Ukrainian language added. Small fixes in Russian (#3241)

* Classes for Ukrainian; small fix in Russian.

* Contributor agreement

.github/contributors/juliamakogon.md

@@ -0,0 +1,106 @@
+# spaCy contributor agreement
+
+This spaCy Contributor Agreement (**"SCA"**) is based on the
+[Oracle Contributor Agreement](http://www.oracle.com/technetwork/oca-405177.pdf).
+The SCA applies to any contribution that you make to any product or project
+managed by us (the **"project"**), and sets out the intellectual property rights
+you grant to us in the contributed materials. The term **"us"** shall mean
+[ExplosionAI UG (haftungsbeschränkt)](https://explosion.ai/legal). The term
+**"you"** shall mean the person or entity identified below.
+
+If you agree to be bound by these terms, fill in the information requested
+below and include the filled-in version with your first pull request, under the
+folder [`.github/contributors/`](/.github/contributors/). The name of the file
+should be your GitHub username, with the extension `.md`. For example, the user
+example_user would create the file `.github/contributors/example_user.md`.
+
+Read this agreement carefully before signing. These terms and conditions
+constitute a binding legal agreement.
+
+## Contributor Agreement
+
+1. The term "contribution" or "contributed materials" means any source code,
+object code, patch, tool, sample, graphic, specification, manual,
+documentation, or any other material posted or submitted by you to the project.
+
+2. With respect to any worldwide copyrights, or copyright applications and
+registrations, in your contribution:
+
+    * you hereby assign to us joint ownership, and to the extent that such
+    assignment is or becomes invalid, ineffective or unenforceable, you hereby
+    grant to us a perpetual, irrevocable, non-exclusive, worldwide, no-charge,
+    royalty-free, unrestricted license to exercise all rights under those
+    copyrights. This includes, at our option, the right to sublicense these same
+    rights to third parties through multiple levels of sublicensees or other
+    licensing arrangements;
+
+    * you agree that each of us can do all things in relation to your
+    contribution as if each of us were the sole owners, and if one of us makes
+    a derivative work of your contribution, the one who makes the derivative
+    work (or has it made will be the sole owner of that derivative work;
+
+    * you agree that you will not assert any moral rights in your contribution
+    against us, our licensees or transferees;
+
+    * you agree that we may register a copyright in your contribution and
+    exercise all ownership rights associated with it; and
+
+    * you agree that neither of us has any duty to consult with, obtain the
+    consent of, pay or render an accounting to the other for any use or
+    distribution of your contribution.
+
+3. With respect to any patents you own, or that you can license without payment
+to any third party, you hereby grant to us a perpetual, irrevocable,
+non-exclusive, worldwide, no-charge, royalty-free license to:
+
+    * make, have made, use, sell, offer to sell, import, and otherwise transfer
+    your contribution in whole or in part, alone or in combination with or
+    included in any product, work or materials arising out of the project to
+    which your contribution was submitted, and
+
+    * at our option, to sublicense these same rights to third parties through
+    multiple levels of sublicensees or other licensing arrangements.
+
+4. Except as set out above, you keep all right, title, and interest in your
+contribution. The rights that you grant to us under these terms are effective
+on the date you first submitted a contribution to us, even if your submission
+took place before the date you sign these terms.
+
+5. You covenant, represent, warrant and agree that:
+
+    * Each contribution that you submit is and shall be an original work of
+    authorship and you can legally grant the rights set out in this SCA;
+
+    * to the best of your knowledge, each contribution will not violate any
+    third party's copyrights, trademarks, patents, or other intellectual
+    property rights; and
+
+    * each contribution shall be in compliance with U.S. export control laws and
+    other applicable export and import laws. You agree to notify us if you
+    become aware of any circumstance which would make any of the foregoing
+    representations inaccurate in any respect. We may publicly disclose your
+    participation in the project, including the fact that you have signed the SCA.
+
+6. This SCA is governed by the laws of the State of California and applicable
+U.S. Federal law. Any choice of law rules will not apply.
+
+7. Please place an “x” on one of the applicable statement below. Please do NOT
+mark both statements:
+
+    * [ ] I am signing on behalf of myself as an individual and no other person
+    or entity, including my employer, has or will have rights with respect to my
+    contributions.
+
+    * [ ] I am signing on behalf of my employer or a legal entity and I have the
+    actual authority to contractually bind that entity.
+
+## Contributor Details
+
+| Field                          | Entry                |
+|------------------------------- | -------------------- |
+| Name                           | Julia Makogon        |
+| Company name (if applicable)   | Semantrum            |
+| Title or role (if applicable)  |                      |
+| Date                           | 07.02.2019           |
+| GitHub username                | juliamakogon         |
+| Website (optional)             |                      |

spacy/lang/char_classes.py

@@ -21,9 +21,11 @@ _tatar_lower = r'[әөүҗңһ]'
 _tatar_upper = r'[ӘӨҮҖҢҺ]'
 _greek_lower = r'[α-ωάέίόώήύ]'
 _greek_upper = r'[Α-ΩΆΈΊΌΏΉΎ]'
+_ukrainian_lower = r'[а-щюяіїєґ]'
+_ukrainian_upper = r'[А-ЩЮЯІЇЄҐ]'
 
-_upper = [_latin_upper, _russian_upper, _tatar_upper, _greek_upper]
+_upper = [_latin_upper, _russian_upper, _tatar_upper, _greek_upper, _ukrainian_upper]
-_lower = [_latin_lower, _russian_lower, _tatar_lower, _greek_lower]
+_lower = [_latin_lower, _russian_lower, _tatar_lower, _greek_lower, _ukrainian_lower]
 _uncased = [_bengali, _hebrew, _persian, _sinhala]
 
 ALPHA = merge_char_classes(_upper + _lower + _uncased)
@@ -35,7 +37,7 @@ _units = ('km km² km³ m m² m³ dm dm² dm³ cm cm² cm³ mm mm² mm³ ha µm
           'TB T G M K % км км² км³ м м² м³ дм дм² дм³ см см² см³ мм мм² мм³ нм '
           'кг г мг м/с км/ч кПа Па мбар Кб КБ кб Мб МБ мб Гб ГБ гб Тб ТБ тб'
           'كم كم² كم³ م م² م³ سم سم² سم³ مم مم² مم³ كم غرام جرام جم كغ ملغ كوب اكواب')
-_currency = r'\$ £ € ¥ ฿ US\$ C\$ A\$ ₽ ﷼'
+_currency = r'\$ £ € ¥ ฿ US\$ C\$ A\$ ₽ ﷼ ₴'
 
 # These expressions contain various unicode variations, including characters
 # used in Chinese (see #1333, #1340, #1351) – unless there are cross-language

spacy/lang/ru/lemmatizer.py

@@ -8,7 +8,7 @@ from ...lemmatizer import Lemmatizer
 class RussianLemmatizer(Lemmatizer):
     _morph = None
 
-    def __init__(self):
+    def __init__(self, pymorphy2_lang='ru'):
         super(RussianLemmatizer, self).__init__()
         try:
             from pymorphy2 import MorphAnalyzer
@@ -18,7 +18,7 @@ class RussianLemmatizer(Lemmatizer):
                 'try to fix it with "pip install pymorphy2==0.8"')
 
         if RussianLemmatizer._morph is None:
-            RussianLemmatizer._morph = MorphAnalyzer()
+            RussianLemmatizer._morph = MorphAnalyzer(lang=pymorphy2_lang)
 
     def __call__(self, string, univ_pos, morphology=None):
         univ_pos = self.normalize_univ_pos(univ_pos)

spacy/lang/ru/tag_map.py

@@ -69,7 +69,9 @@ TAG_MAP = {
     'ADJ__Degree=Pos|Number=Plur|Variant=Short': {POS: ADJ, 'Degree': 'Pos', 'Number': 'Plur', 'Variant': 'Short'},
     'ADJ__Foreign=Yes': {POS: ADJ, 'Foreign': 'Yes'},
     'ADJ___': {POS: ADJ},
+    'ADJ': {POS: ADJ},
     'ADP___': {POS: ADP},
+    'ADP': {POS: ADP},
     'ADV__Degree=Cmp': {POS: ADV, 'Degree': 'Cmp'},
     'ADV__Degree=Pos': {POS: ADV, 'Degree': 'Pos'},
     'ADV__Polarity=Neg': {POS: ADV, 'Polarity': 'Neg'},
@@ -91,6 +93,7 @@ TAG_MAP = {
     'AUX__Aspect=Imp|Tense=Pres|VerbForm=Conv|Voice=Act': {POS: AUX, 'Aspect': 'Imp', 'Tense': 'Pres', 'VerbForm': 'Conv', 'Voice': 'Act'},
     'AUX__Aspect=Imp|VerbForm=Inf|Voice=Act': {POS: AUX, 'Aspect': 'Imp', 'VerbForm': 'Inf', 'Voice': 'Act'},
     'CCONJ___': {POS: CCONJ},
+    'CCONJ': {POS: CCONJ},
     'DET__Animacy=Inan|Case=Acc|Gender=Masc|Number=Sing': {POS: DET, 'Animacy': 'Inan', 'Case': 'Acc', 'Gender': 'Masc', 'Number': 'Sing'},
     'DET__Animacy=Inan|Case=Acc|Gender=Neut|Number=Sing': {POS: DET, 'Animacy': 'Inan', 'Case': 'Acc', 'Gender': 'Neut', 'Number': 'Sing'},
     'DET__Animacy=Inan|Case=Gen|Gender=Fem|Number=Sing': {POS: DET, 'Animacy': 'Inan', 'Case': 'Gen', 'Gender': 'Fem', 'Number': 'Sing'},
@@ -124,6 +127,7 @@ TAG_MAP = {
     'DET__Case=Nom|Number=Plur': {POS: DET, 'Case': 'Nom', 'Number': 'Plur'},
     'DET__Gender=Masc|Number=Sing': {POS: DET, 'Gender': 'Masc', 'Number': 'Sing'},
     'INTJ___': {POS: INTJ},
+    'INTJ': {POS: INTJ},
     'NOUN__Animacy=Anim|Case=Acc|Gender=Fem|Number=Plur': {POS: NOUN, 'Animacy': 'Anim', 'Case': 'Acc', 'Gender': 'Fem', 'Number': 'Plur'},
     'NOUN__Animacy=Anim|Case=Acc|Gender=Fem|Number=Sing': {POS: NOUN, 'Animacy': 'Anim', 'Case': 'Acc', 'Gender': 'Fem', 'Number': 'Sing'},
     'NOUN__Animacy=Anim|Case=Acc|Gender=Masc|Number=Plur': {POS: NOUN, 'Animacy': 'Anim', 'Case': 'Acc', 'Gender': 'Masc', 'Number': 'Plur'},
@@ -216,6 +220,7 @@ TAG_MAP = {
     'NOUN__Case=Gen|Degree=Pos|Gender=Fem|Number=Sing': {POS: NOUN, 'Case': 'Gen', 'Degree': 'Pos', 'Gender': 'Fem', 'Number': 'Sing'},
     'NOUN__Foreign=Yes': {POS: NOUN, 'Foreign': 'Yes'},
     'NOUN___': {POS: NOUN},
+    'NOUN': {POS: NOUN},
     'NUM__Animacy=Anim|Case=Acc': {POS: NUM, 'Animacy': 'Anim', 'Case': 'Acc'},
     'NUM__Animacy=Anim|Case=Acc|Gender=Fem': {POS: NUM, 'Animacy': 'Anim', 'Case': 'Acc', 'Gender': 'Fem'},
     'NUM__Animacy=Anim|Case=Acc|Gender=Masc': {POS: NUM, 'Animacy': 'Anim', 'Case': 'Acc', 'Gender': 'Masc'},
@@ -247,9 +252,11 @@ TAG_MAP = {
     'NUM__Case=Nom|Gender=Masc': {POS: NUM, 'Case': 'Nom', 'Gender': 'Masc'},
     'NUM__Case=Nom|Gender=Neut': {POS: NUM, 'Case': 'Nom', 'Gender': 'Neut'},
     'NUM___': {POS: NUM},
+    'NUM': {POS: NUM},
     'PART__Mood=Cnd': {POS: PART, 'Mood': 'Cnd'},
     'PART__Polarity=Neg': {POS: PART, 'Polarity': 'Neg'},
     'PART___': {POS: PART},
+    'PART': {POS: PART},
     'PRON__Animacy=Anim|Case=Acc|Gender=Masc|Number=Plur': {POS: PRON, 'Animacy': 'Anim', 'Case': 'Acc', 'Gender': 'Masc', 'Number': 'Plur'},
     'PRON__Animacy=Anim|Case=Acc|Number=Plur': {POS: PRON, 'Animacy': 'Anim', 'Case': 'Acc', 'Number': 'Plur'},
     'PRON__Animacy=Anim|Case=Dat|Gender=Masc|Number=Sing': {POS: PRON, 'Animacy': 'Anim', 'Case': 'Dat', 'Gender': 'Masc', 'Number': 'Sing'},
@@ -327,6 +334,7 @@ TAG_MAP = {
     'PRON__Case=Nom|Number=Sing|Person=2': {POS: PRON, 'Case': 'Nom', 'Number': 'Sing', 'Person': '2'},
     'PRON__Number=Sing|Person=1': {POS: PRON, 'Number': 'Sing', 'Person': '1'},
     'PRON___': {POS: PRON},
+    'PRON': {POS: PRON},
     'PROPN__Animacy=Anim|Case=Acc|Gender=Fem|Number=Plur': {POS: PROPN, 'Animacy': 'Anim', 'Case': 'Acc', 'Gender': 'Fem', 'Number': 'Plur'},
     'PROPN__Animacy=Anim|Case=Acc|Gender=Fem|Number=Sing': {POS: PROPN, 'Animacy': 'Anim', 'Case': 'Acc', 'Gender': 'Fem', 'Number': 'Sing'},
     'PROPN__Animacy=Anim|Case=Acc|Gender=Masc|Number=Plur': {POS: PROPN, 'Animacy': 'Anim', 'Case': 'Acc', 'Gender': 'Masc', 'Number': 'Plur'},
@@ -422,10 +430,14 @@ TAG_MAP = {
     'PROPN__Foreign=Yes': {POS: PROPN, 'Foreign': 'Yes'},
     'PROPN__Number=Sing': {POS: PROPN, 'Number': 'Sing'},
     'PROPN___': {POS: PROPN},
+    'PROPN': {POS: PROPN},
     'PUNCT___': {POS: PUNCT},
+    'PUNCT': {POS: PUNCT},
     'SCONJ__Mood=Cnd': {POS: SCONJ, 'Mood': 'Cnd'},
     'SCONJ___': {POS: SCONJ},
+    'SCONJ': {POS: SCONJ},
     'SYM___': {POS: SYM},
+    'SYM': {POS: SYM},
     'VERB__Animacy=Anim|Aspect=Imp|Case=Acc|Gender=Masc|Number=Sing|Tense=Past|VerbForm=Part|Voice=Act': {POS: VERB, 'Animacy': 'Anim', 'Aspect': 'Imp', 'Case': 'Acc', 'Gender': 'Masc', 'Number': 'Sing', 'Tense': 'Past', 'VerbForm': 'Part', 'Voice': 'Act'},
     'VERB__Animacy=Anim|Aspect=Imp|Case=Acc|Gender=Masc|Number=Sing|Tense=Past|VerbForm=Part|Voice=Mid': {POS: VERB, 'Animacy': 'Anim', 'Aspect': 'Imp', 'Case': 'Acc', 'Gender': 'Masc', 'Number': 'Sing', 'Tense': 'Past', 'VerbForm': 'Part', 'Voice': 'Mid'},
     'VERB__Animacy=Anim|Aspect=Imp|Case=Acc|Gender=Masc|Number=Sing|Tense=Pres|VerbForm=Part|Voice=Act': {POS: VERB, 'Animacy': 'Anim', 'Aspect': 'Imp', 'Case': 'Acc', 'Gender': 'Masc', 'Number': 'Sing', 'Tense': 'Pres', 'VerbForm': 'Part', 'Voice': 'Act'},
@@ -726,6 +738,8 @@ TAG_MAP = {
     'VERB__Aspect=Perf|VerbForm=Inf|Voice=Mid': {POS: VERB, 'Aspect': 'Perf', 'VerbForm': 'Inf', 'Voice': 'Mid'},
     'VERB__Voice=Act': {POS: VERB, 'Voice': 'Act'},
     'VERB___': {POS: VERB},
+    'VERB': {POS: VERB},
     'X__Foreign=Yes': {POS: X, 'Foreign': 'Yes'},
     'X___': {POS: X},
+    'X': {POS: X},
 }

spacy/lang/uk/__init__.py

@@ -0,0 +1,75 @@
+# coding: utf8
+from __future__ import unicode_literals
+
+from .tokenizer_exceptions import TOKENIZER_EXCEPTIONS
+from .stop_words import STOP_WORDS
+from .lex_attrs import LEX_ATTRS
+
+# uncomment if files are available
+# from .norm_exceptions import NORM_EXCEPTIONS
+# from .tag_map import TAG_MAP
+# from .morph_rules import MORPH_RULES
+
+# uncomment if lookup-based lemmatizer is available
+# from .lemmatizer import LOOKUP
+# from ...lemmatizerlookup import Lemmatizer
+
+from ..tokenizer_exceptions import BASE_EXCEPTIONS
+from ..norm_exceptions import BASE_NORMS
+from ...util import update_exc, add_lookups
+from ...language import Language
+from ...attrs import LANG, LIKE_NUM, NORM
+# from .tag_map import TAG_MAP
+from .lemmatizer import UkrainianLemmatizer
+
+
+# Create a Language subclass
+# Documentation: https://spacy.io/docs/usage/adding-languages
+
+# This file should be placed in spacy/lang/xx (ISO code of language).
+# Before submitting a pull request, make sure the remove all comments from the
+# language data files, and run at least the basic tokenizer tests. Simply add the
+# language ID to the list of languages in spacy/tests/conftest.py to include it
+# in the basic tokenizer sanity tests. You can optionally add a fixture for the
+# language's tokenizer and add more specific tests. For more info, see the
+# tests documentation: https://github.com/explosion/spaCy/tree/master/spacy/tests
+
+
+class UkrainianDefaults(Language.Defaults):
+    lex_attr_getters = dict(Language.Defaults.lex_attr_getters)
+    lex_attr_getters[LANG] = lambda text: 'uk' # ISO code
+    # add more norm exception dictionaries here
+    lex_attr_getters[NORM] = add_lookups(Language.Defaults.lex_attr_getters[NORM], BASE_NORMS)
+
+    # overwrite functions for lexical attributes
+    lex_attr_getters.update(LEX_ATTRS)
+
+    # add custom tokenizer exceptions to base exceptions
+    tokenizer_exceptions = update_exc(BASE_EXCEPTIONS, TOKENIZER_EXCEPTIONS)
+
+    # add stop words
+    stop_words = STOP_WORDS
+
+    # if available: add tag map
+    # tag_map = dict(TAG_MAP)
+
+    # if available: add morph rules
+    # morph_rules = dict(MORPH_RULES)
+
+    # if available: add lookup lemmatizer
+    # @classmethod
+    # def create_lemmatizer(cls, nlp=None):
+    #     return Lemmatizer(LOOKUP)
+
+    @classmethod
+    def create_lemmatizer(cls, nlp=None):
+        return UkrainianLemmatizer()
+
+
+class Ukrainian(Language):
+    lang = 'uk' # ISO code
+    Defaults = UkrainianDefaults # set Defaults to custom language defaults
+
+
+# set default export – this allows the language class to be lazy-loaded
+__all__ = ['Ukrainian']

spacy/lang/uk/examples.py

@@ -0,0 +1,23 @@
+# coding: utf8
+from __future__ import unicode_literals
+
+
+"""
+Example sentences to test spaCy and its language models.
+
+>>> from spacy.lang.uk.examples import sentences
+>>> docs = nlp.pipe(sentences)
+"""
+
+
+sentences = [
+    "Ніч на середу буде морозною.",
+    "Чим кращі книги ти читав, тим гірше спиш.",  # Serhiy Zhadan
+    "Найстаріші ґудзики, відомі людству, археологи знайшли в долині ріки Інд.",
+    "Слов'янське слово «Україна» вперше згадується у Київському літописному зводі за Іпатіївським списком під 1187 роком.", # wikipedia
+    "Де у Києві найсмачніша кава?",
+    "Від Нижнього озера довгими дерев’яними сходами, над якими синьо й біло горіли маленькі коробочки-ліхтарики, підіймалися до нього двоє стовусів: найкращий друг Вертутій і його дванадцятилітній онук Чублик.", # blyznets_viktor_semenovych/zemlia_svitliachkiv
+    "Китайський космічний зонд \"Чан'е-4\" вперше в історії здійснив м'яку посадку на зворотному боці Місяця.",
+    "Коли до губ твоїх лишається півподиху, коли до губ твоїх лишається півкроку – зіниці твої виткані із подиву, в очах у тебе синьо і широко.", # Hryhorij Czubaj
+    "Дорогу сестру збираю у дорогу, а брати вирішили не брати машину." # homographs
+]

spacy/lang/uk/lemmatizer.py

@@ -0,0 +1,12 @@
+from ..ru.lemmatizer import RussianLemmatizer
+
+
+class UkrainianLemmatizer(RussianLemmatizer):
+
+    def __init__(self, pymorphy2_lang='ru'):
+        try:
+            super(UkrainianLemmatizer, self).__init__(pymorphy2_lang='uk')
+        except ImportError:
+            raise ImportError(
+                'The Ukrainian lemmatizer requires the pymorphy2 library and dictionaries: '
+                'try to fix it with "pip install git+https://github.com/kmike/pymorphy2.git pymorphy2-dicts-uk"')

spacy/lang/uk/lex_attrs.py

@@ -0,0 +1,42 @@
+# coding: utf8
+from __future__ import unicode_literals
+
+# import the symbols for the attrs you want to overwrite
+from ...attrs import LIKE_NUM
+
+
+# Overwriting functions for lexical attributes
+# Documentation: https://localhost:1234/docs/usage/adding-languages#lex-attrs
+# Most of these functions, like is_lower or like_url should be language-
+# independent. Others, like like_num (which includes both digits and number
+# words), requires customisation.
+
+
+# Example: check if token resembles a number
+_num_words = ["більйон", "вісім", "вісімдесят", "вісімнадцять", "вісімсот", "восьмий", "два", "двадцять", "дванадцять",
+              "двісті", "дев'яносто", "дев'ятнадцять", "дев'ятсот", "дев'ять", "десять", "децильйон", "квадрильйон",
+              "квінтильйон", "мільйон", "мільярд", "нонильйон", "один", "одинадцять", "октильйон", "п'ятий",
+              "п'ятисотий", "п'ятнадцять", "п'ятсот", "п'ять", "секстильйон", "септильйон", "сім", "сімдесят",
+              "сімнадцять", "сімсот", "сорок", "сто", "тисяча", "три", "тридцять", "трильйон", "тринадцять", "триста",
+              "чотири", "чотириста", "чотирнадцять", "шістдесят", "шістнадцять", "шістсот", "шість"]
+
+
+def like_num(text):
+    text = text.replace(',', '').replace('.', '')
+    if text.isdigit():
+        return True
+    if text.count('/') == 1:
+        num, denom = text.split('/')
+        if num.isdigit() and denom.isdigit():
+            return True
+    if text in _num_words:
+        return True
+    return False
+
+
+# Create dictionary of functions to overwrite. The default lex_attr_getters are
+# updated with this one, so only the functions defined here are overwritten.
+
+LEX_ATTRS = {
+    LIKE_NUM: like_num
+}

spacy/lang/uk/stop_words.py

@@ -0,0 +1,404 @@
+# encoding: utf8
+from __future__ import unicode_literals
+
+
+# Add stop words
+# Documentation: https://spacy.io/docs/usage/adding-languages#stop-words
+# To improve readability, words should be ordered alphabetically and separated
+# by spaces and newlines. When adding stop words from an online source, always
+# include the link in a comment. Make sure to proofread and double-check the
+# words – lists available online are often known to contain mistakes.
+
+
+STOP_WORDS = set("""а
+або
+адже
+але
+алло
+багато
+без
+безперервно
+би
+більш
+більше
+біля
+близько
+був
+буває
+буде
+будемо
+будете
+будеш
+буду
+будуть
+будь
+була
+були
+було
+бути
+бывь
+в
+важлива
+важливе
+важливий
+важливі
+вам
+вами
+вас
+ваш
+ваша
+ваше
+ваші
+вгорі
+вгору
+вдалині
+вже
+ви
+від
+відсотків
+він
+вісім
+вісімнадцятий
+вісімнадцять
+вниз
+внизу
+вона
+вони
+воно
+восьмий
+всього
+втім
+г
+геть
+говорив
+говорить
+давно
+далеко
+далі
+дарма
+два
+двадцятий
+двадцять
+дванадцятий
+дванадцять
+дві
+двох
+де
+дев'ятий
+дев'ятнадцятий
+дев'ятнадцять
+дев'ять
+декілька
+день
+десятий
+десять
+дійсно
+для
+дня
+до
+добре
+довго
+доки
+досить
+другий
+дуже
+же
+життя
+з
+за
+завжди
+зазвичай
+зайнята
+зайнятий
+зайняті
+зайнято
+занадто
+зараз
+зате
+звичайно
+звідси
+звідусіль
+здається
+значить
+знову
+зовсім
+ім'я
+іноді
+інша
+інше
+інший
+інших
+інші
+її
+їй
+їх
+його
+йому
+ким
+кого
+кожен
+кожна
+кожне
+кожні
+коли
+кому
+краще
+крейдуючи
+кругом
+куди
+ласка
+лише
+люди
+людина
+майже
+мало
+мати
+мене
+мені
+менш
+менше
+ми
+мимо
+міг
+між
+мій
+мільйонів
+мною
+могти
+моє
+мож
+може
+можна
+можно
+можуть
+можхо
+мої
+мор
+моя
+на
+навіть
+навіщо
+навкруги
+нагорі
+над
+назад
+найбільш
+нам
+нами
+нарешті
+нас
+наш
+наша
+наше
+наші
+не
+небагато
+недалеко
+немає
+нерідко
+нещодавно
+нею
+нибудь
+нижче
+низько
+ним
+ними
+них
+ні
+ніби
+ніколи
+нікуди
+нічого
+ну
+нх
+нього
+о
+обоє
+один
+одинадцятий
+одинадцять
+однієї
+одній
+одного
+означає
+окрім
+он
+особливо
+ось
+перед
+перший
+під
+пізніше
+пір
+по
+повинно
+подів
+поки
+пора
+поруч
+посеред
+потім
+потрібно
+почала
+прекрасне
+прекрасно
+при
+про
+просто
+проте
+проти
+п'ятий
+п'ятнадцятий
+п'ятнадцять
+п'ять
+раз
+раніше
+рано
+раптом
+рік
+роки
+років
+року
+сам
+сама
+саме
+самим
+самими
+самих
+самі
+самій
+само
+самого
+самому
+саму
+світу
+свого
+своє
+свої
+своїй
+своїх
+свою
+сеаой
+себе
+сім
+сімнадцятий
+сімнадцять
+сказав
+сказала
+сказати
+скільки
+скрізь
+собі
+собою
+спасибі
+спочатку
+справ
+став
+суть
+сьогодні
+сьомий
+т
+та
+так
+така
+таке
+такий
+такі
+також
+там
+твій
+твоє
+твоя
+те
+тебе
+теж
+тепер
+ти
+тим
+тими
+тисяч
+тих
+ті
+тією
+тільки
+тобі
+тобою
+того
+тоді
+той
+том
+тому
+треба
+третій
+три
+тринадцятий
+тринадцять
+трохи
+ту
+туди
+тут
+у
+увесь
+уміти
+усе
+усі
+усім
+усіма
+усіх
+усію
+усього
+усьому
+усю
+усюди
+уся
+хіба
+хотіти
+хоч
+хоча
+хочеш
+хто
+це
+цей
+цим
+цими
+цих
+ці
+цій
+цього
+цьому
+цю
+ця
+час
+частіше
+часто
+часу
+через
+четвертий
+чи
+чим
+численна
+численне
+численний
+численні
+чого
+чому
+чотири
+чотирнадцятий
+чотирнадцять
+шістнадцятий
+шістнадцять
+шість
+шостий
+ще
+що
+щоб
+я
+як
+яка
+який
+яких
+які
+якій
+якого
+якщо
+""".split())

spacy/lang/uk/tag_map.py

@@ -0,0 +1,36 @@
+# coding: utf8
+from __future__ import unicode_literals
+
+from ..symbols import POS, ADV, NOUN, ADP, PRON, SCONJ, PROPN, DET, SYM, INTJ
+from ..symbols import PUNCT, NUM, AUX, X, CONJ, ADJ, VERB, PART, SPACE, CCONJ
+
+
+# Add a tag map
+# Documentation: https://spacy.io/docs/usage/adding-languages#tag-map
+# Universal Dependencies: http://universaldependencies.org/u/pos/all.html
+# The keys of the tag map should be strings in your tag set. The dictionary must
+# have an entry POS whose value is one of the Universal Dependencies tags.
+# Optionally, you can also include morphological features or other attributes.
+
+
+TAG_MAP = {
+    "ADV":      {POS: ADV},
+    "NOUN":     {POS: NOUN},
+    "ADP":      {POS: ADP},
+    "PRON":     {POS: PRON},
+    "SCONJ":    {POS: SCONJ},
+    "PROPN":    {POS: PROPN},
+    "DET":      {POS: DET},
+    "SYM":      {POS: SYM},
+    "INTJ":     {POS: INTJ},
+    "PUNCT":    {POS: PUNCT},
+    "NUM":      {POS: NUM},
+    "AUX":      {POS: AUX},
+    "X":        {POS: X},
+    "CONJ":     {POS: CONJ},
+    "CCONJ":    {POS: CCONJ},
+    "ADJ":      {POS: ADJ},
+    "VERB":     {POS: VERB},
+    "PART":     {POS: PART},
+    "SP":     	{POS: SPACE}
+}

spacy/lang/uk/tokenizer_exceptions.py

@@ -0,0 +1,38 @@
+# coding: utf8
+from __future__ import unicode_literals
+
+# import symbols – if you need to use more, add them here
+from ...symbols import ORTH, LEMMA, POS, NORM, NOUN
+
+
+# Add tokenizer exceptions
+# Documentation: https://spacy.io/docs/usage/adding-languages#tokenizer-exceptions
+# Feel free to use custom logic to generate repetitive exceptions more efficiently.
+# If an exception is split into more than one token, the ORTH values combined always
+# need to match the original string.
+
+# Exceptions should be added in the following format:
+
+_exc = {}
+
+for exc_data in [
+    {ORTH: "вул.", LEMMA: "вулиця", NORM: "вулиця", POS: NOUN},
+    {ORTH: "ім.", LEMMA: "ім'я", NORM: "імені", POS: NOUN},
+    {ORTH: "просп.", LEMMA: "проспект", NORM: "проспект", POS: NOUN},
+    {ORTH: "бул.", LEMMA: "бульвар", NORM: "бульвар", POS: NOUN},
+    {ORTH: "пров.", LEMMA: "провулок", NORM: "провулок", POS: NOUN},
+    {ORTH: "пл.", LEMMA: "площа", NORM: "площа", POS: NOUN},
+    {ORTH: "г.", LEMMA: "гора", NORM: "гора", POS: NOUN},
+    {ORTH: "п.", LEMMA: "пан", NORM: "пан", POS: NOUN},
+    {ORTH: "м.", LEMMA: "місто", NORM: "місто", POS: NOUN},
+    {ORTH: "проф.", LEMMA: "професор", NORM: "професор", POS: NOUN},
+    {ORTH: "акад.", LEMMA: "академік", NORM: "академік", POS: NOUN},
+    {ORTH: "доц.", LEMMA: "доцент", NORM: "доцент", POS: NOUN},
+    {ORTH: "оз.", LEMMA: "озеро", NORM: "озеро", POS: NOUN}]:
+    _exc[exc_data[ORTH]] = [exc_data]
+
+
+# To keep things clean and readable, it's recommended to only declare the
+# TOKENIZER_EXCEPTIONS at the bottom:
+
+TOKENIZER_EXCEPTIONS = _exc

spacy/tests/conftest.py

@@ -15,7 +15,7 @@ from .. import util
 # here if it's using spaCy's tokenizer (not a different library)
 # TODO: re-implement generic tokenizer tests
 _languages = ['bn', 'ca', 'da', 'de', 'el', 'en', 'es', 'fi', 'fr', 'ga', 'he', 'hu', 'id',
-              'it', 'nb', 'nl', 'pl', 'pt', 'ro', 'ru', 'sv', 'tr', 'ar', 'ur', 'tt',
+              'it', 'nb', 'nl', 'pl', 'pt', 'ro', 'ru', 'sv', 'tr', 'ar', 'ur', 'tt', 'uk',
               'xx']
 
 _models = {'en': ['en_core_web_sm'],
@@ -49,6 +49,11 @@ def RU(request):
     pymorphy = pytest.importorskip('pymorphy2')
     return util.get_lang_class('ru')()
 
+@pytest.fixture()
+def UK(request):
+    pymorphy = pytest.importorskip('pymorphy2')
+    return util.get_lang_class('uk')()
+
 @pytest.fixture()
 def JA(request):
     mecab = pytest.importorskip("MeCab")
@@ -175,6 +180,11 @@ def ru_tokenizer():
     pymorphy = pytest.importorskip('pymorphy2')
     return util.get_lang_class('ru').Defaults.create_tokenizer()
 
+@pytest.fixture(scope='session')
+def uk_tokenizer():
+    pymorphy = pytest.importorskip('pymorphy2')
+    return util.get_lang_class('uk').Defaults.create_tokenizer()
+
 @pytest.fixture(scope='session')
 def ca_tokenizer():
     return util.get_lang_class('ca').Defaults.create_tokenizer()

spacy/tests/lang/uk/test_tokenizer.py

@@ -0,0 +1,128 @@
+# coding: utf-8
+"""Test that open, closed and paired punctuation is split off correctly."""
+
+
+from __future__ import unicode_literals
+
+import pytest
+
+
+PUNCT_OPEN = ['(', '[', '{', '*']
+PUNCT_CLOSE = [')', ']', '}', '*']
+PUNCT_PAIRED = [('(', ')'),  ('[', ']'), ('{', '}'), ('*', '*')]
+
+
+@pytest.mark.parametrize('text', ["(", "((", "<"])
+def test_uk_tokenizer_handles_only_punct(uk_tokenizer, text):
+    tokens = uk_tokenizer(text)
+    assert len(tokens) == len(text)
+
+
+@pytest.mark.parametrize('punct', PUNCT_OPEN)
+@pytest.mark.parametrize('text', ["Привет", "Привіт", "Ґелґотати", "З'єднання", "Єдність", "їхні"])
+def test_uk_tokenizer_splits_open_punct(uk_tokenizer, punct, text):
+    tokens = uk_tokenizer(punct + text)
+    assert len(tokens) == 2
+    assert tokens[0].text == punct
+    assert tokens[1].text == text
+
+
+@pytest.mark.parametrize('punct', PUNCT_CLOSE)
+@pytest.mark.parametrize('text', ["Привет", "Привіт", "Ґелґотати", "З'єднання", "Єдність", "їхні"])
+def test_uk_tokenizer_splits_close_punct(uk_tokenizer, punct, text):
+    tokens = uk_tokenizer(text + punct)
+    assert len(tokens) == 2
+    assert tokens[0].text == text
+    assert tokens[1].text == punct
+
+
+@pytest.mark.parametrize('punct', PUNCT_OPEN)
+@pytest.mark.parametrize('punct_add', ["`"])
+@pytest.mark.parametrize('text', ["Привет", "Привіт", "Ґелґотати", "З'єднання", "Єдність", "їхні"])
+def test_uk_tokenizer_splits_two_diff_open_punct(uk_tokenizer, punct, punct_add, text):
+    tokens = uk_tokenizer(punct + punct_add + text)
+    assert len(tokens) == 3
+    assert tokens[0].text == punct
+    assert tokens[1].text == punct_add
+    assert tokens[2].text == text
+
+
+@pytest.mark.parametrize('punct', PUNCT_CLOSE)
+@pytest.mark.parametrize('punct_add', ["'"])
+@pytest.mark.parametrize('text', ["Привет", "Привіт", "Ґелґотати", "З'єднання", "Єдність", "їхні"])
+def test_uk_tokenizer_splits_two_diff_close_punct(uk_tokenizer, punct, punct_add, text):
+    tokens = uk_tokenizer(text + punct + punct_add)
+    assert len(tokens) == 3
+    assert tokens[0].text == text
+    assert tokens[1].text == punct
+    assert tokens[2].text == punct_add
+
+
+@pytest.mark.parametrize('punct', PUNCT_OPEN)
+@pytest.mark.parametrize('text', ["Привет", "Привіт", "Ґелґотати", "З'єднання", "Єдність", "їхні"])
+def test_uk_tokenizer_splits_same_open_punct(uk_tokenizer, punct, text):
+    tokens = uk_tokenizer(punct + punct + punct + text)
+    assert len(tokens) == 4
+    assert tokens[0].text == punct
+    assert tokens[3].text == text
+
+
+@pytest.mark.parametrize('punct', PUNCT_CLOSE)
+@pytest.mark.parametrize('text', ["Привет", "Привіт", "Ґелґотати", "З'єднання", "Єдність", "їхні"])
+def test_uk_tokenizer_splits_same_close_punct(uk_tokenizer, punct, text):
+    tokens = uk_tokenizer(text + punct + punct + punct)
+    assert len(tokens) == 4
+    assert tokens[0].text == text
+    assert tokens[1].text == punct
+
+
+@pytest.mark.parametrize('text', ["'Тест"])
+def test_uk_tokenizer_splits_open_appostrophe(uk_tokenizer, text):
+    tokens = uk_tokenizer(text)
+    assert len(tokens) == 2
+    assert tokens[0].text == "'"
+
+
+@pytest.mark.parametrize('text', ["Тест''"])
+def test_uk_tokenizer_splits_double_end_quote(uk_tokenizer, text):
+    tokens = uk_tokenizer(text)
+    assert len(tokens) == 2
+    tokens_punct = uk_tokenizer("''")
+    assert len(tokens_punct) == 1
+
+
+@pytest.mark.parametrize('punct_open,punct_close', PUNCT_PAIRED)
+@pytest.mark.parametrize('text', ["Привет", "Привіт", "Ґелґотати", "З'єднання", "Єдність", "їхні"])
+def test_uk_tokenizer_splits_open_close_punct(uk_tokenizer, punct_open,
+                                              punct_close, text):
+    tokens = uk_tokenizer(punct_open + text + punct_close)
+    assert len(tokens) == 3
+    assert tokens[0].text == punct_open
+    assert tokens[1].text == text
+    assert tokens[2].text == punct_close
+
+
+@pytest.mark.parametrize('punct_open,punct_close', PUNCT_PAIRED)
+@pytest.mark.parametrize('punct_open2,punct_close2', [("`", "'")])
+@pytest.mark.parametrize('text', ["Привет", "Привіт", "Ґелґотати", "З'єднання", "Єдність", "їхні"])
+def test_uk_tokenizer_two_diff_punct(uk_tokenizer, punct_open, punct_close,
+                                     punct_open2, punct_close2, text):
+    tokens = uk_tokenizer(punct_open2 + punct_open + text + punct_close + punct_close2)
+    assert len(tokens) == 5
+    assert tokens[0].text == punct_open2
+    assert tokens[1].text == punct_open
+    assert tokens[2].text == text
+    assert tokens[3].text == punct_close
+    assert tokens[4].text == punct_close2
+
+
+@pytest.mark.parametrize('text', ["Привет.", "Привіт.", "Ґелґотати.", "З'єднання.", "Єдність.", "їхні."])
+def test_uk_tokenizer_splits_trailing_dot(uk_tokenizer, text):
+    tokens = uk_tokenizer(text)
+    assert tokens[1].text == "."
+
+
+def test_uk_tokenizer_splits_bracket_period(uk_tokenizer):
+    text = "(Раз, два, три, проверка)."
+    tokens = uk_tokenizer(text)
+    assert tokens[len(tokens) - 1].text == "."

spacy/tests/lang/uk/test_tokenizer_exc.py

@@ -0,0 +1,18 @@
+# coding: utf-8
+"""Test that tokenizer exceptions are parsed correctly."""
+
+
+from __future__ import unicode_literals
+
+import pytest
+
+
+@pytest.mark.parametrize('text,norms,lemmas', [("ім.", ["імені"], ["ім'я"]),
+                                        ("проф.", ["професор"], ["професор"])])
+def test_uk_tokenizer_abbrev_exceptions(uk_tokenizer, text, norms, lemmas):
+    tokens = uk_tokenizer(text)
+    assert len(tokens) == 1
+    assert [token.norm_ for token in tokens] == norms
+
+
+