mirror of
https://github.com/explosion/spaCy.git
synced 2024-12-25 17:36:30 +03:00
added russian language support
This commit is contained in:
parent
1e3068ec33
commit
3aad66cf00
56
spacy/ru/__init__.py
Normal file
56
spacy/ru/__init__.py
Normal file
|
@ -0,0 +1,56 @@
|
|||
# encoding: utf8
|
||||
from __future__ import unicode_literals, print_function
|
||||
|
||||
from ..language import Language
|
||||
from ..attrs import LANG
|
||||
from ..tokens import Doc
|
||||
from .language_data import *
|
||||
|
||||
|
||||
class RussianTokenizer(object):
|
||||
try:
|
||||
from pymorphy2 import MorphAnalyzer
|
||||
except ImportError:
|
||||
raise ImportError(
|
||||
"The Russian tokenizer requires the pymorphy2 library: "
|
||||
"try to fix it with "
|
||||
"pip install pymorphy2==0.8")
|
||||
|
||||
_morph = MorphAnalyzer()
|
||||
|
||||
def __init__(self, spacy_tokenizer, cls, nlp=None):
|
||||
self.vocab = nlp.vocab if nlp else cls.create_vocab(nlp)
|
||||
self._spacy_tokenizer = spacy_tokenizer
|
||||
|
||||
def __call__(self, text):
|
||||
words = [self._normalize(RussianTokenizer._get_word(token))
|
||||
for token in self._spacy_tokenizer(text)]
|
||||
|
||||
return Doc(self.vocab, words, [False] * len(words))
|
||||
|
||||
@staticmethod
|
||||
def _get_word(token):
|
||||
return token.lemma_ if len(token.lemma_) > 0 else token.text
|
||||
|
||||
@classmethod
|
||||
def _normalize(cls, word):
|
||||
return cls._morph.parse(word)[0].normal_form
|
||||
|
||||
|
||||
class RussianDefaults(Language.Defaults):
|
||||
lex_attr_getters = dict(Language.Defaults.lex_attr_getters)
|
||||
lex_attr_getters[LANG] = lambda text: 'ru'
|
||||
|
||||
tokenizer_exceptions = TOKENIZER_EXCEPTIONS
|
||||
stop_words = STOP_WORDS
|
||||
|
||||
@classmethod
|
||||
def create_tokenizer(cls, nlp=None):
|
||||
tokenizer = super(RussianDefaults, cls).create_tokenizer(nlp)
|
||||
return RussianTokenizer(tokenizer, cls, nlp)
|
||||
|
||||
|
||||
class Russian(Language):
|
||||
lang = 'ru'
|
||||
|
||||
Defaults = RussianDefaults
|
18
spacy/ru/language_data.py
Normal file
18
spacy/ru/language_data.py
Normal file
|
@ -0,0 +1,18 @@
|
|||
# encoding: utf8
|
||||
from __future__ import unicode_literals
|
||||
|
||||
from .. import language_data as base
|
||||
from ..language_data import update_exc, strings_to_exc
|
||||
|
||||
from .stop_words import STOP_WORDS
|
||||
from .tokenizer_exceptions import TOKENIZER_EXCEPTIONS
|
||||
|
||||
|
||||
STOP_WORDS = set(STOP_WORDS)
|
||||
TOKENIZER_EXCEPTIONS = dict(TOKENIZER_EXCEPTIONS)
|
||||
|
||||
|
||||
update_exc(TOKENIZER_EXCEPTIONS, strings_to_exc(base.EMOTICONS))
|
||||
|
||||
|
||||
__all__ = ["STOP_WORDS", "TOKENIZER_EXCEPTIONS"]
|
54
spacy/ru/stop_words.py
Normal file
54
spacy/ru/stop_words.py
Normal file
|
@ -0,0 +1,54 @@
|
|||
# encoding: utf8
|
||||
from __future__ import unicode_literals
|
||||
|
||||
|
||||
STOP_WORDS = set("""
|
||||
а
|
||||
|
||||
будем будет будете будешь буду будут будучи будь будьте бы был была были было
|
||||
быть
|
||||
|
||||
в вам вами вас весь во вот все всё всего всей всем всём всеми всему всех всею
|
||||
всея всю вся вы
|
||||
|
||||
да для до
|
||||
|
||||
его едим едят ее её ей ел ела ем ему емъ если ест есть ешь еще ещё ею
|
||||
|
||||
же
|
||||
|
||||
за
|
||||
|
||||
и из или им ими имъ их
|
||||
|
||||
к как кем ко когда кого ком кому комья которая которого которое которой котором
|
||||
которому которою которую которые который которым которыми которых кто
|
||||
|
||||
меня мне мной мною мог моги могите могла могли могло могу могут мое моё моего
|
||||
моей моем моём моему моею можем может можете можешь мои мой моим моими моих
|
||||
мочь мою моя мы
|
||||
|
||||
на нам нами нас наса наш наша наше нашего нашей нашем нашему нашею наши нашим
|
||||
нашими наших нашу не него нее неё ней нем нём нему нет нею ним ними них но
|
||||
|
||||
о об один одна одни одним одними одних одно одного одной одном одному одною
|
||||
одну он она оне они оно от
|
||||
|
||||
по при
|
||||
|
||||
с сам сама сами самим самими самих само самого самом самому саму свое своё
|
||||
своего своей своем своём своему своею свои свой своим своими своих свою своя
|
||||
себе себя собой собою
|
||||
|
||||
та так такая такие таким такими таких такого такое такой таком такому такою
|
||||
такую те тебе тебя тем теми тех то тобой тобою того той только том томах тому
|
||||
тот тою ту ты
|
||||
|
||||
у уже
|
||||
|
||||
чего чем чём чему что чтобы
|
||||
|
||||
эта эти этим этими этих это этого этой этом этому этот этою эту
|
||||
|
||||
я
|
||||
""".split())
|
29
spacy/ru/tokenizer_exceptions.py
Normal file
29
spacy/ru/tokenizer_exceptions.py
Normal file
|
@ -0,0 +1,29 @@
|
|||
# encoding: utf8
|
||||
from __future__ import unicode_literals
|
||||
|
||||
from ..symbols import *
|
||||
|
||||
|
||||
TOKENIZER_EXCEPTIONS = {
|
||||
"Пн.": [
|
||||
{ORTH: "Пн.", LEMMA: "Понедельник"}
|
||||
],
|
||||
"Вт.": [
|
||||
{ORTH: "Вт.", LEMMA: "Вторник"}
|
||||
],
|
||||
"Ср.": [
|
||||
{ORTH: "Ср.", LEMMA: "Среда"}
|
||||
],
|
||||
"Чт.": [
|
||||
{ORTH: "Чт.", LEMMA: "Четверг"}
|
||||
],
|
||||
"Пт.": [
|
||||
{ORTH: "Пт.", LEMMA: "Пятница"}
|
||||
],
|
||||
"Сб.": [
|
||||
{ORTH: "Сб.", LEMMA: "Суббота"}
|
||||
],
|
||||
"Вс.": [
|
||||
{ORTH: "Вс.", LEMMA: "Воскресенье"}
|
||||
],
|
||||
}
|
Loading…
Reference in New Issue
Block a user