mirror of
https://github.com/explosion/spaCy.git
synced 2025-01-13 02:36:32 +03:00
Add general sanity tests for all tokenizers
This commit is contained in:
parent
c5f2dc15de
commit
637f785036
23
spacy/tests/tokenizer/conftest.py
Normal file
23
spacy/tests/tokenizer/conftest.py
Normal file
|
@ -0,0 +1,23 @@
|
||||||
|
# coding: utf-8
|
||||||
|
from __future__ import unicode_literals
|
||||||
|
|
||||||
|
import pytest
|
||||||
|
|
||||||
|
from ...en import English
|
||||||
|
from ...de import German
|
||||||
|
from ...es import Spanish
|
||||||
|
from ...it import Italian
|
||||||
|
from ...fr import French
|
||||||
|
from ...pt import Portuguese
|
||||||
|
from ...nl import Dutch
|
||||||
|
from ...sv import Swedish
|
||||||
|
from ...hu import Hungarian
|
||||||
|
|
||||||
|
|
||||||
|
LANGUAGES = [English, German, Spanish, Italian, French, Dutch, Swedish, Hungarian]
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.fixture(params=LANGUAGES)
|
||||||
|
def tokenizer(request):
|
||||||
|
lang = request.param
|
||||||
|
return lang.Defaults.create_tokenizer()
|
80
spacy/tests/tokenizer/test_tokenizer.py
Normal file
80
spacy/tests/tokenizer/test_tokenizer.py
Normal file
|
@ -0,0 +1,80 @@
|
||||||
|
# coding: utf-8
|
||||||
|
from __future__ import unicode_literals
|
||||||
|
|
||||||
|
import pytest
|
||||||
|
|
||||||
|
|
||||||
|
def test_tokenizer_handles_no_word(tokenizer):
|
||||||
|
tokens = tokenizer("")
|
||||||
|
assert len(tokens) == 0
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.parametrize('text', ["lorem"])
|
||||||
|
def test_tokenizer_handles_single_word(tokenizer, text):
|
||||||
|
tokens = tokenizer(text)
|
||||||
|
assert tokens[0].text == text
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.parametrize('text', ["lorem ipsum"])
|
||||||
|
def test_tokenizer_handles_two_words(tokenizer, text):
|
||||||
|
tokens = tokenizer(text)
|
||||||
|
assert len(tokens) == 2
|
||||||
|
assert tokens[0].text != tokens[1].text
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.parametrize('text', ["lorem ipsum"])
|
||||||
|
def test_tokenizer_splits_double_space(tokenizer, text):
|
||||||
|
tokens = tokenizer(text)
|
||||||
|
assert len(tokens) == 3
|
||||||
|
assert tokens[1].text == " "
|
||||||
|
|
||||||
|
|
||||||
|
@pytest.mark.parametrize('text', ["lorem\nipsum"])
|
||||||
|
def test_tokenizer_splits_newline(tokenizer, text):
|
||||||
|
tokens = tokenizer(text)
|
||||||
|
assert len(tokens) == 3
|
||||||
|
assert tokens[1].text == "\n"
|
||||||
|
|
||||||
|
|
||||||
|
def test_tokenizer_handles_punct(tokenizer):
|
||||||
|
text = "Lorem, ipsum."
|
||||||
|
tokens = tokenizer(text)
|
||||||
|
assert len(tokens) == 4
|
||||||
|
assert tokens[0].text == "Lorem"
|
||||||
|
assert tokens[1].text == ","
|
||||||
|
assert tokens[2].text == "ipsum"
|
||||||
|
assert tokens[1].text != "Lorem"
|
||||||
|
|
||||||
|
|
||||||
|
def test_tokenizer_handles_digits(tokenizer):
|
||||||
|
exceptions = ["hu"]
|
||||||
|
text = "Lorem ipsum: 1984."
|
||||||
|
tokens = tokenizer(text)
|
||||||
|
|
||||||
|
if tokens[0].lang_ not in exceptions:
|
||||||
|
assert len(tokens) == 5
|
||||||
|
assert tokens[0].text == "Lorem"
|
||||||
|
assert tokens[3].text == "1984"
|
||||||
|
|
||||||
|
|
||||||
|
def test_tokenizer_handles_long_text(tokenizer):
|
||||||
|
text = """Lorem ipsum dolor sit amet, consectetur adipiscing elit
|
||||||
|
|
||||||
|
Cras egestas orci non porttitor maximus.
|
||||||
|
Maecenas quis odio id dolor rhoncus dignissim. Curabitur sed velit at orci ultrices sagittis. Nulla commodo euismod arcu eget vulputate.
|
||||||
|
|
||||||
|
Phasellus tincidunt, augue quis porta finibus, massa sapien consectetur augue, non lacinia enim nibh eget ipsum. Vestibulum in bibendum mauris.
|
||||||
|
|
||||||
|
"Nullam porta fringilla enim, a dictum orci consequat in." Mauris nec malesuada justo."""
|
||||||
|
|
||||||
|
tokens = tokenizer(text)
|
||||||
|
assert len(tokens) > 5
|
||||||
|
|
||||||
|
|
||||||
|
def test_tokenizer_suspected_freeing_strings(tokenizer):
|
||||||
|
text1 = "Lorem dolor sit amet, consectetur adipiscing elit."
|
||||||
|
text2 = "Lorem ipsum dolor sit amet, consectetur adipiscing elit."
|
||||||
|
tokens1 = tokenizer(text1)
|
||||||
|
tokens2 = tokenizer(text2)
|
||||||
|
assert tokens1[0].text == "Lorem"
|
||||||
|
assert tokens2[0].text == "Lorem"
|
Loading…
Reference in New Issue
Block a user