mirror of
https://github.com/explosion/spaCy.git
synced 2024-11-12 04:38:28 +03:00
25 lines
1.7 KiB
Python
25 lines
1.7 KiB
Python
|
# -*- coding: utf-8 -*-
|
|||
|
|
|
|||
|
|
from __future__ import unicode_literals
|
|||
|
|
|
|||
|
|
import pytest
|
|||
|
|
|
|||
|
|
|
|||
|
|
def test_tokenizer_handles_long_text(el_tokenizer):
|
|||
|
|
text = """Η Ελλάδα (παλαιότερα Ελλάς), επίσημα γνωστή ως Ελληνική Δημοκρατία,\
|
|||
|
|
είναι χώρα της νοτιοανατολικής Ευρώπης στο νοτιότερο άκρο της Βαλκανικής χερσονήσου.\
|
|||
|
|
Συνορεύει στα βορειοδυτικά με την Αλβανία, στα βόρεια με την πρώην\
|
|||
|
|
Γιουγκοσλαβική Δημοκρατία της Μακεδονίας και τη Βουλγαρία και στα βορειοανατολικά με την Τουρκία."""
|
|||
|
|
tokens = el_tokenizer(text)
|
|||
|
|
assert len(tokens) == 54
|
|||
|
|
|
|||
|
|
|
|||
|
|
@pytest.mark.parametrize('text,length',[
|
|||
|
|
("Διοικητικά η Ελλάδα διαιρείται σε 13 Περιφέρειες.", 8),
|
|||
|
|
("Η εκπαίδευση στην Ελλάδα χωρίζεται κυρίως σε τρία επίπεδα.", 10),
|
|||
|
|
("Η Ελλάδα είναι μία από τις χώρες της Ευρωπαϊκής Ένωσης (ΕΕ) που διαθέτει σηµαντικό ορυκτό πλούτο.", 19),
|
|||
|
|
("Η ναυτιλία αποτέλεσε ένα σημαντικό στοιχείο της Ελληνικής οικονομικής δραστηριότητας από τα αρχαία χρόνια.", 15),
|
|||
|
|
("Η Ελλάδα είναι μέλος σε αρκετούς διεθνείς οργανισμούς.", 9)])
|
|||
|
|
def test_tokenizer_handles_cnts(el_tokenizer,text, length):
|
|||
|
|
tokens = el_tokenizer(text)
|
|||
|
|
assert len(tokens) == length
|