diff --git a/spacy/lang/da/tokenizer_exceptions.py b/spacy/lang/da/tokenizer_exceptions.py index 303d41158..268fa6253 100644 --- a/spacy/lang/da/tokenizer_exceptions.py +++ b/spacy/lang/da/tokenizer_exceptions.py @@ -1,4 +1,9 @@ # encoding: utf8 +""" +Tokenizer Exceptions. +Source: https://forkortelse.dk/ and various others. +""" + from __future__ import unicode_literals from ...symbols import ORTH, LEMMA, NORM, TAG, ADP, PUNCT @@ -23,9 +28,66 @@ for exc_data in [ _exc[exc_data[ORTH]] = [exc_data] for orth in [ - "A/S", "beg.", "bl.a.", "ca.", "d.s.s.", "dvs.", "f.eks.", "fr.", "hhv.", - "if.", "iflg.", "m.a.o.", "mht.", "min.", "osv.", "pga.", "resp.", "self.", - "t.o.m.", "vha.", ""]: + "A.D.", "A/S", "aarh.", "ac.", "adj.", "adr.", "adsk.", "adv.", "afb.", + "afd.", "afg.", "afk.", "afs.", "aht.", "alg.", "alk.", "alm.", "amer.", + "ang.", "ank.", "anl.", "anv.", "arb.", "arr.", "att.", "B.C.", "bd.", + "bdt.", "beg.", "begr.", "beh.", "bet.", "bev.", "bhk.", "bib.", + "bibl.", "bidr.", "bildl.", "bill.", "bio.", "biol.", "bk.", "BK.", + "bl.", "bl.a.", "borgm.", "bot.", "Boul.", "br.", "brolægn.", "bto.", + "bygn.", "ca.", "cand.", "Chr.", "d.", "d.d.", "d.m.", "d.s.", "d.s.s.", + "d.y.", "d.å.", "d.æ.", "da.", "dagl.", "dat.", "dav.", "def.", "dek.", + "dep.", "desl.", "diam.", "dir.", "disp.", "distr.", "div.", "dkr.", + "dl.", "do.", "dobb.", "Dr.", "dr.h.c", "Dronn.", "ds.", "dvs.", "e.b.", + "e.l.", "e.o.", "e.v.t.", "eftf.", "eftm.", "eg.", "egl.", "eks.", + "eksam.", "ekskl.", "eksp.", "ekspl.", "el.", "el.lign.", "emer.", + "endv.", "eng.", "enk.", "etc.", "etym.", "eur.", "evt.", "exam.", "f.", + "f.eks.", "f.m.", "f.n.", "f.o.", "f.o.m.", "f.s.v.", "f.t.", "f.v.t.", + "f.å.", "fa.", "fakt.", "fam.", "fem.", "ff.", "fg.", "fhv.", "fig.", + "filol.", "filos.", "fl.", "flg.", "fm.", "fmd.", "fol.", "forb.", + "foreg.", "foren.", "forf.", "fork.", "form.", "forr.", "fors.", + "forsk.", "forts.", "fr.", "fr.u.", "frk.", "fsva.", "fuldm.", "fung.", + "fx.", "fys.", "fær.", "g.d.", "g.m.", "gd.", "gdr.", "genuds.", "gl.", + "gn.", "gns.", "gr.", "grdl.", "gross.", "h.a.", "h.c.", "H.K.H.", + "H.M.", "hdl.", "henv.", "Hf.", "hhv.", "hj.hj.", "hj.spl.", "hort.", + "hosp.", "hpl.", "Hr.", "hr.", "hrs.", "hum.", "hvp.", "i/s", "I/S", + "i.e.", "ib.", "id.", "if.", "iflg.", "ifm.", "ift.", "iht.", "ill.", + "indb.", "indreg.", "inf.", "ing.", "inh.", "inj.", "inkl.", "insp.", + "instr.", "isl.", "istf.", "it.", "ital.", "iv.", "jap.", "jf.", "jfr.", + "jnr.", "j.nr.", "jr.", "jur.", "jvf.", "K.", "kap.", "kat.", "kbh.", + "kem.", "kgl.", "kl.", "kld.", "knsp.", "komm.", "kons.", "korr.", + "kp.", "Kprs.", "kr.", "kst.", "kt.", "ktr.", "kv.", "kvt.", "l.", + "L.A.", "l.c.", "lab.", "lat.", "lb.m.", "lb.nr.", "lejl.", "lgd.", + "lic.", "lign.", "lin.", "ling.merc.", "litt.", "Ll.", "loc.cit.", + "lok.", "lrs.", "ltr.", "m/s", "M/S", "m.a.o.", "m.fl.", "m.m.", "m.v.", + "m.v.h.", "Mag.", "maks.", "md.", "mdr.", "mdtl.", "mezz.", "mfl.", + "m.h.p.", "m.h.t", "mht.", "mik.", "min.", "mio.", "modt.", "Mr.", + "mrk.", "mul.", "mv.", "n.br.", "n.f.", "nat.", "nb.", "Ndr.", + "nedenst.", "nl.", "nr.", "Nr.", "nto.", "nuv.", "o/m", "o.a.", "o.fl.", + "o.h.", "o.l.", "o.lign.", "o.m.a.", "o.s.fr.", "obl.", "obs.", + "odont.", "oecon.", "off.", "ofl.", "omg.", "omkr.", "omr.", "omtr.", + "opg.", "opl.", "opr.", "org.", "orig.", "osv.", "ovenst.", "overs.", + "ovf.", "p.", "p.a.", "p.b.a", "p.b.v", "p.c.", "p.m.", "p.m.v.", + "p.n.", "p.p.", "p.p.s.", "p.s.", "p.t.", "p.v.a.", "p.v.c.", "pag.", + "par.", "Pas.", "pass.", "pcs.", "pct.", "pd.", "pens.", "pers.", + "pft.", "pg.", "pga.", "pgl.", "Ph.d.", "pinx.", "pk.", "pkt.", + "polit.", "polyt.", "pos.", "pp.", "ppm.", "pr.", "prc.", "priv.", + "prod.", "prof.", "pron.", "Prs.", "præd.", "præf.", "præt.", "psych.", + "pt.", "pæd.", "q.e.d.", "rad.", "Rcp.", "red.", "ref.", "reg.", + "regn.", "rel.", "rep.", "repr.", "resp.", "rest.", "rm.", "rtg.", + "russ.", "s.", "s.br.", "s.d.", "s.f.", "s.m.b.a.", "s.u.", "s.å.", + "sa.", "sb.", "sc.", "scient.", "scil.", "Sdr.", "sek.", "sekr.", + "self.", "sem.", "sen.", "shj.", "sign.", "sing.", "sj.", "skr.", + "Skt.", "slutn.", "sml.", "smp.", "sms.", "snr.", "soc.", "soc.dem.", + "sort.", "sp.", "spec.", "Spl.", "spm.", "spr.", "spsk.", "statsaut.", + "st.", "stk.", "str.", "stud.", "subj.", "subst.", "suff.", "sup.", + "suppl.", "sv.", "såk.", "sædv.", "sø.", "t/r", "t.", "t.h.", "t.o.", + "t.o.m.", "t.v.", "tab.", "tbl.", "tcp/ip", "td.", "tdl.", "tdr.", + "techn.", "tekn.", "temp.", "th.", "theol.", "ti.", "tidl.", "tilf.", + "tilh.", "till.", "tilsv.", "tjg.", "tkr.", "tlf.", "tlgr.", "to.", + "tr.", "trp.", "tsk.", "tv.", "ty.", "u/b", "udb.", "udbet.", "ugtl.", + "undt.", "v.", "v.f.", "var.", "vb.", "vedk.", "vedl.", "vedr.", + "vejl.", "Vg.", "vh.", "vha.", "vs.", "vsa.", "vær.", "zool.", "ø.lgd.", + "øv.", "øvr.", "årg.", "årh.", ""]: _exc[orth] = [{ORTH: orth}] _custom_base_exc = { diff --git a/spacy/tests/lang/da/test_exceptions.py b/spacy/tests/lang/da/test_exceptions.py index 6d105d718..b11f37085 100644 --- a/spacy/tests/lang/da/test_exceptions.py +++ b/spacy/tests/lang/da/test_exceptions.py @@ -3,7 +3,8 @@ from __future__ import unicode_literals import pytest -@pytest.mark.parametrize('text', ["ca.", "m.a.o.", "Jan.", "Dec."]) +@pytest.mark.parametrize('text', + ["ca.", "m.a.o.", "Jan.", "Dec.", "kr.", "jf."]) def test_da_tokenizer_handles_abbr(da_tokenizer, text): tokens = da_tokenizer(text) assert len(tokens) == 1