minist/i, /^posl/, /^před/i, /^sen/)

Originally posted by @matyaskopp in https://github.com/ufal/ParCzech/issues/40#issuecomment-745798477

[matyaskopp]

 grep -ro "<ref[^>]*vlada[^>]*>[^<]*<\/ref>" downloader-tei/ | cut -c 32-| uniq -c
      2 ps2013-050/ps2013-050-07-005-262.xml:<ref source="http://vlada.cz/cz/vlada/">Ministryně školství, mládeže a tělovýchovy ČR Kateřina Valachová</ref>
      3 ps2013-039/ps2013-039-05-001-143.xml:<ref source="http://vlada.cz/cz/vlada/">Ministryně školství, mládeže a tělovýchovy ČR Kateřina Valachová</ref>
      1 ps2013-039/ps2013-039-08-013-017.xml:<ref source="http://vlada.cz/cz/vlada/">Ministryně školství, mládeže a tělovýchovy ČR Kateřina Valachová</ref>
      1 ps2013-039/ps2013-039-05-006-033.xml:<ref source="http://vlada.cz/cz/vlada/">Ministryně školství, mládeže a tělovýchovy ČR Kateřina Valachová</ref>
      1 ps2013-039/ps2013-039-09-009-017.xml:<ref source="http://vlada.cz/cz/vlada/">Ministryně školství, mládeže a tělovýchovy ČR Kateřina Valachová</ref>
      2 ps2013-039/ps2013-039-03-003-202.xml:<ref source="http://vlada.cz/cz/vlada/">Ministryně školství, mládeže a tělovýchovy ČR Kateřina Valachová</ref>
      1 ps2013-039/ps2013-039-01-003-003.xml:<ref source="http://vlada.cz/cz/vlada/">Ministryně školství, mládeže a tělovýchovy ČR Kateřina Valachová</ref>
      3 ps2013-039/ps2013-039-09-008-202.xml:<ref source="http://vlada.cz/cz/vlada/">Ministryně školství, mládeže a tělovýchovy ČR Kateřina Valachová</ref>
      1 ps2013-039/ps2013-039-06-008-202.xml:<ref source="http://vlada.cz/cz/vlada/">Ministryně školství, mládeže a tělovýchovy ČR Kateřina Valachová</ref>
      1 ps2013-039/ps2013-039-06-006-135.xml:<ref source="http://vlada.cz/cz/vlada/">Ministryně školství, mládeže a tělovýchovy ČR Kateřina Valachová</ref>
      1 ps2013-044/ps2013-044-03-012-231.xml:<ref source="http://vlada.cz/cz/vlada/">Ministryně školství, mládeže a tělovýchovy ČR Kateřina Valachová</ref>
      2 ps2013-044/ps2013-044-08-001-160.xml:<ref source="http://vlada.cz/cz/vlada/">Ministryně školství, mládeže a tělovýchovy ČR Kateřina Valachová</ref>
      1 ps2013-033/ps2013-033-03-002-138.xml:<ref source="http://vlada.cz/cz/vlada/">Ministryně školství, mládeže a tělovýchovy ČR Kateřina Valachová</ref>
      3 ps2013-033/ps2013-033-09-001-067.xml:<ref source="http://vlada.cz/cz/vlada/">Ministryně školství, mládeže a tělovýchovy ČR Kateřina Valachová</ref>
...

[matyaskopp]

https://www.psp.cz/eknih/2013ps/stenprot/057schuz/s057087.htm `

Evropská komisařka pro spravedlnost, spotřebitele a rovnost žen a mužů Věra Jourová

`

[matyaskopp]

502d2f4e461f7544ffeca45594ccfce6a22b8283

speaker:

• link to a different domain
• first in paragraph
• followed with a colon