mirror of
https://github.com/explosion/spaCy.git
synced 2024-09-22 03:49:17 +03:00
45 lines
1.5 KiB
Python
45 lines
1.5 KiB
Python
|
# coding: utf-8
|
|||
|
|
from __future__ import unicode_literals
|
|||
|
|
|
|||
|
|
import pytest
|
|||
|
|
|
|||
|
|
|
|||
|
|
def test_lt_tokenizer_handles_long_text(lt_tokenizer):
|
|||
|
|
text = """Tokios sausros kriterijus atitinka pirmadienį atlikti skaičiavimai, palyginus faktinį ir žemiausią
|
|||
|
|
vidutinį daugiametį vandens lygį. Nustatyta, kad iš 48 šalies vandens matavimo stočių 28-iose stotyse vandens lygis
|
|||
|
|
yra žemesnis arba lygus žemiausiam vidutiniam daugiamečiam šiltojo laikotarpio vandens lygiui."""
|
|||
|
|
tokens = lt_tokenizer(text.replace("\n", ""))
|
|||
|
|
assert len(tokens) == 42
|
|||
|
|
|
|||
|
|
|
|||
|
|
@pytest.mark.parametrize('text,length', [
|
|||
|
|
("177R Parodų rūmai–Ozo g. nuo vasario 18 d. bus skelbiamas interneto tinklalapyje.", 15),
|
|||
|
|
("ISM universiteto doc. dr. Ieva Augutytė-Kvedaravičienė pastebi, kad tyrimais nustatyti elgesio pokyčiai.", 16)])
|
|||
|
|
def test_lt_tokenizer_handles_punct_abbrev(lt_tokenizer, text, length):
|
|||
|
|
tokens = lt_tokenizer(text)
|
|||
|
|
assert len(tokens) == length
|
|||
|
|
|
|||
|
|
|
|||
|
|
@pytest.mark.parametrize("text", ["km.", "pvz.", "biol."])
|
|||
|
|
def test_lt_tokenizer_abbrev_exceptions(lt_tokenizer, text):
|
|||
|
|
tokens = lt_tokenizer(text)
|
|||
|
|
assert len(tokens) == 1
|
|||
|
|
|
|||
|
|
|
|||
|
|
@pytest.mark.parametrize("text,match", [
|
|||
|
|
("10", True),
|
|||
|
|
("1", True),
|
|||
|
|
("10,000", True),
|
|||
|
|
("10,00", True),
|
|||
|
|
("999.0", True),
|
|||
|
|
("vienas", True),
|
|||
|
|
("du", True),
|
|||
|
|
("milijardas", True),
|
|||
|
|
("šuo", False),
|
|||
|
|
(",", False),
|
|||
|
|
("1/2", True)])
|
|||
|
|
def test_lt_lex_attrs_like_number(lt_tokenizer, text, match):
|
|||
|
|
tokens = lt_tokenizer(text)
|
|||
|
|
assert len(tokens) == 1
|
|||
|
|
assert tokens[0].like_num == match
|