mirror of
https://github.com/explosion/spaCy.git
synced 2024-11-15 22:27:12 +03:00
56 lines
2.1 KiB
Python
56 lines
2.1 KiB
Python
|
# coding: utf8
|
|||
|
|
from __future__ import unicode_literals
|
|||
|
|
|
|||
|
|
from ...symbols import ORTH, LEMMA, NORM
|
|||
|
|
|
|||
|
|
_exc = {}
|
|||
|
|
|
|||
|
|
_abbrev_exc = [
|
|||
|
|
# Weekdays abbreviations
|
|||
|
|
{ORTH: "дүй", LEMMA: "дүйшөмбү"},
|
|||
|
|
{ORTH: "шей", LEMMA: "шейшемби"},
|
|||
|
|
{ORTH: "шар", LEMMA: "шаршемби"},
|
|||
|
|
{ORTH: "бей", LEMMA: "бейшемби"},
|
|||
|
|
{ORTH: "жум", LEMMA: "жума"},
|
|||
|
|
{ORTH: "ишм", LEMMA: "ишемби"},
|
|||
|
|
{ORTH: "жек", LEMMA: "жекшемби"},
|
|||
|
|
# Months abbreviations
|
|||
|
|
{ORTH: "янв", LEMMA: "январь"},
|
|||
|
|
{ORTH: "фев", LEMMA: "февраль"},
|
|||
|
|
{ORTH: "мар", LEMMA: "март"},
|
|||
|
|
{ORTH: "апр", LEMMA: "апрель"},
|
|||
|
|
{ORTH: "июн", LEMMA: "июнь"},
|
|||
|
|
{ORTH: "июл", LEMMA: "июль"},
|
|||
|
|
{ORTH: "авг", LEMMA: "август"},
|
|||
|
|
{ORTH: "сен", LEMMA: "сентябрь"},
|
|||
|
|
{ORTH: "окт", LEMMA: "октябрь"},
|
|||
|
|
{ORTH: "ноя", LEMMA: "ноябрь"},
|
|||
|
|
{ORTH: "дек", LEMMA: "декабрь"},
|
|||
|
|
# Number abbreviations
|
|||
|
|
{ORTH: "млрд", LEMMA: "миллиард"},
|
|||
|
|
{ORTH: "млн", LEMMA: "миллион"},
|
|||
|
|
]
|
|||
|
|
|
|||
|
|
for abbr in _abbrev_exc:
|
|||
|
|
for orth in (abbr[ORTH], abbr[ORTH].capitalize(), abbr[ORTH].upper()):
|
|||
|
|
_exc[orth] = [{ORTH: orth, LEMMA: abbr[LEMMA], NORM: abbr[LEMMA]}]
|
|||
|
|
_exc[orth + "."] = [{ORTH: orth + ".", LEMMA: abbr[LEMMA], NORM: abbr[LEMMA]}]
|
|||
|
|
|
|||
|
|
for exc_data in [ # "etc." abbreviations
|
|||
|
|
{ORTH: "ж.б.у.с.", NORM: "жана башка ушул сыяктуу"},
|
|||
|
|
{ORTH: "ж.б.", NORM: "жана башка"},
|
|||
|
|
{ORTH: "ж.", NORM: "жыл"},
|
|||
|
|
{ORTH: "б.з.ч.", NORM: "биздин заманга чейин"},
|
|||
|
|
{ORTH: "б.з.", NORM: "биздин заман"},
|
|||
|
|
{ORTH: "кк.", NORM: "кылымдар"},
|
|||
|
|
{ORTH: "жж.", NORM: "жылдар"},
|
|||
|
|
{ORTH: "к.", NORM: "кылым"},
|
|||
|
|
{ORTH: "көч.", NORM: "көчөсү"},
|
|||
|
|
{ORTH: "м-н", NORM: "менен"},
|
|||
|
|
{ORTH: "б-ча", NORM: "боюнча"},
|
|||
|
|
]:
|
|||
|
|
exc_data[LEMMA] = exc_data[NORM]
|
|||
|
|
_exc[exc_data[ORTH]] = [exc_data]
|
|||
|
|
|
|||
|
|
TOKENIZER_EXCEPTIONS = _exc
|