Tune Danish tokenizer to more closely match tokenization in Universal Dependencies.

spacy/lang/da/__init__.py

@@ -3,6 +3,7 @@ from __future__ import unicode_literals
 
 from .tokenizer_exceptions import TOKENIZER_EXCEPTIONS
 from .norm_exceptions import NORM_EXCEPTIONS
+from .punctuation import TOKENIZER_INFIXES, TOKENIZER_SUFFIXES
 from .stop_words import STOP_WORDS
 from .lex_attrs import LEX_ATTRS
 from .morph_rules import MORPH_RULES
@@ -23,6 +24,8 @@ class DanishDefaults(Language.Defaults):
                                          BASE_NORMS, NORM_EXCEPTIONS)
     tokenizer_exceptions = update_exc(BASE_EXCEPTIONS, TOKENIZER_EXCEPTIONS)
     morph_rules = MORPH_RULES
+    infixes = TOKENIZER_INFIXES
+    suffixes = TOKENIZER_SUFFIXES
     tag_map = TAG_MAP
     stop_words = STOP_WORDS
 

spacy/lang/da/punctuation.py

@@ -0,0 +1,24 @@
+# coding: utf8
+from __future__ import unicode_literals
+
+from ..char_classes import LIST_ELLIPSES, LIST_ICONS
+from ..char_classes import QUOTES, ALPHA, ALPHA_LOWER, ALPHA_UPPER
+from ..punctuation import TOKENIZER_SUFFIXES
+
+
+_quotes = QUOTES.replace("'", '')
+
+_infixes = (LIST_ELLIPSES + LIST_ICONS +
+            [r'(?<=[{}])\.(?=[{}])'.format(ALPHA_LOWER, ALPHA_UPPER),
+             r'(?<=[{a}])[,!?](?=[{a}])'.format(a=ALPHA),
+             r'(?<=[{a}"])[:<>=](?=[{a}])'.format(a=ALPHA),
+             r'(?<=[{a}]),(?=[{a}])'.format(a=ALPHA),
+             r'(?<=[{a}])([{q}\)\]\(\[])(?=[\{a}])'.format(a=ALPHA, q=_quotes),
+             r'(?<=[{a}])--(?=[{a}])'.format(a=ALPHA)])
+
+_suffixes = [suffix for suffix in TOKENIZER_SUFFIXES if suffix not in ["'s", "'S", "’s", "’S", r"\'"]]
+_suffixes += [r"(?<=[^sSxXzZ])\'"]
+
+
+TOKENIZER_INFIXES = _infixes
+TOKENIZER_SUFFIXES = _suffixes

spacy/lang/da/tokenizer_exceptions.py

@@ -54,81 +54,109 @@ for exc_data in [
         {ORTH: "Lør.", LEMMA: "lørdag"}]:
     _exc[exc_data[ORTH]] = [exc_data]
 
+
+# Specified case only
 for orth in [
-        "A.D.", "A/S", "aarh.", "ac.", "adj.", "adr.", "adsk.", "adv.", "afb.",
+        "diam.", "ib.", "mia.", "mik.", "pers.", "A.D.", "A/S", "B.C.", "BK.",
-        "afd.", "afg.", "afk.", "afs.", "aht.", "alg.", "alk.", "alm.", "amer.",
+        "Dr.", "Boul.", "Chr.", "Dronn.", "H.K.H.", "H.M.", "Hf.", "i/s", "I/S",
-        "ang.", "ank.", "anl.", "anv.", "arb.", "arr.", "att.", "B.C.", "bd.",
+        "Kprs.", "L.A.", "Ll.", "m/s", "M/S", "Mag.", "Mr.", "Ndr.", "Ph.d.",
-        "bdt.", "beg.", "begr.", "beh.", "bet.", "bev.", "bhk.", "bib.",
+        "Prs.", "Rcp.", "Sdr.", "Skt.", "Spl.", "Vg."]:
-        "bibl.", "bidr.", "bildl.", "bill.", "bio.", "biol.", "bk.", "BK.",
+    _exc[orth] = [{ORTH: orth}]
-        "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.",
+for orth in [
-        "dep.", "desl.", "diam.", "dir.", "disp.", "distr.", "div.", "dkr.",
+        "aarh.", "ac.", "adj.", "adr.", "adsk.", "adv.", "afb.", "afd.", "afg.",
-        "dl.", "do.", "dobb.", "Dr.", "dr.h.c", "Dronn.", "ds.", "dvs.", "e.b.",
+        "afk.", "afs.", "aht.", "alg.", "alk.", "alm.", "amer.", "ang.", "ank.",
-        "e.l.", "e.o.", "e.v.t.", "eftf.", "eftm.", "eg.", "egl.", "eks.",
+        "anl.", "anv.", "arb.", "arr.", "att.", "bd.", "bdt.", "beg.", "begr.",
-        "eksam.", "ekskl.", "eksp.", "ekspl.", "el.", "el.lign.", "emer.",
+        "beh.", "bet.", "bev.", "bhk.", "bib.", "bibl.", "bidr.", "bildl.",
-        "endv.", "eng.", "enk.", "etc.", "etym.", "eur.", "evt.", "exam.", "f.",
+        "bill.", "biol.", "bk.", "bl.", "bl.a.", "borgm.", "br.", "brolægn.",
-        "f.eks.", "f.m.", "f.n.", "f.o.", "f.o.m.", "f.s.v.", "f.t.", "f.v.t.",
+        "bto.", "bygn.", "ca.", "cand.", "d.d.", "d.m.", "d.s.", "d.s.s.",
-        "f.å.", "fa.", "fakt.", "fam.", "fem.", "ff.", "fg.", "fhv.", "fig.",
+        "d.y.", "d.å.", "d.æ.", "dagl.", "dat.", "dav.", "def.", "dek.", "dep.",
-        "filol.", "filos.", "fl.", "flg.", "fm.", "fmd.", "fol.", "forb.",
+        "desl.", "dir.", "disp.", "distr.", "div.", "dkr.", "dl.", "do.",
-        "foreg.", "foren.", "forf.", "fork.", "form.", "forr.", "fors.",
+        "dobb.", "dr.h.c", "dr.phil.", "ds.", "dvs.", "e.b.", "e.l.", "e.o.",
+        "e.v.t.", "eftf.", "eftm.", "egl.", "eks.", "eksam.", "ekskl.", "eksp.",
+        "ekspl.", "el.lign.", "emer.", "endv.", "eng.", "enk.", "etc.", "etym.",
+        "eur.", "evt.", "exam.", "f.eks.", "f.m.", "f.n.", "f.o.", "f.o.m.",
+        "f.s.v.", "f.t.", "f.v.t.", "f.å.", "fa.", "fakt.", "fam.", "ff.",
+        "fg.", "fhv.", "fig.", "filol.", "filos.", "fl.", "flg.", "fm.", "fmd.",
+        "fol.", "forb.", "foreg.", "foren.", "forf.", "fork.", "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.",
+        "gn.", "gns.", "gr.", "grdl.", "gross.", "h.a.", "h.c.", "hdl.",
-        "H.M.", "hdl.", "henv.", "Hf.", "hhv.", "hj.hj.", "hj.spl.", "hort.",
+        "henv.", "hhv.", "hj.hj.", "hj.spl.", "hort.", "hosp.", "hpl.", "hr.",
-        "hosp.", "hpl.", "Hr.", "hr.", "hrs.", "hum.", "hvp.", "i/s", "I/S",
+        "hrs.", "hum.", "hvp.", "i.e.", "id.", "if.", "iflg.", "ifm.", "ift.",
-        "i.e.", "ib.", "id.", "if.", "iflg.", "ifm.", "ift.", "iht.", "ill.",
+        "iht.", "ill.", "indb.", "indreg.", "inf.", "ing.", "inh.", "inj.",
-        "indb.", "indreg.", "inf.", "ing.", "inh.", "inj.", "inkl.", "insp.",
+        "inkl.", "insp.", "instr.", "isl.", "istf.", "it.", "ital.", "iv.",
-        "instr.", "isl.", "istf.", "it.", "ital.", "iv.", "jap.", "jf.", "jfr.",
+        "jap.", "jf.", "jfr.", "jnr.", "j.nr.", "jr.", "jur.", "jvf.", "kap.",
-        "jnr.", "j.nr.", "jr.", "jur.", "jvf.", "K.", "kap.", "kat.", "kbh.",
+        "kbh.", "kem.", "kgl.", "kl.", "kld.", "knsp.", "komm.", "kons.",
-        "kem.", "kgl.", "kl.", "kld.", "knsp.", "komm.", "kons.", "korr.",
+        "korr.", "kp.", "kr.", "kst.", "kt.", "ktr.", "kv.", "kvt.", "l.c.",
-        "kp.", "Kprs.", "kr.", "kst.", "kt.", "ktr.", "kv.", "kvt.", "l.",
+        "lab.", "lat.", "lb.m.", "lb.nr.", "lejl.", "lgd.", "lic.", "lign.",
-        "L.A.", "l.c.", "lab.", "lat.", "lb.m.", "lb.nr.", "lejl.", "lgd.",
+        "lin.", "ling.merc.", "litt.", "loc.cit.", "lok.", "lrs.", "ltr.",
-        "lic.", "lign.", "lin.", "ling.merc.", "litt.", "Ll.", "loc.cit.",
+        "m.a.o.", "m.fl.", "m.m.", "m.v.", "m.v.h.", "maks.", "md.", "mdr.",
-        "lok.", "lrs.", "ltr.", "m/s", "M/S", "m.a.o.", "m.fl.", "m.m.", "m.v.",
+        "mdtl.", "mezz.", "mfl.", "m.h.p.", "m.h.t", "mht.", "mill.", "mio.",
-        "m.v.h.", "Mag.", "maks.", "md.", "mdr.", "mdtl.", "mezz.", "mfl.",
+        "modt.", "mrk.", "mul.", "mv.", "n.br.", "n.f.", "nb.", "nedenst.",
-        "m.h.p.", "m.h.t", "mht.", "mik.", "min.", "mio.", "modt.", "Mr.",
+        "nl.", "nr.", "nto.", "nuv.", "o/m", "o.a.", "o.fl.", "o.h.", "o.l.",
-        "mrk.", "mul.", "mv.", "n.br.", "n.f.", "nat.", "nb.", "Ndr.",
+        "o.lign.", "o.m.a.", "o.s.fr.", "obl.", "obs.", "odont.", "oecon.",
-        "nedenst.", "nl.", "nr.", "Nr.", "nto.", "nuv.", "o/m", "o.a.", "o.fl.",
+        "off.", "ofl.", "omg.", "omkr.", "omr.", "omtr.", "opg.", "opl.",
-        "o.h.", "o.l.", "o.lign.", "o.m.a.", "o.s.fr.", "obl.", "obs.",
+        "opr.", "org.", "orig.", "osv.", "ovenst.", "overs.", "ovf.", "p.a.",
-        "odont.", "oecon.", "off.", "ofl.", "omg.", "omkr.", "omr.", "omtr.",
+        "p.b.a", "p.b.v", "p.c.", "p.m.", "p.m.v.", "p.n.", "p.p.", "p.p.s.",
-        "opg.", "opl.", "opr.", "org.", "orig.", "osv.", "ovenst.", "overs.",
+        "p.s.", "p.t.", "p.v.a.", "p.v.c.", "pag.", "pass.", "pcs.", "pct.",
-        "ovf.", "p.", "p.a.", "p.b.a", "p.b.v", "p.c.", "p.m.", "p.m.v.",
+        "pd.", "pens.", "pft.", "pg.", "pga.", "pgl.", "pinx.", "pk.", "pkt.",
-        "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.",
+        "prod.", "prof.", "pron.", "præd.", "præf.", "præt.", "psych.", "pt.",
-        "pt.", "pæd.", "q.e.d.", "rad.", "Rcp.", "red.", "ref.", "reg.",
+        "pæd.", "q.e.d.", "rad.", "red.", "ref.", "reg.", "regn.", "rel.",
-        "regn.", "rel.", "rep.", "repr.", "resp.", "rest.", "rm.", "rtg.",
+        "rep.", "repr.", "resp.", "rest.", "rm.", "rtg.", "russ.", "s.br.",
-        "russ.", "s.", "s.br.", "s.d.", "s.f.", "s.m.b.a.", "s.u.", "s.å.",
+        "s.d.", "s.f.", "s.m.b.a.", "s.u.", "s.å.", "sa.", "sb.", "sc.",
-        "sa.", "sb.", "sc.", "scient.", "scil.", "Sdr.", "sek.", "sekr.",
+        "scient.", "scil.", "sek.", "sekr.", "self.", "sem.", "shj.", "sign.",
-        "self.", "sem.", "sen.", "shj.", "sign.", "sing.", "sj.", "skr.",
+        "sing.", "sj.", "skr.", "slutn.", "sml.", "smp.", "snr.", "soc.",
-        "Skt.", "slutn.", "sml.", "smp.", "sms.", "snr.", "soc.", "soc.dem.",
+        "soc.dem.", "sp.", "spec.", "spm.", "spr.", "spsk.", "statsaut.", "st.",
-        "sort.", "sp.", "spec.", "Spl.", "spm.", "spr.", "spsk.", "statsaut.",
+        "stk.", "str.", "stud.", "subj.", "subst.", "suff.", "sup.", "suppl.",
-        "st.", "stk.", "str.", "stud.", "subj.", "subst.", "suff.", "sup.",
+        "sv.", "såk.", "sædv.", "t/r", "t.h.", "t.o.", "t.o.m.", "t.v.", "tbl.",
-        "suppl.", "sv.", "såk.", "sædv.", "sø.", "t/r", "t.", "t.h.", "t.o.",
+        "tcp/ip", "td.", "tdl.", "tdr.", "techn.", "tekn.", "temp.", "th.",
-        "t.o.m.", "t.v.", "tab.", "tbl.", "tcp/ip", "td.", "tdl.", "tdr.",
+        "theol.", "tidl.", "tilf.", "tilh.", "till.", "tilsv.", "tjg.", "tkr.",
-        "techn.", "tekn.", "temp.", "th.", "theol.", "ti.", "tidl.", "tilf.",
+        "tlf.", "tlgr.", "tr.", "trp.", "tsk.", "tv.", "ty.", "u/b", "udb.",
-        "tilh.", "till.", "tilsv.", "tjg.", "tkr.", "tlf.", "tlgr.", "to.",
+        "udbet.", "ugtl.", "undt.", "v.f.", "vb.", "vedk.", "vedl.", "vedr.",
-        "tr.", "trp.", "tsk.", "tv.", "ty.", "u/b", "udb.", "udbet.", "ugtl.",
+        "vejl.", "vh.", "vha.", "vs.", "vsa.", "vær.", "zool.", "ø.lgd.",
-        "undt.", "v.", "v.f.", "var.", "vb.", "vedk.", "vedl.", "vedr.",
+        "øvr.", "årg.", "årh."]:
-        "vejl.", "Vg.", "vh.", "vha.", "vs.", "vsa.", "vær.", "zool.", "ø.lgd.",
-        "øv.", "øvr.", "årg.", "årh.", ""]:
     _exc[orth] = [{ORTH: orth}]
+    capitalized = orth.capitalize()
+    _exc[capitalized] = [{ORTH: capitalized}]
+
+for exc_data in [
+        {ORTH: "s'gu", LEMMA: "s'gu", NORM: "s'gu"},
+        {ORTH: "S'gu", LEMMA: "s'gu", NORM: "s'gu"},
+        {ORTH: "sgu'", LEMMA: "s'gu", NORM: "s'gu"},
+        {ORTH: "Sgu'", LEMMA: "s'gu", NORM: "s'gu"},
+        {ORTH: "sku'", LEMMA: "skal", NORM: "skulle"},
+        {ORTH: "ku'", LEMMA: "kan", NORM: "kunne"},
+        {ORTH: "Ku'", LEMMA: "kan", NORM: "kunne"},
+        {ORTH: "ka'", LEMMA: "kan", NORM: "kan"},
+        {ORTH: "Ka'", LEMMA: "kan", NORM: "kan"},
+        {ORTH: "gi'", LEMMA: "give", NORM: "giv"},
+        {ORTH: "Gi'", LEMMA: "give", NORM: "giv"},
+        {ORTH: "li'", LEMMA: "lide", NORM: "lide"},
+        {ORTH: "ha'", LEMMA: "have", NORM: "have"},
+        {ORTH: "Ha'", LEMMA: "have", NORM: "have"},
+        {ORTH: "ik'", LEMMA: "ikke", NORM: "ikke"},
+        {ORTH: "Ik'", LEMMA: "ikke", NORM: "ikke"}]:
+    _exc[exc_data[ORTH]] = [exc_data]
+
 
 # Dates
 for h in range(1, 31 + 1):
     for period in ["."]:
-        _exc["%d%s" % (h, period)] = [
+        _exc["%d%s" % (h, period)] = [{ORTH: "%d." % h}]
-            {ORTH: "%d." % h}]
 
 _custom_base_exc = {
-    "i.": [
+    "i.": [{
-        {ORTH: "i", LEMMA: "i", NORM: "i"},
+        ORTH: "i",
-        {ORTH: ".", TAG: PUNCT}]
+        LEMMA: "i",
+        NORM: "i"
+    }, {
+        ORTH: ".",
+        TAG: PUNCT
+    }]
 }
 _exc.update(_custom_base_exc)
 
-
 TOKENIZER_EXCEPTIONS = _exc

spacy/tests/lang/da/test_prefix_suffix_infix.py

@@ -0,0 +1,160 @@
+# coding: utf-8
+"""Test that tokenizer prefixes, suffixes and infixes are handled correctly."""
+from __future__ import unicode_literals
+
+import pytest
+
+
+@pytest.mark.parametrize('text', ["(under)"])
+def test_tokenizer_splits_no_special(da_tokenizer, text):
+    tokens = da_tokenizer(text)
+    assert len(tokens) == 3
+
+
+@pytest.mark.parametrize('text', ["ta'r", "Søren's", "Lars'"])
+def test_tokenizer_handles_no_punct(da_tokenizer, text):
+    tokens = da_tokenizer(text)
+    assert len(tokens) == 1
+
+
+@pytest.mark.parametrize('text', ["(ta'r"])
+def test_tokenizer_splits_prefix_punct(da_tokenizer, text):
+    tokens = da_tokenizer(text)
+    assert len(tokens) == 2
+    assert tokens[0].text == "("
+    assert tokens[1].text == "ta'r"
+
+
+@pytest.mark.parametrize('text', ["ta'r)"])
+def test_tokenizer_splits_suffix_punct(da_tokenizer, text):
+    tokens = da_tokenizer(text)
+    assert len(tokens) == 2
+    assert tokens[0].text == "ta'r"
+    assert tokens[1].text == ")"
+
+
+@pytest.mark.parametrize('text,expected', [("(ta'r)", ["(", "ta'r", ")"]), ("'ta'r'", ["'", "ta'r", "'"])])
+def test_tokenizer_splits_even_wrap(da_tokenizer, text, expected):
+    tokens = da_tokenizer(text)
+    assert len(tokens) == len(expected)
+    assert [t.text for t in tokens] == expected
+
+
+@pytest.mark.parametrize('text', ["(ta'r?)"])
+def test_tokenizer_splits_uneven_wrap(da_tokenizer, text):
+    tokens = da_tokenizer(text)
+    assert len(tokens) == 4
+    assert tokens[0].text == "("
+    assert tokens[1].text == "ta'r"
+    assert tokens[2].text == "?"
+    assert tokens[3].text == ")"
+
+
+@pytest.mark.parametrize('text,expected', [("f.eks.", ["f.eks."]), ("fe.", ["fe", "."]), ("(f.eks.", ["(", "f.eks."])])
+def test_tokenizer_splits_prefix_interact(da_tokenizer, text, expected):
+    tokens = da_tokenizer(text)
+    assert len(tokens) == len(expected)
+    assert [t.text for t in tokens] == expected
+
+
+@pytest.mark.parametrize('text', ["f.eks.)"])
+def test_tokenizer_splits_suffix_interact(da_tokenizer, text):
+    tokens = da_tokenizer(text)
+    assert len(tokens) == 2
+    assert tokens[0].text == "f.eks."
+    assert tokens[1].text == ")"
+
+
+@pytest.mark.parametrize('text', ["(f.eks.)"])
+def test_tokenizer_splits_even_wrap_interact(da_tokenizer, text):
+    tokens = da_tokenizer(text)
+    assert len(tokens) == 3
+    assert tokens[0].text == "("
+    assert tokens[1].text == "f.eks."
+    assert tokens[2].text == ")"
+
+
+@pytest.mark.parametrize('text', ["(f.eks.?)"])
+def test_tokenizer_splits_uneven_wrap_interact(da_tokenizer, text):
+    tokens = da_tokenizer(text)
+    assert len(tokens) == 4
+    assert tokens[0].text == "("
+    assert tokens[1].text == "f.eks."
+    assert tokens[2].text == "?"
+    assert tokens[3].text == ")"
+
+
+@pytest.mark.parametrize('text', ["0,1-13,5", "0,0-0,1", "103,27-300", "1/2-3/4"])
+def test_tokenizer_handles_numeric_range(da_tokenizer, text):
+    tokens = da_tokenizer(text)
+    assert len(tokens) == 1
+
+
+@pytest.mark.parametrize('text', ["sort.Gul", "Hej.Verden"])
+def test_tokenizer_splits_period_infix(da_tokenizer, text):
+    tokens = da_tokenizer(text)
+    assert len(tokens) == 3
+
+
+@pytest.mark.parametrize('text', ["Hej,Verden", "en,to"])
+def test_tokenizer_splits_comma_infix(da_tokenizer, text):
+    tokens = da_tokenizer(text)
+    assert len(tokens) == 3
+    assert tokens[0].text == text.split(",")[0]
+    assert tokens[1].text == ","
+    assert tokens[2].text == text.split(",")[1]
+
+
+@pytest.mark.parametrize('text', ["sort...Gul", "sort...gul"])
+def test_tokenizer_splits_ellipsis_infix(da_tokenizer, text):
+    tokens = da_tokenizer(text)
+    assert len(tokens) == 3
+
+
+@pytest.mark.parametrize('text', ['gå-på-mod', '4-hjulstræk', '100-Pfennig-frimærke', 'TV-2-spots', 'trofæ-vaeggen'])
+def test_tokenizer_keeps_hyphens(da_tokenizer, text):
+    tokens = da_tokenizer(text)
+    assert len(tokens) == 1
+
+
+def test_tokenizer_splits_double_hyphen_infix(da_tokenizer):
+    tokens = da_tokenizer("Mange regler--eksempelvis bindestregs-reglerne--er komplicerede.")
+    assert len(tokens) == 9
+    assert tokens[0].text == "Mange"
+    assert tokens[1].text == "regler"
+    assert tokens[2].text == "--"
+    assert tokens[3].text == "eksempelvis"
+    assert tokens[4].text == "bindestregs-reglerne"
+    assert tokens[5].text == "--"
+    assert tokens[6].text == "er"
+    assert tokens[7].text == "komplicerede"
+
+
+def test_tokenizer_handles_posessives_and_contractions(da_tokenizer):
+    tokens = da_tokenizer("'DBA's, Lars' og Liz' bil sku' sgu' ik' ha' en bule, det ka' han ik' li' mere', sagde hun.")
+    assert len(tokens) == 25
+    assert tokens[0].text == "'"
+    assert tokens[1].text == "DBA's"
+    assert tokens[2].text == ","
+    assert tokens[3].text == "Lars'"
+    assert tokens[4].text == "og"
+    assert tokens[5].text == "Liz'"
+    assert tokens[6].text == "bil"
+    assert tokens[7].text == "sku'"
+    assert tokens[8].text == "sgu'"
+    assert tokens[9].text == "ik'"
+    assert tokens[10].text == "ha'"
+    assert tokens[11].text == "en"
+    assert tokens[12].text == "bule"
+    assert tokens[13].text == ","
+    assert tokens[14].text == "det"
+    assert tokens[15].text == "ka'"
+    assert tokens[16].text == "han"
+    assert tokens[17].text == "ik'"
+    assert tokens[18].text == "li'"
+    assert tokens[19].text == "mere"
+    assert tokens[20].text == "'"
+    assert tokens[21].text == ","
+    assert tokens[22].text == "sagde"
+    assert tokens[23].text == "hun"
+    assert tokens[24].text == "."