mirror of
https://github.com/explosion/spaCy.git
synced 2024-12-26 18:06:29 +03:00
165 lines
3.1 KiB
Python
165 lines
3.1 KiB
Python
|
# coding: utf8
|
|||
|
from __future__ import unicode_literals
|
|||
|
|
|||
|
import itertools
|
|||
|
|
|||
|
from ..char_classes import LIST_PUNCT, LIST_ELLIPSES, LIST_QUOTES, LIST_CURRENCY
|
|||
|
from ..char_classes import LIST_ICONS, CURRENCY
|
|||
|
from ..char_classes import CONCAT_QUOTES, ALPHA_LOWER, ALPHA_UPPER, ALPHA, PUNCT
|
|||
|
|
|||
|
|
|||
|
_list_icons = [x for x in LIST_ICONS if x != "°"]
|
|||
|
_list_icons = [x.replace("\\u00B0", "") for x in _list_icons]
|
|||
|
|
|||
|
|
|||
|
_ro_variants = {
|
|||
|
"Ă": ["Ă", "A"],
|
|||
|
"Â": ["Â", "A"],
|
|||
|
"Î": ["Î", "I"],
|
|||
|
"Ș": ["Ș", "Ş", "S"],
|
|||
|
"Ț": ["Ț", "Ţ", "T"],
|
|||
|
}
|
|||
|
|
|||
|
|
|||
|
def _make_ro_variants(tokens):
|
|||
|
variants = []
|
|||
|
for token in tokens:
|
|||
|
upper_token = token.upper()
|
|||
|
upper_char_variants = [_ro_variants.get(c, [c]) for c in upper_token]
|
|||
|
upper_variants = ["".join(x) for x in itertools.product(*upper_char_variants)]
|
|||
|
for variant in upper_variants:
|
|||
|
variants.extend([variant, variant.lower(), variant.title()])
|
|||
|
return sorted(list(set(variants)))
|
|||
|
|
|||
|
|
|||
|
# UD_Romanian-RRT closed class prefixes
|
|||
|
# POS: ADP|AUX|CCONJ|DET|NUM|PART|PRON|SCONJ
|
|||
|
_ud_rrt_prefixes = [
|
|||
|
"a-",
|
|||
|
"c-",
|
|||
|
"ce-",
|
|||
|
"cu-",
|
|||
|
"d-",
|
|||
|
"de-",
|
|||
|
"dintr-",
|
|||
|
"e-",
|
|||
|
"făr-",
|
|||
|
"i-",
|
|||
|
"l-",
|
|||
|
"le-",
|
|||
|
"m-",
|
|||
|
"mi-",
|
|||
|
"n-",
|
|||
|
"ne-",
|
|||
|
"p-",
|
|||
|
"pe-",
|
|||
|
"prim-",
|
|||
|
"printr-",
|
|||
|
"s-",
|
|||
|
"se-",
|
|||
|
"te-",
|
|||
|
"v-",
|
|||
|
"într-",
|
|||
|
"ș-",
|
|||
|
"și-",
|
|||
|
"ți-",
|
|||
|
]
|
|||
|
_ud_rrt_prefix_variants = _make_ro_variants(_ud_rrt_prefixes)
|
|||
|
|
|||
|
|
|||
|
# UD_Romanian-RRT closed class suffixes without NUM
|
|||
|
# POS: ADP|AUX|CCONJ|DET|PART|PRON|SCONJ
|
|||
|
_ud_rrt_suffixes = [
|
|||
|
"-a",
|
|||
|
"-aceasta",
|
|||
|
"-ai",
|
|||
|
"-al",
|
|||
|
"-ale",
|
|||
|
"-alta",
|
|||
|
"-am",
|
|||
|
"-ar",
|
|||
|
"-astea",
|
|||
|
"-atâta",
|
|||
|
"-au",
|
|||
|
"-aș",
|
|||
|
"-ați",
|
|||
|
"-i",
|
|||
|
"-ilor",
|
|||
|
"-l",
|
|||
|
"-le",
|
|||
|
"-lea",
|
|||
|
"-mea",
|
|||
|
"-meu",
|
|||
|
"-mi",
|
|||
|
"-mă",
|
|||
|
"-n",
|
|||
|
"-ndărătul",
|
|||
|
"-ne",
|
|||
|
"-o",
|
|||
|
"-oi",
|
|||
|
"-or",
|
|||
|
"-s",
|
|||
|
"-se",
|
|||
|
"-si",
|
|||
|
"-te",
|
|||
|
"-ul",
|
|||
|
"-ului",
|
|||
|
"-un",
|
|||
|
"-uri",
|
|||
|
"-urile",
|
|||
|
"-urilor",
|
|||
|
"-veți",
|
|||
|
"-vă",
|
|||
|
"-ăștia",
|
|||
|
"-și",
|
|||
|
"-ți",
|
|||
|
]
|
|||
|
_ud_rrt_suffix_variants = _make_ro_variants(_ud_rrt_suffixes)
|
|||
|
|
|||
|
|
|||
|
_prefixes = (
|
|||
|
["§", "%", "=", "—", "–", r"\+(?![0-9])"]
|
|||
|
+ _ud_rrt_prefix_variants
|
|||
|
+ LIST_PUNCT
|
|||
|
+ LIST_ELLIPSES
|
|||
|
+ LIST_QUOTES
|
|||
|
+ LIST_CURRENCY
|
|||
|
+ LIST_ICONS
|
|||
|
)
|
|||
|
|
|||
|
|
|||
|
_suffixes = (
|
|||
|
_ud_rrt_suffix_variants
|
|||
|
+ LIST_PUNCT
|
|||
|
+ LIST_ELLIPSES
|
|||
|
+ LIST_QUOTES
|
|||
|
+ _list_icons
|
|||
|
+ ["—", "–"]
|
|||
|
+ [
|
|||
|
r"(?<=[0-9])\+",
|
|||
|
r"(?<=°[FfCcKk])\.",
|
|||
|
r"(?<=[0-9])(?:{c})".format(c=CURRENCY),
|
|||
|
r"(?<=[0-9{al}{e}{p}(?:{q})])\.".format(
|
|||
|
al=ALPHA_LOWER, e=r"%²\-\+", q=CONCAT_QUOTES, p=PUNCT
|
|||
|
),
|
|||
|
r"(?<=[{au}][{au}])\.".format(au=ALPHA_UPPER),
|
|||
|
]
|
|||
|
)
|
|||
|
|
|||
|
_infixes = (
|
|||
|
LIST_ELLIPSES
|
|||
|
+ _list_icons
|
|||
|
+ [
|
|||
|
r"(?<=[0-9])[+\*^](?=[0-9-])",
|
|||
|
r"(?<=[{al}{q}])\.(?=[{au}{q}])".format(
|
|||
|
al=ALPHA_LOWER, au=ALPHA_UPPER, q=CONCAT_QUOTES
|
|||
|
),
|
|||
|
r"(?<=[{a}]),(?=[{a}])".format(a=ALPHA),
|
|||
|
r"(?<=[{a}0-9])[:<>=](?=[{a}])".format(a=ALPHA),
|
|||
|
]
|
|||
|
)
|
|||
|
|
|||
|
TOKENIZER_PREFIXES = _prefixes
|
|||
|
TOKENIZER_SUFFIXES = _suffixes
|
|||
|
TOKENIZER_INFIXES = _infixes
|