mirror of
				https://github.com/explosion/spaCy.git
				synced 2025-11-04 09:57:26 +03:00 
			
		
		
		
	Modernize and merge tokenizer tests for prefixes/suffixes/infixes
This commit is contained in:
		
							parent
							
								
									0e65dca9a5
								
							
						
					
					
						commit
						8a74129cdf
					
				| 
						 | 
					@ -1,62 +0,0 @@
 | 
				
			||||||
from __future__ import unicode_literals
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
import pytest
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
@pytest.mark.parametrize('text', ["best-known"])
 | 
					 | 
				
			||||||
def test_tokenizer_splits_hyphens(en_tokenizer, text):
 | 
					 | 
				
			||||||
    tokens = en_tokenizer(text)
 | 
					 | 
				
			||||||
    assert len(tokens) == 3
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
@pytest.mark.parametrize('text', ["0.1-13.5", "0.0-0.1", "103.27-300"])
 | 
					 | 
				
			||||||
def test_tokenizer_splits_numeric_range(en_tokenizer, text):
 | 
					 | 
				
			||||||
    tokens = en_tokenizer(text)
 | 
					 | 
				
			||||||
    assert len(tokens) == 3
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
@pytest.mark.parametrize('text', ["best.Known", "Hello.World"])
 | 
					 | 
				
			||||||
def test_tokenizer_splits_period(en_tokenizer, text):
 | 
					 | 
				
			||||||
    tokens = en_tokenizer(text)
 | 
					 | 
				
			||||||
    assert len(tokens) == 3
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
@pytest.mark.parametrize('text', ["Hello,world", "one,two"])
 | 
					 | 
				
			||||||
def test_tokenizer_splits_comma(en_tokenizer, text):
 | 
					 | 
				
			||||||
    tokens = en_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', ["best...Known", "best...known"])
 | 
					 | 
				
			||||||
def test_tokenizer_splits_ellipsis(en_tokenizer, text):
 | 
					 | 
				
			||||||
    tokens = en_tokenizer(text)
 | 
					 | 
				
			||||||
    assert len(tokens) == 3
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
@pytest.mark.parametrize('text', ["google.com", "python.org", "spacy.io", "explosion.ai"])
 | 
					 | 
				
			||||||
def test_tokenizer_keep_urls(en_tokenizer, text):
 | 
					 | 
				
			||||||
    tokens = en_tokenizer(text)
 | 
					 | 
				
			||||||
    assert len(tokens) == 1
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
@pytest.mark.parametrize('text', ["hello123@example.com", "hi+there@gmail.it", "matt@explosion.ai"])
 | 
					 | 
				
			||||||
def test_tokenizer_keeps_email(en_tokenizer, text):
 | 
					 | 
				
			||||||
    tokens = en_tokenizer(text)
 | 
					 | 
				
			||||||
    assert len(tokens) == 1
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
def test_tokenizer_splits_double_hyphen(en_tokenizer):
 | 
					 | 
				
			||||||
    tokens = en_tokenizer("No decent--let alone well-bred--people.")
 | 
					 | 
				
			||||||
    assert tokens[0].text == "No"
 | 
					 | 
				
			||||||
    assert tokens[1].text == "decent"
 | 
					 | 
				
			||||||
    assert tokens[2].text == "--"
 | 
					 | 
				
			||||||
    assert tokens[3].text == "let"
 | 
					 | 
				
			||||||
    assert tokens[4].text == "alone"
 | 
					 | 
				
			||||||
    assert tokens[5].text == "well"
 | 
					 | 
				
			||||||
    assert tokens[6].text == "-"
 | 
					 | 
				
			||||||
    assert tokens[7].text == "bred"
 | 
					 | 
				
			||||||
    assert tokens[8].text == "--"
 | 
					 | 
				
			||||||
    assert tokens[9].text == "people"
 | 
					 | 
				
			||||||
							
								
								
									
										148
									
								
								spacy/tests/tokenizer/test_prefix_suffix_infix.py
									
									
									
									
									
										Normal file
									
								
							
							
						
						
									
										148
									
								
								spacy/tests/tokenizer/test_prefix_suffix_infix.py
									
									
									
									
									
										Normal file
									
								
							| 
						 | 
					@ -0,0 +1,148 @@
 | 
				
			||||||
 | 
					# coding: utf-8
 | 
				
			||||||
 | 
					"""Test that tokenizer prefixes, suffixes and infixes are handled correctly."""
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					from __future__ import unicode_literals
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					import pytest
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.parametrize('text', ["(can)"])
 | 
				
			||||||
 | 
					def test_tokenizer_splits_no_special(en_tokenizer, text):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == 3
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.parametrize('text', ["can't"])
 | 
				
			||||||
 | 
					def test_tokenizer_splits_no_punct(en_tokenizer, text):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == 2
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.parametrize('text', ["(can't"])
 | 
				
			||||||
 | 
					def test_tokenizer_splits_prefix_punct(en_tokenizer, text):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == 3
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.parametrize('text', ["can't)"])
 | 
				
			||||||
 | 
					def test_tokenizer_splits_suffix_punct(en_tokenizer, text):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == 3
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.parametrize('text', ["(can't)"])
 | 
				
			||||||
 | 
					def test_tokenizer_splits_even_wrap(en_tokenizer, text):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == 4
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.parametrize('text', ["(can't?)"])
 | 
				
			||||||
 | 
					def test_tokenizer_splits_uneven_wrap(en_tokenizer, text):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == 5
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.parametrize('text,length', [("U.S.", 1), ("us.", 2), ("(U.S.", 2)])
 | 
				
			||||||
 | 
					def test_tokenizer_splits_prefix_interact(en_tokenizer, text, length):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == length
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.parametrize('text', ["U.S.)"])
 | 
				
			||||||
 | 
					def test_tokenizer_splits_suffix_interact(en_tokenizer, text):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == 2
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.parametrize('text', ["(U.S.)"])
 | 
				
			||||||
 | 
					def test_tokenizer_splits_even_wrap_interact(en_tokenizer, text):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == 3
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.parametrize('text', ["(U.S.?)"])
 | 
				
			||||||
 | 
					def test_tokenizer_splits_uneven_wrap_interact(en_tokenizer, text):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == 4
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.parametrize('text', ["best-known"])
 | 
				
			||||||
 | 
					def test_tokenizer_splits_hyphens(en_tokenizer, text):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == 3
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.parametrize('text', ["0.1-13.5", "0.0-0.1", "103.27-300"])
 | 
				
			||||||
 | 
					def test_tokenizer_splits_numeric_range(en_tokenizer, text):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == 3
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.parametrize('text', ["best.Known", "Hello.World"])
 | 
				
			||||||
 | 
					def test_tokenizer_splits_period_infix(en_tokenizer, text):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == 3
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.parametrize('text', ["Hello,world", "one,two"])
 | 
				
			||||||
 | 
					def test_tokenizer_splits_comma_infix(en_tokenizer, text):
 | 
				
			||||||
 | 
					    tokens = en_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', ["best...Known", "best...known"])
 | 
				
			||||||
 | 
					def test_tokenizer_splits_ellipsis_infix(en_tokenizer, text):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == 3
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.parametrize('text', ["google.com", "python.org", "spacy.io", "explosion.ai"])
 | 
				
			||||||
 | 
					def test_tokenizer_keep_urls(en_tokenizer, text):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == 1
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.parametrize('text', ["hello123@example.com", "hi+there@gmail.it", "matt@explosion.ai"])
 | 
				
			||||||
 | 
					def test_tokenizer_keeps_email(en_tokenizer, text):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == 1
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					def test_tokenizer_splits_double_hyphen_infix(en_tokenizer):
 | 
				
			||||||
 | 
					    tokens = en_tokenizer("No decent--let alone well-bred--people.")
 | 
				
			||||||
 | 
					    assert tokens[0].text == "No"
 | 
				
			||||||
 | 
					    assert tokens[1].text == "decent"
 | 
				
			||||||
 | 
					    assert tokens[2].text == "--"
 | 
				
			||||||
 | 
					    assert tokens[3].text == "let"
 | 
				
			||||||
 | 
					    assert tokens[4].text == "alone"
 | 
				
			||||||
 | 
					    assert tokens[5].text == "well"
 | 
				
			||||||
 | 
					    assert tokens[6].text == "-"
 | 
				
			||||||
 | 
					    assert tokens[7].text == "bred"
 | 
				
			||||||
 | 
					    assert tokens[8].text == "--"
 | 
				
			||||||
 | 
					    assert tokens[9].text == "people"
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.xfail
 | 
				
			||||||
 | 
					def test_tokenizer_splits_period_abbr(en_tokenizer):
 | 
				
			||||||
 | 
					    text = "Today is Tuesday.Mr."
 | 
				
			||||||
 | 
					    tokens = en_tokenizer(text)
 | 
				
			||||||
 | 
					    assert len(tokens) == 5
 | 
				
			||||||
 | 
					    assert tokens[0].text == "Today"
 | 
				
			||||||
 | 
					    assert tokens[1].text == "is"
 | 
				
			||||||
 | 
					    assert tokens[2].text == "Tuesday"
 | 
				
			||||||
 | 
					    assert tokens[3].text == "."
 | 
				
			||||||
 | 
					    assert tokens[4].text == "Mr."
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					@pytest.mark.xfail
 | 
				
			||||||
 | 
					def test_tokenizer_splits_em_dash_infix(en_tokenizer):
 | 
				
			||||||
 | 
					    # Re Issue #225
 | 
				
			||||||
 | 
					    tokens = en_tokenizer("""Will this road take me to Puddleton?\u2014No, """
 | 
				
			||||||
 | 
					                          """you'll have to walk there.\u2014Ariel.""")
 | 
				
			||||||
 | 
					    assert tokens[6].text == "Puddleton"
 | 
				
			||||||
 | 
					    assert tokens[7].text == "?"
 | 
				
			||||||
 | 
					    assert tokens[8].text == "\u2014"
 | 
				
			||||||
| 
						 | 
					@ -1,46 +0,0 @@
 | 
				
			||||||
"""Test entries in the tokenization special-case interacting with prefix
 | 
					 | 
				
			||||||
and suffix punctuation."""
 | 
					 | 
				
			||||||
from __future__ import unicode_literals
 | 
					 | 
				
			||||||
import pytest
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
def test_no_special(en_tokenizer):
 | 
					 | 
				
			||||||
    assert len(en_tokenizer("(can)")) == 3
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
def test_no_punct(en_tokenizer):
 | 
					 | 
				
			||||||
    assert len(en_tokenizer("can't")) == 2
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
def test_prefix(en_tokenizer):
 | 
					 | 
				
			||||||
    assert len(en_tokenizer("(can't")) == 3
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
def test_suffix(en_tokenizer):
 | 
					 | 
				
			||||||
    assert len(en_tokenizer("can't)")) == 3
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
def test_wrap(en_tokenizer):
 | 
					 | 
				
			||||||
    assert len(en_tokenizer("(can't)")) == 4
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
def test_uneven_wrap(en_tokenizer):
 | 
					 | 
				
			||||||
    assert len(en_tokenizer("(can't?)")) == 5
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
def test_prefix_interact(en_tokenizer):
 | 
					 | 
				
			||||||
    assert len(en_tokenizer("U.S.")) == 1
 | 
					 | 
				
			||||||
    assert len(en_tokenizer("us.")) == 2
 | 
					 | 
				
			||||||
    assert len(en_tokenizer("(U.S.")) == 2
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
def test_suffix_interact(en_tokenizer):
 | 
					 | 
				
			||||||
    assert len(en_tokenizer("U.S.)")) == 2
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
def test_even_wrap_interact(en_tokenizer):
 | 
					 | 
				
			||||||
    assert len(en_tokenizer("(U.S.)")) == 3
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
 | 
					 | 
				
			||||||
def test_uneven_wrap_interact(en_tokenizer):
 | 
					 | 
				
			||||||
    assert len(en_tokenizer("(U.S.?)")) == 4
 | 
					 | 
				
			||||||
| 
						 | 
					@ -157,14 +157,6 @@ def test_two_whitespace(en_tokenizer):
 | 
				
			||||||
    assert repr(tokens.text_with_ws) == repr(orig_str)
 | 
					    assert repr(tokens.text_with_ws) == repr(orig_str)
 | 
				
			||||||
 | 
					
 | 
				
			||||||
 | 
					
 | 
				
			||||||
@pytest.mark.xfail
 | 
					 | 
				
			||||||
def test_em_dash_infix(en_tokenizer):
 | 
					 | 
				
			||||||
    # Re Issue #225
 | 
					 | 
				
			||||||
    tokens = en_tokenizer('''Will this road take me to Puddleton?\u2014No, '''
 | 
					 | 
				
			||||||
                          '''you'll have to walk there.\u2014Ariel.''')
 | 
					 | 
				
			||||||
    assert tokens[6].text == 'Puddleton'
 | 
					 | 
				
			||||||
    assert tokens[7].text == '?'
 | 
					 | 
				
			||||||
    assert tokens[8].text == '\u2014'
 | 
					 | 
				
			||||||
 | 
					
 | 
				
			||||||
#def test_cnts7():
 | 
					#def test_cnts7():
 | 
				
			||||||
#    text = 'But then the 6,000-year ice age came...'
 | 
					#    text = 'But then the 6,000-year ice age came...'
 | 
				
			||||||
| 
						 | 
					
 | 
				
			||||||
		Loading…
	
		Reference in New Issue
	
	Block a user