| Get a custom spaCy pipeline, tailor-made for your NLP problem by spaCy's core developers. Streamlined, production-ready, predictable and maintainable. Start by completing our 5-minute questionnaire to tell us what you need and we'll be in touch! **[Learn more →](https://explosion.ai/spacy-tailored-pipelines)** |
[spacy 101]: https://spacy.io/usage/spacy-101
[new in v3.0]: https://spacy.io/usage/v3
@@ -60,9 +61,7 @@ open-source software, released under the MIT license.
## 💬 Where to ask questions
-The spaCy project is maintained by **[@honnibal](https://github.com/honnibal)**,
-**[@ines](https://github.com/ines)**, **[@svlandeg](https://github.com/svlandeg)**,
-**[@adrianeboyd](https://github.com/adrianeboyd)** and **[@polm](https://github.com/polm)**.
+The spaCy project is maintained by the [spaCy team](https://explosion.ai/about).
Please understand that we won't be able to provide individual support via email.
We also believe that help is much more valuable if it's shared publicly, so that
more people can benefit from it.
diff --git a/azure-pipelines.yml b/azure-pipelines.yml
index 4291b6e0a..4624b2eb2 100644
--- a/azure-pipelines.yml
+++ b/azure-pipelines.yml
@@ -11,19 +11,21 @@ trigger:
exclude:
- "website/*"
- "*.md"
+ - ".github/workflows/*"
pr:
- paths:
+ paths:
exclude:
- "*.md"
- "website/docs/*"
- "website/src/*"
+ - ".github/workflows/*"
jobs:
# Perform basic checks for most important errors (syntax etc.) Uses the config
# defined in .flake8 and overwrites the selected codes.
- job: "Validate"
pool:
- vmImage: "ubuntu-18.04"
+ vmImage: "ubuntu-latest"
steps:
- task: UsePythonVersion@0
inputs:
@@ -39,49 +41,49 @@ jobs:
matrix:
# We're only running one platform per Python version to speed up builds
Python36Linux:
- imageName: "ubuntu-18.04"
+ imageName: "ubuntu-latest"
python.version: "3.6"
# Python36Windows:
- # imageName: "windows-2019"
+ # imageName: "windows-latest"
# python.version: "3.6"
# Python36Mac:
- # imageName: "macos-10.14"
+ # imageName: "macos-latest"
# python.version: "3.6"
# Python37Linux:
- # imageName: "ubuntu-18.04"
+ # imageName: "ubuntu-latest"
# python.version: "3.7"
Python37Windows:
- imageName: "windows-2019"
+ imageName: "windows-latest"
python.version: "3.7"
# Python37Mac:
- # imageName: "macos-10.14"
+ # imageName: "macos-latest"
# python.version: "3.7"
# Python38Linux:
- # imageName: "ubuntu-18.04"
+ # imageName: "ubuntu-latest"
# python.version: "3.8"
# Python38Windows:
- # imageName: "windows-2019"
+ # imageName: "windows-latest"
# python.version: "3.8"
Python38Mac:
- imageName: "macos-10.14"
+ imageName: "macos-latest"
python.version: "3.8"
Python39Linux:
- imageName: "ubuntu-18.04"
+ imageName: "ubuntu-latest"
python.version: "3.9"
# Python39Windows:
- # imageName: "windows-2019"
+ # imageName: "windows-latest"
# python.version: "3.9"
# Python39Mac:
- # imageName: "macos-10.14"
+ # imageName: "macos-latest"
# python.version: "3.9"
Python310Linux:
- imageName: "ubuntu-20.04"
+ imageName: "ubuntu-latest"
python.version: "3.10"
Python310Windows:
- imageName: "windows-2019"
+ imageName: "windows-latest"
python.version: "3.10"
Python310Mac:
- imageName: "macos-10.15"
+ imageName: "macos-latest"
python.version: "3.10"
maxParallel: 4
pool:
diff --git a/extra/DEVELOPER_DOCS/Code Conventions.md b/extra/DEVELOPER_DOCS/Code Conventions.md
index 7a3f6996f..eba466c46 100644
--- a/extra/DEVELOPER_DOCS/Code Conventions.md
+++ b/extra/DEVELOPER_DOCS/Code Conventions.md
@@ -444,7 +444,7 @@ spaCy uses the [`pytest`](http://doc.pytest.org/) framework for testing. Tests f
When adding tests, make sure to use descriptive names and only test for one behavior at a time. Tests should be grouped into modules dedicated to the same type of functionality and some test modules are organized as directories of test files related to the same larger area of the library, e.g. `matcher` or `tokenizer`.
-Regression tests are tests that refer to bugs reported in specific issues. They should live in the `regression` module and are named according to the issue number (e.g. `test_issue1234.py`). This system allows us to relate tests for specific bugs back to the original reported issue, which is especially useful if we introduce a regression and a previously passing regression tests suddenly fails again. When fixing a bug, it's often useful to create a regression test for it first. Every once in a while, we go through the `regression` module and group tests together into larger files by issue number, in groups of 500 to 1000 numbers. This prevents us from ending up with too many individual files over time.
+Regression tests are tests that refer to bugs reported in specific issues. They should live in the relevant module of the test suite, named according to the issue number (e.g., `test_issue1234.py`), and [marked](https://docs.pytest.org/en/6.2.x/example/markers.html#working-with-custom-markers) appropriately (e.g. `@pytest.mark.issue(1234)`). This system allows us to relate tests for specific bugs back to the original reported issue, which is especially useful if we introduce a regression and a previously passing regression tests suddenly fails again. When fixing a bug, it's often useful to create a regression test for it first.
The test suite also provides [fixtures](https://github.com/explosion/spaCy/blob/master/spacy/tests/conftest.py) for different language tokenizers that can be used as function arguments of the same name and will be passed in automatically. Those should only be used for tests related to those specific languages. We also have [test utility functions](https://github.com/explosion/spaCy/blob/master/spacy/tests/util.py) for common operations, like creating a temporary file.
diff --git a/requirements.txt b/requirements.txt
index fe621c55a..f3cb67bd9 100644
--- a/requirements.txt
+++ b/requirements.txt
@@ -31,7 +31,8 @@ pytest-timeout>=1.3.0,<2.0.0
mock>=2.0.0,<3.0.0
flake8>=3.8.0,<3.10.0
hypothesis>=3.27.0,<7.0.0
-mypy>=0.910
+mypy==0.910
types-dataclasses>=0.1.3; python_version < "3.7"
types-mock>=0.1.1
types-requests
+black>=22.0,<23.0
diff --git a/setup.cfg b/setup.cfg
index d4b0fc54e..9a257f5f9 100644
--- a/setup.cfg
+++ b/setup.cfg
@@ -77,37 +77,39 @@ transformers =
ray =
spacy_ray>=0.1.0,<1.0.0
cuda =
- cupy>=5.0.0b4,<10.0.0
+ cupy>=5.0.0b4,<11.0.0
cuda80 =
- cupy-cuda80>=5.0.0b4,<10.0.0
+ cupy-cuda80>=5.0.0b4,<11.0.0
cuda90 =
- cupy-cuda90>=5.0.0b4,<10.0.0
+ cupy-cuda90>=5.0.0b4,<11.0.0
cuda91 =
- cupy-cuda91>=5.0.0b4,<10.0.0
+ cupy-cuda91>=5.0.0b4,<11.0.0
cuda92 =
- cupy-cuda92>=5.0.0b4,<10.0.0
+ cupy-cuda92>=5.0.0b4,<11.0.0
cuda100 =
- cupy-cuda100>=5.0.0b4,<10.0.0
+ cupy-cuda100>=5.0.0b4,<11.0.0
cuda101 =
- cupy-cuda101>=5.0.0b4,<10.0.0
+ cupy-cuda101>=5.0.0b4,<11.0.0
cuda102 =
- cupy-cuda102>=5.0.0b4,<10.0.0
+ cupy-cuda102>=5.0.0b4,<11.0.0
cuda110 =
- cupy-cuda110>=5.0.0b4,<10.0.0
+ cupy-cuda110>=5.0.0b4,<11.0.0
cuda111 =
- cupy-cuda111>=5.0.0b4,<10.0.0
+ cupy-cuda111>=5.0.0b4,<11.0.0
cuda112 =
- cupy-cuda112>=5.0.0b4,<10.0.0
+ cupy-cuda112>=5.0.0b4,<11.0.0
cuda113 =
- cupy-cuda113>=5.0.0b4,<10.0.0
+ cupy-cuda113>=5.0.0b4,<11.0.0
cuda114 =
- cupy-cuda114>=5.0.0b4,<10.0.0
+ cupy-cuda114>=5.0.0b4,<11.0.0
+cuda115 =
+ cupy-cuda115>=5.0.0b4,<11.0.0
apple =
thinc-apple-ops>=0.0.4,<1.0.0
# Language tokenizers with external dependencies
ja =
- sudachipy>=0.4.9
- sudachidict_core>=20200330
+ sudachipy>=0.5.2,!=0.6.1
+ sudachidict_core>=20211220
ko =
natto-py==0.9.0
th =
diff --git a/setup.py b/setup.py
index 03a1e01dd..fcc124a43 100755
--- a/setup.py
+++ b/setup.py
@@ -81,7 +81,6 @@ COPY_FILES = {
ROOT / "setup.cfg": PACKAGE_ROOT / "tests" / "package",
ROOT / "pyproject.toml": PACKAGE_ROOT / "tests" / "package",
ROOT / "requirements.txt": PACKAGE_ROOT / "tests" / "package",
- ROOT / "website" / "meta" / "universe.json": PACKAGE_ROOT / "tests" / "universe",
}
diff --git a/spacy/about.py b/spacy/about.py
index 29f78805c..d01b278c9 100644
--- a/spacy/about.py
+++ b/spacy/about.py
@@ -1,6 +1,6 @@
# fmt: off
__title__ = "spacy"
-__version__ = "3.2.0"
+__version__ = "3.2.2"
__download_url__ = "https://github.com/explosion/spacy-models/releases/download"
__compatibility__ = "https://raw.githubusercontent.com/explosion/spacy-models/master/compatibility.json"
__projects__ = "https://github.com/explosion/projects"
diff --git a/spacy/attrs.pyx b/spacy/attrs.pyx
index 640fb2f3c..dc8eed7c3 100644
--- a/spacy/attrs.pyx
+++ b/spacy/attrs.pyx
@@ -1,3 +1,6 @@
+from .errors import Errors
+
+IOB_STRINGS = ("", "I", "O", "B")
IDS = {
"": NULL_ATTR,
@@ -64,7 +67,6 @@ IDS = {
"FLAG61": FLAG61,
"FLAG62": FLAG62,
"FLAG63": FLAG63,
-
"ID": ID,
"ORTH": ORTH,
"LOWER": LOWER,
@@ -72,7 +74,6 @@ IDS = {
"SHAPE": SHAPE,
"PREFIX": PREFIX,
"SUFFIX": SUFFIX,
-
"LENGTH": LENGTH,
"LEMMA": LEMMA,
"POS": POS,
@@ -87,7 +88,7 @@ IDS = {
"SPACY": SPACY,
"LANG": LANG,
"MORPH": MORPH,
- "IDX": IDX
+ "IDX": IDX,
}
@@ -109,28 +110,66 @@ def intify_attrs(stringy_attrs, strings_map=None, _do_deprecated=False):
"""
inty_attrs = {}
if _do_deprecated:
- if 'F' in stringy_attrs:
+ if "F" in stringy_attrs:
stringy_attrs["ORTH"] = stringy_attrs.pop("F")
- if 'L' in stringy_attrs:
+ if "L" in stringy_attrs:
stringy_attrs["LEMMA"] = stringy_attrs.pop("L")
- if 'pos' in stringy_attrs:
+ if "pos" in stringy_attrs:
stringy_attrs["TAG"] = stringy_attrs.pop("pos")
- if 'morph' in stringy_attrs:
- morphs = stringy_attrs.pop('morph')
- if 'number' in stringy_attrs:
- stringy_attrs.pop('number')
- if 'tenspect' in stringy_attrs:
- stringy_attrs.pop('tenspect')
+ if "morph" in stringy_attrs:
+ morphs = stringy_attrs.pop("morph")
+ if "number" in stringy_attrs:
+ stringy_attrs.pop("number")
+ if "tenspect" in stringy_attrs:
+ stringy_attrs.pop("tenspect")
morph_keys = [
- 'PunctType', 'PunctSide', 'Other', 'Degree', 'AdvType', 'Number',
- 'VerbForm', 'PronType', 'Aspect', 'Tense', 'PartType', 'Poss',
- 'Hyph', 'ConjType', 'NumType', 'Foreign', 'VerbType', 'NounType',
- 'Gender', 'Mood', 'Negative', 'Tense', 'Voice', 'Abbr',
- 'Derivation', 'Echo', 'Foreign', 'NameType', 'NounType', 'NumForm',
- 'NumValue', 'PartType', 'Polite', 'StyleVariant',
- 'PronType', 'AdjType', 'Person', 'Variant', 'AdpType',
- 'Reflex', 'Negative', 'Mood', 'Aspect', 'Case',
- 'Polarity', 'PrepCase', 'Animacy' # U20
+ "PunctType",
+ "PunctSide",
+ "Other",
+ "Degree",
+ "AdvType",
+ "Number",
+ "VerbForm",
+ "PronType",
+ "Aspect",
+ "Tense",
+ "PartType",
+ "Poss",
+ "Hyph",
+ "ConjType",
+ "NumType",
+ "Foreign",
+ "VerbType",
+ "NounType",
+ "Gender",
+ "Mood",
+ "Negative",
+ "Tense",
+ "Voice",
+ "Abbr",
+ "Derivation",
+ "Echo",
+ "Foreign",
+ "NameType",
+ "NounType",
+ "NumForm",
+ "NumValue",
+ "PartType",
+ "Polite",
+ "StyleVariant",
+ "PronType",
+ "AdjType",
+ "Person",
+ "Variant",
+ "AdpType",
+ "Reflex",
+ "Negative",
+ "Mood",
+ "Aspect",
+ "Case",
+ "Polarity",
+ "PrepCase",
+ "Animacy", # U20
]
for key in morph_keys:
if key in stringy_attrs:
@@ -142,8 +181,13 @@ def intify_attrs(stringy_attrs, strings_map=None, _do_deprecated=False):
for name, value in stringy_attrs.items():
int_key = intify_attr(name)
if int_key is not None:
+ if int_key == ENT_IOB:
+ if value in IOB_STRINGS:
+ value = IOB_STRINGS.index(value)
+ elif isinstance(value, str):
+ raise ValueError(Errors.E1025.format(value=value))
if strings_map is not None and isinstance(value, str):
- if hasattr(strings_map, 'add'):
+ if hasattr(strings_map, "add"):
value = strings_map.add(value)
else:
value = strings_map[value]
diff --git a/spacy/cli/debug_config.py b/spacy/cli/debug_config.py
index 56ee12336..409fac4ed 100644
--- a/spacy/cli/debug_config.py
+++ b/spacy/cli/debug_config.py
@@ -25,7 +25,7 @@ def debug_config_cli(
show_vars: bool = Opt(False, "--show-variables", "-V", help="Show an overview of all variables referenced in the config and their values. This will also reflect variables overwritten on the CLI.")
# fmt: on
):
- """Debug a config.cfg file and show validation errors. The command will
+ """Debug a config file and show validation errors. The command will
create all objects in the tree and validate them. Note that some config
validation errors are blocking and will prevent the rest of the config from
being resolved. This means that you may not see all validation errors at
diff --git a/spacy/cli/debug_data.py b/spacy/cli/debug_data.py
index 3143e2c62..a63795148 100644
--- a/spacy/cli/debug_data.py
+++ b/spacy/cli/debug_data.py
@@ -14,7 +14,7 @@ from ..training.initialize import get_sourced_components
from ..schemas import ConfigSchemaTraining
from ..pipeline._parser_internals import nonproj
from ..pipeline._parser_internals.nonproj import DELIMITER
-from ..pipeline import Morphologizer
+from ..pipeline import Morphologizer, SpanCategorizer
from ..morphology import Morphology
from ..language import Language
from ..util import registry, resolve_dot_names
@@ -193,6 +193,70 @@ def debug_data(
else:
msg.info("No word vectors present in the package")
+ if "spancat" in factory_names:
+ model_labels_spancat = _get_labels_from_spancat(nlp)
+ has_low_data_warning = False
+ has_no_neg_warning = False
+
+ msg.divider("Span Categorization")
+ msg.table(model_labels_spancat, header=["Spans Key", "Labels"], divider=True)
+
+ msg.text("Label counts in train data: ", show=verbose)
+ for spans_key, data_labels in gold_train_data["spancat"].items():
+ msg.text(
+ f"Key: {spans_key}, {_format_labels(data_labels.items(), counts=True)}",
+ show=verbose,
+ )
+ # Data checks: only take the spans keys in the actual spancat components
+ data_labels_in_component = {
+ spans_key: gold_train_data["spancat"][spans_key]
+ for spans_key in model_labels_spancat.keys()
+ }
+ for spans_key, data_labels in data_labels_in_component.items():
+ for label, count in data_labels.items():
+ # Check for missing labels
+ spans_key_in_model = spans_key in model_labels_spancat.keys()
+ if (spans_key_in_model) and (
+ label not in model_labels_spancat[spans_key]
+ ):
+ msg.warn(
+ f"Label '{label}' is not present in the model labels of key '{spans_key}'. "
+ "Performance may degrade after training."
+ )
+ # Check for low number of examples per label
+ if count <= NEW_LABEL_THRESHOLD:
+ msg.warn(
+ f"Low number of examples for label '{label}' in key '{spans_key}' ({count})"
+ )
+ has_low_data_warning = True
+ # Check for negative examples
+ with msg.loading("Analyzing label distribution..."):
+ neg_docs = _get_examples_without_label(
+ train_dataset, label, "spancat", spans_key
+ )
+ if neg_docs == 0:
+ msg.warn(f"No examples for texts WITHOUT new label '{label}'")
+ has_no_neg_warning = True
+
+ if has_low_data_warning:
+ msg.text(
+ f"To train a new span type, your data should include at "
+ f"least {NEW_LABEL_THRESHOLD} instances of the new label",
+ show=verbose,
+ )
+ else:
+ msg.good("Good amount of examples for all labels")
+
+ if has_no_neg_warning:
+ msg.text(
+ "Training data should always include examples of spans "
+ "in context, as well as examples without a given span "
+ "type.",
+ show=verbose,
+ )
+ else:
+ msg.good("Examples without ocurrences available for all labels")
+
if "ner" in factory_names:
# Get all unique NER labels present in the data
labels = set(
@@ -203,6 +267,7 @@ def debug_data(
has_low_data_warning = False
has_no_neg_warning = False
has_ws_ents_error = False
+ has_boundary_cross_ents_warning = False
msg.divider("Named Entity Recognition")
msg.info(f"{len(model_labels)} label(s)")
@@ -237,17 +302,25 @@ def debug_data(
has_low_data_warning = True
with msg.loading("Analyzing label distribution..."):
- neg_docs = _get_examples_without_label(train_dataset, label)
+ neg_docs = _get_examples_without_label(train_dataset, label, "ner")
if neg_docs == 0:
msg.warn(f"No examples for texts WITHOUT new label '{label}'")
has_no_neg_warning = True
+ if gold_train_data["boundary_cross_ents"]:
+ msg.warn(
+ f"{gold_train_data['boundary_cross_ents']} entity span(s) crossing sentence boundaries"
+ )
+ has_boundary_cross_ents_warning = True
+
if not has_low_data_warning:
msg.good("Good amount of examples for all labels")
if not has_no_neg_warning:
msg.good("Examples without occurrences available for all labels")
if not has_ws_ents_error:
msg.good("No entities consisting of or starting/ending with whitespace")
+ if not has_boundary_cross_ents_warning:
+ msg.good("No entities crossing sentence boundaries")
if has_low_data_warning:
msg.text(
@@ -564,7 +637,9 @@ def _compile_gold(
"deps": Counter(),
"words": Counter(),
"roots": Counter(),
+ "spancat": dict(),
"ws_ents": 0,
+ "boundary_cross_ents": 0,
"n_words": 0,
"n_misaligned_words": 0,
"words_missing_vectors": Counter(),
@@ -593,6 +668,7 @@ def _compile_gold(
if nlp.vocab.strings[word] not in nlp.vocab.vectors:
data["words_missing_vectors"].update([word])
if "ner" in factory_names:
+ sent_starts = eg.get_aligned_sent_starts()
for i, label in enumerate(eg.get_aligned_ner()):
if label is None:
continue
@@ -602,8 +678,19 @@ def _compile_gold(
if label.startswith(("B-", "U-")):
combined_label = label.split("-")[1]
data["ner"][combined_label] += 1
+ if sent_starts[i] == True and label.startswith(("I-", "L-")):
+ data["boundary_cross_ents"] += 1
elif label == "-":
data["ner"]["-"] += 1
+ if "spancat" in factory_names:
+ for span_key in list(eg.reference.spans.keys()):
+ if span_key not in data["spancat"]:
+ data["spancat"][span_key] = Counter()
+ for i, span in enumerate(eg.reference.spans[span_key]):
+ if span.label_ is None:
+ continue
+ else:
+ data["spancat"][span_key][span.label_] += 1
if "textcat" in factory_names or "textcat_multilabel" in factory_names:
data["cats"].update(gold.cats)
if any(val not in (0, 1) for val in gold.cats.values()):
@@ -674,21 +761,57 @@ def _format_labels(
return ", ".join([f"'{l}'" for l in cast(Iterable[str], labels)])
-def _get_examples_without_label(data: Sequence[Example], label: str) -> int:
+def _get_examples_without_label(
+ data: Sequence[Example],
+ label: str,
+ component: Literal["ner", "spancat"] = "ner",
+ spans_key: Optional[str] = "sc",
+) -> int:
count = 0
for eg in data:
- labels = [
- label.split("-")[1]
- for label in eg.get_aligned_ner()
- if label not in ("O", "-", None)
- ]
+ if component == "ner":
+ labels = [
+ label.split("-")[1]
+ for label in eg.get_aligned_ner()
+ if label not in ("O", "-", None)
+ ]
+
+ if component == "spancat":
+ labels = (
+ [span.label_ for span in eg.reference.spans[spans_key]]
+ if spans_key in eg.reference.spans
+ else []
+ )
+
if label not in labels:
count += 1
return count
-def _get_labels_from_model(nlp: Language, pipe_name: str) -> Set[str]:
- if pipe_name not in nlp.pipe_names:
- return set()
- pipe = nlp.get_pipe(pipe_name)
- return set(pipe.labels)
+def _get_labels_from_model(nlp: Language, factory_name: str) -> Set[str]:
+ pipe_names = [
+ pipe_name
+ for pipe_name in nlp.pipe_names
+ if nlp.get_pipe_meta(pipe_name).factory == factory_name
+ ]
+ labels: Set[str] = set()
+ for pipe_name in pipe_names:
+ pipe = nlp.get_pipe(pipe_name)
+ labels.update(pipe.labels)
+ return labels
+
+
+def _get_labels_from_spancat(nlp: Language) -> Dict[str, Set[str]]:
+ pipe_names = [
+ pipe_name
+ for pipe_name in nlp.pipe_names
+ if nlp.get_pipe_meta(pipe_name).factory == "spancat"
+ ]
+ labels: Dict[str, Set[str]] = {}
+ for pipe_name in pipe_names:
+ pipe = nlp.get_pipe(pipe_name)
+ assert isinstance(pipe, SpanCategorizer)
+ if pipe.key not in labels:
+ labels[pipe.key] = set()
+ labels[pipe.key].update(pipe.labels)
+ return labels
diff --git a/spacy/cli/init_config.py b/spacy/cli/init_config.py
index 530b38eb3..d4cd939c2 100644
--- a/spacy/cli/init_config.py
+++ b/spacy/cli/init_config.py
@@ -27,7 +27,7 @@ class Optimizations(str, Enum):
@init_cli.command("config")
def init_config_cli(
# fmt: off
- output_file: Path = Arg(..., help="File to save config.cfg to or - for stdout (will only output config and no additional logging info)", allow_dash=True),
+ output_file: Path = Arg(..., help="File to save the config to or - for stdout (will only output config and no additional logging info)", allow_dash=True),
lang: str = Opt("en", "--lang", "-l", help="Two-letter code of the language to use"),
pipeline: str = Opt("tagger,parser,ner", "--pipeline", "-p", help="Comma-separated names of trainable pipeline components to include (without 'tok2vec' or 'transformer')"),
optimize: Optimizations = Opt(Optimizations.efficiency.value, "--optimize", "-o", help="Whether to optimize for efficiency (faster inference, smaller model, lower memory consumption) or higher accuracy (potentially larger and slower model). This will impact the choice of architecture, pretrained weights and related hyperparameters."),
@@ -37,7 +37,7 @@ def init_config_cli(
# fmt: on
):
"""
- Generate a starter config.cfg for training. Based on your requirements
+ Generate a starter config file for training. Based on your requirements
specified via the CLI arguments, this command generates a config with the
optimal settings for your use case. This includes the choice of architecture,
pretrained weights and related hyperparameters.
@@ -66,15 +66,15 @@ def init_config_cli(
@init_cli.command("fill-config")
def init_fill_config_cli(
# fmt: off
- base_path: Path = Arg(..., help="Base config to fill", exists=True, dir_okay=False),
- output_file: Path = Arg("-", help="File to save config.cfg to (or - for stdout)", allow_dash=True),
+ base_path: Path = Arg(..., help="Path to base config to fill", exists=True, dir_okay=False),
+ output_file: Path = Arg("-", help="Path to output .cfg file (or - for stdout)", allow_dash=True),
pretraining: bool = Opt(False, "--pretraining", "-pt", help="Include config for pretraining (with 'spacy pretrain')"),
diff: bool = Opt(False, "--diff", "-D", help="Print a visual diff highlighting the changes"),
code_path: Optional[Path] = Opt(None, "--code-path", "--code", "-c", help="Path to Python file with additional code (registered functions) to be imported"),
# fmt: on
):
"""
- Fill partial config.cfg with default values. Will add all missing settings
+ Fill partial config file with default values. Will add all missing settings
from the default config and will create all objects, check the registered
functions for their default values and update the base config. This command
can be used with a config generated via the training quickstart widget:
diff --git a/spacy/cli/package.py b/spacy/cli/package.py
index 76e14daf5..b8c8397b6 100644
--- a/spacy/cli/package.py
+++ b/spacy/cli/package.py
@@ -4,8 +4,10 @@ from pathlib import Path
from wasabi import Printer, MarkdownRenderer, get_raw_input
from thinc.api import Config
from collections import defaultdict
+from catalogue import RegistryError
import srsly
import sys
+import re
from ._util import app, Arg, Opt, string_to_list, WHEEL_SUFFIX, SDIST_SUFFIX
from ..schemas import validate, ModelMetaSchema
@@ -108,6 +110,24 @@ def package(
", ".join(meta["requirements"]),
)
if name is not None:
+ if not name.isidentifier():
+ msg.fail(
+ f"Model name ('{name}') is not a valid module name. "
+ "This is required so it can be imported as a module.",
+ "We recommend names that use ASCII A-Z, a-z, _ (underscore), "
+ "and 0-9. "
+ "For specific details see: https://docs.python.org/3/reference/lexical_analysis.html#identifiers",
+ exits=1,
+ )
+ if not _is_permitted_package_name(name):
+ msg.fail(
+ f"Model name ('{name}') is not a permitted package name. "
+ "This is required to correctly load the model with spacy.load.",
+ "We recommend names that use ASCII A-Z, a-z, _ (underscore), "
+ "and 0-9. "
+ "For specific details see: https://www.python.org/dev/peps/pep-0426/#name",
+ exits=1,
+ )
meta["name"] = name
if version is not None:
meta["version"] = version
@@ -161,7 +181,7 @@ def package(
imports="\n".join(f"from . import {m}" for m in imports)
)
create_file(package_path / "__init__.py", init_py)
- msg.good(f"Successfully created package '{model_name_v}'", main_path)
+ msg.good(f"Successfully created package directory '{model_name_v}'", main_path)
if create_sdist:
with util.working_dir(main_path):
util.run_command([sys.executable, "setup.py", "sdist"], capture=False)
@@ -170,8 +190,14 @@ def package(
if create_wheel:
with util.working_dir(main_path):
util.run_command([sys.executable, "setup.py", "bdist_wheel"], capture=False)
- wheel = main_path / "dist" / f"{model_name_v}{WHEEL_SUFFIX}"
+ wheel_name_squashed = re.sub("_+", "_", model_name_v)
+ wheel = main_path / "dist" / f"{wheel_name_squashed}{WHEEL_SUFFIX}"
msg.good(f"Successfully created binary wheel", wheel)
+ if "__" in model_name:
+ msg.warn(
+ f"Model name ('{model_name}') contains a run of underscores. "
+ "Runs of underscores are not significant in installed package names.",
+ )
def has_wheel() -> bool:
@@ -212,9 +238,18 @@ def get_third_party_dependencies(
if "factory" in component:
funcs["factories"].add(component["factory"])
modules = set()
+ lang = config["nlp"]["lang"]
for reg_name, func_names in funcs.items():
for func_name in func_names:
- func_info = util.registry.find(reg_name, func_name)
+ # Try the lang-specific version and fall back
+ try:
+ func_info = util.registry.find(reg_name, lang + "." + func_name)
+ except RegistryError:
+ try:
+ func_info = util.registry.find(reg_name, func_name)
+ except RegistryError as regerr:
+ # lang-specific version being absent is not actually an issue
+ raise regerr from None
module_name = func_info.get("module") # type: ignore[attr-defined]
if module_name: # the code is part of a module, not a --code file
modules.add(func_info["module"].split(".")[0]) # type: ignore[index]
@@ -412,6 +447,14 @@ def _format_label_scheme(data: Dict[str, Any]) -> str:
return md.text
+def _is_permitted_package_name(package_name: str) -> bool:
+ # regex from: https://www.python.org/dev/peps/pep-0426/#name
+ permitted_match = re.search(
+ r"^([A-Z0-9]|[A-Z0-9][A-Z0-9._-]*[A-Z0-9])$", package_name, re.IGNORECASE
+ )
+ return permitted_match is not None
+
+
TEMPLATE_SETUP = """
#!/usr/bin/env python
import io
diff --git a/spacy/cli/project/assets.py b/spacy/cli/project/assets.py
index b5057e401..5e0cdfdf2 100644
--- a/spacy/cli/project/assets.py
+++ b/spacy/cli/project/assets.py
@@ -1,6 +1,7 @@
from typing import Any, Dict, Optional
from pathlib import Path
from wasabi import msg
+import os
import re
import shutil
import requests
@@ -129,10 +130,17 @@ def fetch_asset(
the asset failed.
"""
dest_path = (project_path / dest).resolve()
- if dest_path.exists() and checksum:
+ if dest_path.exists():
# If there's already a file, check for checksum
- if checksum == get_checksum(dest_path):
- msg.good(f"Skipping download with matching checksum: {dest}")
+ if checksum:
+ if checksum == get_checksum(dest_path):
+ msg.good(f"Skipping download with matching checksum: {dest}")
+ return
+ else:
+ # If there's not a checksum, make sure the file is a possibly valid size
+ if os.path.getsize(dest_path) == 0:
+ msg.warn(f"Asset exists but with size of 0 bytes, deleting: {dest}")
+ os.remove(dest_path)
# We might as well support the user here and create parent directories in
# case the asset dir isn't listed as a dir to create in the project.yml
if not dest_path.parent.exists():
diff --git a/spacy/cli/templates/quickstart_training.jinja b/spacy/cli/templates/quickstart_training.jinja
index b78806fec..fb79a4f60 100644
--- a/spacy/cli/templates/quickstart_training.jinja
+++ b/spacy/cli/templates/quickstart_training.jinja
@@ -6,6 +6,11 @@ can help generate the best possible configuration, given a user's requirements.
[paths]
train = null
dev = null
+{% if use_transformer or optimize == "efficiency" or not word_vectors -%}
+vectors = null
+{% else -%}
+vectors = "{{ word_vectors }}"
+{% endif -%}
[system]
{% if use_transformer -%}
@@ -421,8 +426,4 @@ compound = 1.001
{% endif %}
[initialize]
-{% if use_transformer or optimize == "efficiency" or not word_vectors -%}
vectors = ${paths.vectors}
-{% else -%}
-vectors = "{{ word_vectors }}"
-{% endif -%}
diff --git a/spacy/default_config.cfg b/spacy/default_config.cfg
index ceb7357fc..86a72926e 100644
--- a/spacy/default_config.cfg
+++ b/spacy/default_config.cfg
@@ -68,12 +68,14 @@ seed = ${system.seed}
gpu_allocator = ${system.gpu_allocator}
dropout = 0.1
accumulate_gradient = 1
-# Controls early-stopping. 0 disables early stopping.
+# Controls early-stopping, i.e., the number of steps to continue without
+# improvement before stopping. 0 disables early stopping.
patience = 1600
# Number of epochs. 0 means unlimited. If >= 0, train corpus is loaded once in
# memory and shuffled within the training loop. -1 means stream train corpus
# rather than loading in memory with no shuffling within the training loop.
max_epochs = 0
+# Maximum number of update steps to train for. 0 means an unlimited number of steps.
max_steps = 20000
eval_frequency = 200
# Control how scores are printed and checkpoints are evaluated.
diff --git a/spacy/displacy/__init__.py b/spacy/displacy/__init__.py
index d9418f675..25d530c83 100644
--- a/spacy/displacy/__init__.py
+++ b/spacy/displacy/__init__.py
@@ -181,11 +181,19 @@ def parse_deps(orig_doc: Doc, options: Dict[str, Any] = {}) -> Dict[str, Any]:
def parse_ents(doc: Doc, options: Dict[str, Any] = {}) -> Dict[str, Any]:
"""Generate named entities in [{start: i, end: i, label: 'label'}] format.
- doc (Doc): Document do parse.
+ doc (Doc): Document to parse.
+ options (Dict[str, Any]): NER-specific visualisation options.
RETURNS (dict): Generated entities keyed by text (original text) and ents.
"""
+ kb_url_template = options.get("kb_url_template", None)
ents = [
- {"start": ent.start_char, "end": ent.end_char, "label": ent.label_}
+ {
+ "start": ent.start_char,
+ "end": ent.end_char,
+ "label": ent.label_,
+ "kb_id": ent.kb_id_ if ent.kb_id_ else "",
+ "kb_url": kb_url_template.format(ent.kb_id_) if kb_url_template else "#",
+ }
for ent in doc.ents
]
if not ents:
diff --git a/spacy/displacy/render.py b/spacy/displacy/render.py
index 14d741a3d..a032d843b 100644
--- a/spacy/displacy/render.py
+++ b/spacy/displacy/render.py
@@ -18,7 +18,7 @@ DEFAULT_LABEL_COLORS = {
"LOC": "#ff9561",
"PERSON": "#aa9cfc",
"NORP": "#c887fb",
- "FACILITY": "#9cc9cc",
+ "FAC": "#9cc9cc",
"EVENT": "#ffeb80",
"LAW": "#ff8197",
"LANGUAGE": "#ff8197",
diff --git a/spacy/errors.py b/spacy/errors.py
index c5e364013..5399e489b 100644
--- a/spacy/errors.py
+++ b/spacy/errors.py
@@ -483,7 +483,7 @@ class Errors(metaclass=ErrorsWithCodes):
"components, since spans are only views of the Doc. Use Doc and "
"Token attributes (or custom extension attributes) only and remove "
"the following: {attrs}")
- E181 = ("Received invalid attributes for unkown object {obj}: {attrs}. "
+ E181 = ("Received invalid attributes for unknown object {obj}: {attrs}. "
"Only Doc and Token attributes are supported.")
E182 = ("Received invalid attribute declaration: {attr}\nDid you forget "
"to define the attribute? For example: `{attr}.???`")
@@ -566,9 +566,6 @@ class Errors(metaclass=ErrorsWithCodes):
E879 = ("Unexpected type for 'spans' data. Provide a dictionary mapping keys to "
"a list of spans, with each span represented by a tuple (start_char, end_char). "
"The tuple can be optionally extended with a label and a KB ID.")
- E880 = ("The 'wandb' library could not be found - did you install it? "
- "Alternatively, specify the 'ConsoleLogger' in the 'training.logger' "
- "config section, instead of the 'WandbLogger'.")
E884 = ("The pipeline could not be initialized because the vectors "
"could not be found at '{vectors}'. If your pipeline was already "
"initialized/trained before, call 'resume_training' instead of 'initialize', "
@@ -642,7 +639,7 @@ class Errors(metaclass=ErrorsWithCodes):
E912 = ("Failed to initialize lemmatizer. Missing lemmatizer table(s) found "
"for mode '{mode}'. Required tables: {tables}. Found: {found}.")
E913 = ("Corpus path can't be None. Maybe you forgot to define it in your "
- "config.cfg or override it on the CLI?")
+ ".cfg file or override it on the CLI?")
E914 = ("Executing {name} callback failed. Expected the function to "
"return the nlp object but got: {value}. Maybe you forgot to return "
"the modified object in your function?")
@@ -888,8 +885,13 @@ class Errors(metaclass=ErrorsWithCodes):
E1021 = ("`pos` value \"{pp}\" is not a valid Universal Dependencies tag. "
"Non-UD tags should use the `tag` property.")
E1022 = ("Words must be of type str or int, but input is of type '{wtype}'")
- E1023 = ("Couldn't read EntityRuler from the {path}. This file doesn't exist.")
-
+ E1023 = ("Couldn't read EntityRuler from the {path}. This file doesn't "
+ "exist.")
+ E1024 = ("A pattern with ID \"{ent_id}\" is not present in EntityRuler "
+ "patterns.")
+ E1025 = ("Cannot intify the value '{value}' as an IOB string. The only "
+ "supported values are: 'I', 'O', 'B' and ''")
+
# Deprecated model shortcuts, only used in errors and warnings
OLD_MODEL_SHORTCUTS = {
diff --git a/spacy/glossary.py b/spacy/glossary.py
index e45704fc5..57254330f 100644
--- a/spacy/glossary.py
+++ b/spacy/glossary.py
@@ -310,7 +310,6 @@ GLOSSARY = {
"re": "repeated element",
"rs": "reported speech",
"sb": "subject",
- "sb": "subject",
"sbp": "passivized subject (PP)",
"sp": "subject or predicate",
"svp": "separable verb prefix",
diff --git a/spacy/lang/char_classes.py b/spacy/lang/char_classes.py
index 9e5441a4f..b15bb3cf3 100644
--- a/spacy/lang/char_classes.py
+++ b/spacy/lang/char_classes.py
@@ -45,6 +45,10 @@ _hangul_syllables = r"\uAC00-\uD7AF"
_hangul_jamo = r"\u1100-\u11FF"
_hangul = _hangul_syllables + _hangul_jamo
+_hiragana = r"\u3040-\u309F"
+_katakana = r"\u30A0-\u30FFー"
+_kana = _hiragana + _katakana
+
# letters with diacritics - Catalan, Czech, Latin, Latvian, Lithuanian, Polish, Slovak, Turkish, Welsh
_latin_u_extendedA = (
r"\u0100\u0102\u0104\u0106\u0108\u010A\u010C\u010E\u0110\u0112\u0114\u0116\u0118\u011A\u011C"
@@ -244,6 +248,7 @@ _uncased = (
+ _tamil
+ _telugu
+ _hangul
+ + _kana
+ _cjk
)
diff --git a/spacy/lang/es/lex_attrs.py b/spacy/lang/es/lex_attrs.py
index 988dbaba1..9d1fa93b8 100644
--- a/spacy/lang/es/lex_attrs.py
+++ b/spacy/lang/es/lex_attrs.py
@@ -47,6 +47,41 @@ _num_words = [
]
+_ordinal_words = [
+ "primero",
+ "segundo",
+ "tercero",
+ "cuarto",
+ "quinto",
+ "sexto",
+ "séptimo",
+ "octavo",
+ "noveno",
+ "décimo",
+ "undécimo",
+ "duodécimo",
+ "decimotercero",
+ "decimocuarto",
+ "decimoquinto",
+ "decimosexto",
+ "decimoséptimo",
+ "decimoctavo",
+ "decimonoveno",
+ "vigésimo",
+ "trigésimo",
+ "cuadragésimo",
+ "quincuagésimo",
+ "sexagésimo",
+ "septuagésimo",
+ "octogésima",
+ "nonagésima",
+ "centésima",
+ "milésima",
+ "millonésima",
+ "billonésima",
+]
+
+
def like_num(text):
if text.startswith(("+", "-", "±", "~")):
text = text[1:]
@@ -57,7 +92,11 @@ def like_num(text):
num, denom = text.split("/")
if num.isdigit() and denom.isdigit():
return True
- if text.lower() in _num_words:
+ text_lower = text.lower()
+ if text_lower in _num_words:
+ return True
+ # Check ordinal number
+ if text_lower in _ordinal_words:
return True
return False
diff --git a/spacy/lang/fi/__init__.py b/spacy/lang/fi/__init__.py
index 86a834170..c3a0cf451 100644
--- a/spacy/lang/fi/__init__.py
+++ b/spacy/lang/fi/__init__.py
@@ -2,6 +2,7 @@ from .tokenizer_exceptions import TOKENIZER_EXCEPTIONS
from .stop_words import STOP_WORDS
from .lex_attrs import LEX_ATTRS
from .punctuation import TOKENIZER_INFIXES, TOKENIZER_SUFFIXES
+from .syntax_iterators import SYNTAX_ITERATORS
from ...language import Language, BaseDefaults
@@ -11,6 +12,7 @@ class FinnishDefaults(BaseDefaults):
tokenizer_exceptions = TOKENIZER_EXCEPTIONS
lex_attr_getters = LEX_ATTRS
stop_words = STOP_WORDS
+ syntax_iterators = SYNTAX_ITERATORS
class Finnish(Language):
diff --git a/spacy/lang/fi/syntax_iterators.py b/spacy/lang/fi/syntax_iterators.py
new file mode 100644
index 000000000..6b481e51f
--- /dev/null
+++ b/spacy/lang/fi/syntax_iterators.py
@@ -0,0 +1,79 @@
+from typing import Iterator, Tuple, Union
+from ...tokens import Doc, Span
+from ...symbols import NOUN, PROPN, PRON
+from ...errors import Errors
+
+
+def noun_chunks(doclike: Union[Doc, Span]) -> Iterator[Tuple[int, int, int]]:
+ """Detect base noun phrases from a dependency parse. Works on both Doc and Span."""
+ labels = [
+ "appos",
+ "nsubj",
+ "nsubj:cop",
+ "obj",
+ "obl",
+ "ROOT",
+ ]
+ extend_labels = [
+ "amod",
+ "compound",
+ "compound:nn",
+ "flat:name",
+ "nmod",
+ "nmod:gobj",
+ "nmod:gsubj",
+ "nmod:poss",
+ "nummod",
+ ]
+
+ def potential_np_head(word):
+ return word.pos in (NOUN, PROPN) and (
+ word.dep in np_deps or word.head.pos == PRON
+ )
+
+ doc = doclike.doc # Ensure works on both Doc and Span.
+ if not doc.has_annotation("DEP"):
+ raise ValueError(Errors.E029)
+
+ np_deps = [doc.vocab.strings[label] for label in labels]
+ extend_deps = [doc.vocab.strings[label] for label in extend_labels]
+ np_label = doc.vocab.strings.add("NP")
+ conj_label = doc.vocab.strings.add("conj")
+
+ rbracket = 0
+ prev_end = -1
+ for i, word in enumerate(doclike):
+ if i < rbracket:
+ continue
+
+ # Is this a potential independent NP head or coordinated with
+ # a NOUN that is itself an independent NP head?
+ #
+ # e.g. "Terveyden ja hyvinvoinnin laitos"
+ if potential_np_head(word) or (
+ word.dep == conj_label and potential_np_head(word.head)
+ ):
+ # Try to extend to the left to include adjective/num
+ # modifiers, compound words etc.
+ lbracket = word.i
+ for ldep in word.lefts:
+ if ldep.dep in extend_deps:
+ lbracket = ldep.left_edge.i
+ break
+
+ # Prevent nested chunks from being produced
+ if lbracket <= prev_end:
+ continue
+
+ rbracket = word.i
+ # Try to extend the span to the right to capture
+ # appositions and noun modifiers
+ for rdep in word.rights:
+ if rdep.dep in extend_deps:
+ rbracket = rdep.i
+ prev_end = rbracket
+
+ yield lbracket, rbracket + 1, np_label
+
+
+SYNTAX_ITERATORS = {"noun_chunks": noun_chunks}
diff --git a/spacy/lang/fr/syntax_iterators.py b/spacy/lang/fr/syntax_iterators.py
index d86662693..5849c40b3 100644
--- a/spacy/lang/fr/syntax_iterators.py
+++ b/spacy/lang/fr/syntax_iterators.py
@@ -6,16 +6,35 @@ from ...tokens import Doc, Span
def noun_chunks(doclike: Union[Doc, Span]) -> Iterator[Tuple[int, int, int]]:
- """Detect base noun phrases from a dependency parse. Works on Doc and Span."""
- # fmt: off
- labels = ["nsubj", "nsubj:pass", "obj", "iobj", "ROOT", "appos", "nmod", "nmod:poss"]
- # fmt: on
+ """
+ Detect base noun phrases from a dependency parse. Works on both Doc and Span.
+ """
+ labels = [
+ "nsubj",
+ "nsubj:pass",
+ "obj",
+ "obl",
+ "obl:agent",
+ "obl:arg",
+ "obl:mod",
+ "nmod",
+ "pcomp",
+ "appos",
+ "ROOT",
+ ]
+ post_modifiers = ["flat", "flat:name", "flat:foreign", "fixed", "compound"]
doc = doclike.doc # Ensure works on both Doc and Span.
if not doc.has_annotation("DEP"):
raise ValueError(Errors.E029)
- np_deps = [doc.vocab.strings[label] for label in labels]
- conj = doc.vocab.strings.add("conj")
+ np_deps = {doc.vocab.strings.add(label) for label in labels}
+ np_modifs = {doc.vocab.strings.add(modifier) for modifier in post_modifiers}
np_label = doc.vocab.strings.add("NP")
+ adj_label = doc.vocab.strings.add("amod")
+ det_label = doc.vocab.strings.add("det")
+ det_pos = doc.vocab.strings.add("DET")
+ adp_pos = doc.vocab.strings.add("ADP")
+ conj_label = doc.vocab.strings.add("conj")
+ conj_pos = doc.vocab.strings.add("CCONJ")
prev_end = -1
for i, word in enumerate(doclike):
if word.pos not in (NOUN, PROPN, PRON):
@@ -24,16 +43,43 @@ def noun_chunks(doclike: Union[Doc, Span]) -> Iterator[Tuple[int, int, int]]:
if word.left_edge.i <= prev_end:
continue
if word.dep in np_deps:
- prev_end = word.right_edge.i
- yield word.left_edge.i, word.right_edge.i + 1, np_label
- elif word.dep == conj:
+ right_childs = list(word.rights)
+ right_child = right_childs[0] if right_childs else None
+
+ if right_child:
+ if (
+ right_child.dep == adj_label
+ ): # allow chain of adjectives by expanding to right
+ right_end = right_child.right_edge
+ elif (
+ right_child.dep == det_label and right_child.pos == det_pos
+ ): # cut relative pronouns here
+ right_end = right_child
+ elif right_child.dep in np_modifs: # Check if we can expand to right
+ right_end = word.right_edge
+ else:
+ right_end = word
+ else:
+ right_end = word
+ prev_end = right_end.i
+
+ left_index = word.left_edge.i
+ left_index = left_index + 1 if word.left_edge.pos == adp_pos else left_index
+
+ yield left_index, right_end.i + 1, np_label
+ elif word.dep == conj_label:
head = word.head
- while head.dep == conj and head.head.i < head.i:
+ while head.dep == conj_label and head.head.i < head.i:
head = head.head
# If the head is an NP, and we're coordinated to it, we're an NP
if head.dep in np_deps:
- prev_end = word.right_edge.i
- yield word.left_edge.i, word.right_edge.i + 1, np_label
+ prev_end = word.i
+
+ left_index = word.left_edge.i # eliminate left attached conjunction
+ left_index = (
+ left_index + 1 if word.left_edge.pos == conj_pos else left_index
+ )
+ yield left_index, word.i + 1, np_label
SYNTAX_ITERATORS = {"noun_chunks": noun_chunks}
diff --git a/spacy/lang/hi/lex_attrs.py b/spacy/lang/hi/lex_attrs.py
index a18c2e513..ee845e8b1 100644
--- a/spacy/lang/hi/lex_attrs.py
+++ b/spacy/lang/hi/lex_attrs.py
@@ -90,7 +90,7 @@ _eleven_to_beyond = [
"अड़सठ",
"उनहत्तर",
"सत्तर",
- "इकहत्तर"
+ "इकहत्तर",
"बहत्तर",
"तिहत्तर",
"चौहत्तर",
diff --git a/spacy/lang/it/__init__.py b/spacy/lang/it/__init__.py
index 1edebc837..ecf322bd7 100644
--- a/spacy/lang/it/__init__.py
+++ b/spacy/lang/it/__init__.py
@@ -6,13 +6,15 @@ from .tokenizer_exceptions import TOKENIZER_EXCEPTIONS
from .punctuation import TOKENIZER_PREFIXES, TOKENIZER_INFIXES
from ...language import Language, BaseDefaults
from .lemmatizer import ItalianLemmatizer
+from .syntax_iterators import SYNTAX_ITERATORS
class ItalianDefaults(BaseDefaults):
tokenizer_exceptions = TOKENIZER_EXCEPTIONS
- stop_words = STOP_WORDS
prefixes = TOKENIZER_PREFIXES
infixes = TOKENIZER_INFIXES
+ stop_words = STOP_WORDS
+ syntax_iterators = SYNTAX_ITERATORS
class Italian(Language):
diff --git a/spacy/lang/it/stop_words.py b/spacy/lang/it/stop_words.py
index 4178ed452..42adc7904 100644
--- a/spacy/lang/it/stop_words.py
+++ b/spacy/lang/it/stop_words.py
@@ -10,18 +10,18 @@ avresti avrete avrà avrò avuta avute avuti avuto
basta bene benissimo brava bravo
-casa caso cento certa certe certi certo che chi chicchessia chiunque ci
+casa caso cento certa certe certi certo che chi chicchessia chiunque ci c'
ciascuna ciascuno cima cio cioe circa citta città co codesta codesti codesto
cogli coi col colei coll coloro colui come cominci comunque con concernente
conciliarsi conclusione consiglio contro cortesia cos cosa cosi così cui
-da dagl dagli dai dal dall dalla dalle dallo dappertutto davanti degl degli
-dei del dell della delle dello dentro detto deve di dice dietro dire
+d' da dagl dagli dai dal dall dall' dalla dalle dallo dappertutto davanti degl degli
+dei del dell dell' della delle dello dentro detto deve di dice dietro dire
dirimpetto diventa diventare diventato dopo dov dove dovra dovrà dovunque due
dunque durante
-ebbe ebbero ebbi ecc ecco ed effettivamente egli ella entrambi eppure era
-erano eravamo eravate eri ero esempio esse essendo esser essere essi ex
+e ebbe ebbero ebbi ecc ecco ed effettivamente egli ella entrambi eppure era
+erano eravamo eravate eri ero esempio esse essendo esser essere essi ex è
fa faccia facciamo facciano facciate faccio facemmo facendo facesse facessero
facessi facessimo faceste facesti faceva facevamo facevano facevate facevi
@@ -30,21 +30,21 @@ fareste faresti farete farà farò fatto favore fece fecero feci fin finalmente
finche fine fino forse forza fosse fossero fossi fossimo foste fosti fra
frattempo fu fui fummo fuori furono futuro generale
-gia già giacche giorni giorno gli gliela gliele glieli glielo gliene governo
+gia già giacche giorni giorno gli gl' gliela gliele glieli glielo gliene governo
grande grazie gruppo
ha haha hai hanno ho
ieri il improvviso in inc infatti inoltre insieme intanto intorno invece io
-la là lasciato lato lavoro le lei li lo lontano loro lui lungo luogo
+l' la là lasciato lato lavoro le lei li lo lontano loro lui lungo luogo
-ma macche magari maggior mai male malgrado malissimo mancanza marche me
+m' ma macche magari maggior mai male malgrado malissimo mancanza marche me
medesimo mediante meglio meno mentre mesi mezzo mi mia mie miei mila miliardi
milioni minimi ministro mio modo molti moltissimo molto momento mondo mosto
-nazionale ne negl negli nei nel nell nella nelle nello nemmeno neppure nessun
-nessuna nessuno niente no noi non nondimeno nonostante nonsia nostra nostre
+nazionale ne negl negli nei nel nell nella nelle nello nemmeno neppure nessun nessun'
+nessuna nessuno nient' niente no noi non nondimeno nonostante nonsia nostra nostre
nostri nostro novanta nove nulla nuovo
od oggi ogni ognuna ognuno oltre oppure ora ore osi ossia ottanta otto
@@ -56,12 +56,12 @@ potrebbe preferibilmente presa press prima primo principalmente probabilmente
proprio puo può pure purtroppo
qualche qualcosa qualcuna qualcuno quale quali qualunque quando quanta quante
-quanti quanto quantunque quasi quattro quel quella quelle quelli quello quest
+quanti quanto quantunque quasi quattro quel quel' quella quelle quelli quello quest quest'
questa queste questi questo qui quindi
realmente recente recentemente registrazione relativo riecco salvo
-sara sarà sarai saranno sarebbe sarebbero sarei saremmo saremo sareste
+s' sara sarà sarai saranno sarebbe sarebbero sarei saremmo saremo sareste
saresti sarete saro sarò scola scopo scorso se secondo seguente seguito sei
sembra sembrare sembrato sembri sempre senza sette si sia siamo siano siate
siete sig solito solo soltanto sono sopra sotto spesso srl sta stai stando
@@ -72,12 +72,12 @@ steste stesti stette stettero stetti stia stiamo stiano stiate sto su sua
subito successivamente successivo sue sugl sugli sui sul sull sulla sulle
sullo suo suoi
-tale tali talvolta tanto te tempo ti titolo tra tranne tre trenta
+t' tale tali talvolta tanto te tempo ti titolo tra tranne tre trenta
troppo trovato tu tua tue tuo tuoi tutta tuttavia tutte tutti tutto
-uguali ulteriore ultimo un una uno uomo
+uguali ulteriore ultimo un un' una uno uomo
-va vale vari varia varie vario verso vi via vicino visto vita voi volta volte
+v' va vale vari varia varie vario verso vi via vicino visto vita voi volta volte
vostra vostre vostri vostro
""".split()
)
diff --git a/spacy/lang/it/syntax_iterators.py b/spacy/lang/it/syntax_iterators.py
new file mode 100644
index 000000000..f63df3fad
--- /dev/null
+++ b/spacy/lang/it/syntax_iterators.py
@@ -0,0 +1,86 @@
+from typing import Union, Iterator, Tuple
+
+from ...symbols import NOUN, PROPN, PRON
+from ...errors import Errors
+from ...tokens import Doc, Span
+
+
+def noun_chunks(doclike: Union[Doc, Span]) -> Iterator[Tuple[int, int, int]]:
+ """
+ Detect base noun phrases from a dependency parse. Works on both Doc and Span.
+ """
+ labels = [
+ "nsubj",
+ "nsubj:pass",
+ "obj",
+ "obl",
+ "obl:agent",
+ "nmod",
+ "pcomp",
+ "appos",
+ "ROOT",
+ ]
+ post_modifiers = ["flat", "flat:name", "fixed", "compound"]
+ dets = ["det", "det:poss"]
+ doc = doclike.doc # Ensure works on both Doc and Span.
+ if not doc.has_annotation("DEP"):
+ raise ValueError(Errors.E029)
+ np_deps = {doc.vocab.strings.add(label) for label in labels}
+ np_modifs = {doc.vocab.strings.add(modifier) for modifier in post_modifiers}
+ np_label = doc.vocab.strings.add("NP")
+ adj_label = doc.vocab.strings.add("amod")
+ det_labels = {doc.vocab.strings.add(det) for det in dets}
+ det_pos = doc.vocab.strings.add("DET")
+ adp_label = doc.vocab.strings.add("ADP")
+ conj = doc.vocab.strings.add("conj")
+ conj_pos = doc.vocab.strings.add("CCONJ")
+ prev_end = -1
+ for i, word in enumerate(doclike):
+ if word.pos not in (NOUN, PROPN, PRON):
+ continue
+ # Prevent nested chunks from being produced
+ if word.left_edge.i <= prev_end:
+ continue
+ if word.dep in np_deps:
+ right_childs = list(word.rights)
+ right_child = right_childs[0] if right_childs else None
+
+ if right_child:
+ if (
+ right_child.dep == adj_label
+ ): # allow chain of adjectives by expanding to right
+ right_end = right_child.right_edge
+ elif (
+ right_child.dep in det_labels and right_child.pos == det_pos
+ ): # cut relative pronouns here
+ right_end = right_child
+ elif right_child.dep in np_modifs: # Check if we can expand to right
+ right_end = word.right_edge
+ else:
+ right_end = word
+ else:
+ right_end = word
+ prev_end = right_end.i
+
+ left_index = word.left_edge.i
+ left_index = (
+ left_index + 1 if word.left_edge.pos == adp_label else left_index
+ )
+
+ yield left_index, right_end.i + 1, np_label
+ elif word.dep == conj:
+ head = word.head
+ while head.dep == conj and head.head.i < head.i:
+ head = head.head
+ # If the head is an NP, and we're coordinated to it, we're an NP
+ if head.dep in np_deps:
+ prev_end = word.i
+
+ left_index = word.left_edge.i # eliminate left attached conjunction
+ left_index = (
+ left_index + 1 if word.left_edge.pos == conj_pos else left_index
+ )
+ yield left_index, word.i + 1, np_label
+
+
+SYNTAX_ITERATORS = {"noun_chunks": noun_chunks}
diff --git a/spacy/lang/ko/__init__.py b/spacy/lang/ko/__init__.py
index 05fc67e79..63bc06665 100644
--- a/spacy/lang/ko/__init__.py
+++ b/spacy/lang/ko/__init__.py
@@ -1,5 +1,6 @@
from typing import Iterator, Any, Dict
+from .punctuation import TOKENIZER_INFIXES
from .stop_words import STOP_WORDS
from .tag_map import TAG_MAP
from .lex_attrs import LEX_ATTRS
@@ -31,15 +32,24 @@ def create_tokenizer():
class KoreanTokenizer(DummyTokenizer):
def __init__(self, vocab: Vocab):
self.vocab = vocab
- MeCab = try_mecab_import() # type: ignore[func-returns-value]
- self.mecab_tokenizer = MeCab("-F%f[0],%f[7]")
+ self._mecab = try_mecab_import() # type: ignore[func-returns-value]
+ self._mecab_tokenizer = None
+
+ @property
+ def mecab_tokenizer(self):
+ # This is a property so that initializing a pipeline with blank:ko is
+ # possible without actually requiring mecab-ko, e.g. to run
+ # `spacy init vectors ko` for a pipeline that will have a different
+ # tokenizer in the end. The languages need to match for the vectors
+ # to be imported and there's no way to pass a custom config to
+ # `init vectors`.
+ if self._mecab_tokenizer is None:
+ self._mecab_tokenizer = self._mecab("-F%f[0],%f[7]")
+ return self._mecab_tokenizer
def __reduce__(self):
return KoreanTokenizer, (self.vocab,)
- def __del__(self):
- self.mecab_tokenizer.__del__()
-
def __call__(self, text: str) -> Doc:
dtokens = list(self.detailed_tokens(text))
surfaces = [dt["surface"] for dt in dtokens]
@@ -76,6 +86,7 @@ class KoreanDefaults(BaseDefaults):
lex_attr_getters = LEX_ATTRS
stop_words = STOP_WORDS
writing_system = {"direction": "ltr", "has_case": False, "has_letters": False}
+ infixes = TOKENIZER_INFIXES
class Korean(Language):
@@ -90,7 +101,8 @@ def try_mecab_import() -> None:
return MeCab
except ImportError:
raise ImportError(
- "Korean support requires [mecab-ko](https://bitbucket.org/eunjeon/mecab-ko/src/master/README.md), "
+ 'The Korean tokenizer ("spacy.ko.KoreanTokenizer") requires '
+ "[mecab-ko](https://bitbucket.org/eunjeon/mecab-ko/src/master/README.md), "
"[mecab-ko-dic](https://bitbucket.org/eunjeon/mecab-ko-dic), "
"and [natto-py](https://github.com/buruzaemon/natto-py)"
) from None
diff --git a/spacy/lang/ko/punctuation.py b/spacy/lang/ko/punctuation.py
new file mode 100644
index 000000000..7f7b40c5b
--- /dev/null
+++ b/spacy/lang/ko/punctuation.py
@@ -0,0 +1,12 @@
+from ..char_classes import LIST_QUOTES
+from ..punctuation import TOKENIZER_INFIXES as BASE_TOKENIZER_INFIXES
+
+
+_infixes = (
+ ["·", "ㆍ", "\(", "\)"]
+ + [r"(?<=[0-9])~(?=[0-9-])"]
+ + LIST_QUOTES
+ + BASE_TOKENIZER_INFIXES
+)
+
+TOKENIZER_INFIXES = _infixes
diff --git a/spacy/lang/nb/stop_words.py b/spacy/lang/nb/stop_words.py
index fd65dd788..d9ed414ef 100644
--- a/spacy/lang/nb/stop_words.py
+++ b/spacy/lang/nb/stop_words.py
@@ -4,46 +4,42 @@ alle allerede alt and andre annen annet at av
bak bare bedre beste blant ble bli blir blitt bris by både
-da dag de del dem den denne der dermed det dette disse drept du
+da dag de del dem den denne der dermed det dette disse du
eller en enn er et ett etter
-fem fikk fire fjor flere folk for fortsatt fotball fra fram frankrike fredag
+fem fikk fire fjor flere folk for fortsatt fra fram
funnet få får fått før først første
gang gi gikk gjennom gjorde gjort gjør gjøre god godt grunn gå går
-ha hadde ham han hans har hele helt henne hennes her hun hva hvor hvordan
-hvorfor
+ha hadde ham han hans har hele helt henne hennes her hun
i ifølge igjen ikke ingen inn
ja jeg
kamp kampen kan kl klart kom komme kommer kontakt kort kroner kunne kveld
-kvinner
-la laget land landet langt leder ligger like litt løpet lørdag
+la laget land landet langt leder ligger like litt løpet
-man mandag mange mannen mars med meg mellom men mener menn mennesker mens mer
-millioner minutter mot msci mye må mål måtte
+man mange med meg mellom men mener mennesker mens mer mot mye må mål måtte
-ned neste noe noen nok norge norsk norske ntb ny nye nå når
+ned neste noe noen nok ny nye nå når
-og også om onsdag opp opplyser oslo oss over
+og også om opp opplyser oss over
-personer plass poeng politidistrikt politiet president prosent på
+personer plass poeng på
-regjeringen runde rundt russland
+runde rundt
-sa saken samme sammen samtidig satt se seg seks selv senere september ser sett
+sa saken samme sammen samtidig satt se seg seks selv senere ser sett
siden sier sin sine siste sitt skal skriver skulle slik som sted stedet stor
-store står sverige svært så søndag
+store står svært så
-ta tatt tid tidligere til tilbake tillegg tirsdag to tok torsdag tre tror
-tyskland
+ta tatt tid tidligere til tilbake tillegg tok tror
-under usa ut uten utenfor
+under ut uten utenfor
vant var ved veldig vi videre viktig vil ville viser vår være vært
diff --git a/spacy/lang/ru/lex_attrs.py b/spacy/lang/ru/lex_attrs.py
index 7979c7ea6..90802cb9b 100644
--- a/spacy/lang/ru/lex_attrs.py
+++ b/spacy/lang/ru/lex_attrs.py
@@ -1,56 +1,119 @@
from ...attrs import LIKE_NUM
-_num_words = [
- "ноль",
- "один",
- "два",
- "три",
- "четыре",
- "пять",
- "шесть",
- "семь",
- "восемь",
- "девять",
- "десять",
- "одиннадцать",
- "двенадцать",
- "тринадцать",
- "четырнадцать",
- "пятнадцать",
- "шестнадцать",
- "семнадцать",
- "восемнадцать",
- "девятнадцать",
- "двадцать",
- "тридцать",
- "сорок",
- "пятьдесят",
- "шестьдесят",
- "семьдесят",
- "восемьдесят",
- "девяносто",
- "сто",
- "двести",
- "триста",
- "четыреста",
- "пятьсот",
- "шестьсот",
- "семьсот",
- "восемьсот",
- "девятьсот",
- "тысяча",
- "миллион",
- "миллиард",
- "триллион",
- "квадриллион",
- "квинтиллион",
-]
+_num_words = list(
+ set(
+ """
+ноль ноля нолю нолём ноле нулевой нулевого нулевому нулевым нулевом нулевая нулевую нулевое нулевые нулевых нулевыми
+
+один первого первому единица одного одному первой первом первый первым одним одном во-первых
+
+два второго второму второй втором вторым двойка двумя двум двух во-вторых двое две двоих оба обе обеим обеими
+обеих обоим обоими обоих
+
+полтора полторы полутора
+
+три третьего третьему третьем третьим третий тройка трешка трёшка трояк трёха треха тремя трем трех трое троих трёх
+
+четыре четвертого четвертому четвертом четвертый четвертым четверка четырьмя четырем четырех четверо четырёх четверым
+четверых
+
+пять пятерочка пятерка пятого пятому пятом пятый пятым пятью пяти пятеро пятерых пятерыми
+
+шесть шестерка шестого шестому шестой шестом шестым шестью шести шестеро шестерых
+
+семь семерка седьмого седьмому седьмой седьмом седьмым семью семи семеро
+
+восемь восьмерка восьмого восьмому восемью восьмой восьмом восьмым восеми восьмером восьми восьмью
+
+девять девятого девятому девятка девятом девятый девятым девятью девяти девятером вдевятером девятерых
+
+десять десятого десятому десятка десятом десятый десятым десятью десяти десятером вдесятером
+
+одиннадцать одиннадцатого одиннадцатому одиннадцатом одиннадцатый одиннадцатым одиннадцатью одиннадцати
+
+двенадцать двенадцатого двенадцатому двенадцатом двенадцатый двенадцатым двенадцатью двенадцати
+
+тринадцать тринадцатого тринадцатому тринадцатом тринадцатый тринадцатым тринадцатью тринадцати
+
+четырнадцать четырнадцатого четырнадцатому четырнадцатом четырнадцатый четырнадцатым четырнадцатью четырнадцати
+
+пятнадцать пятнадцатого пятнадцатому пятнадцатом пятнадцатый пятнадцатым пятнадцатью пятнадцати
+
+шестнадцать шестнадцатого шестнадцатому шестнадцатом шестнадцатый шестнадцатым шестнадцатью шестнадцати
+
+семнадцать семнадцатого семнадцатому семнадцатом семнадцатый семнадцатым семнадцатью семнадцати
+
+восемнадцать восемнадцатого восемнадцатому восемнадцатом восемнадцатый восемнадцатым восемнадцатью восемнадцати
+
+девятнадцать девятнадцатого девятнадцатому девятнадцатом девятнадцатый девятнадцатым девятнадцатью девятнадцати
+
+двадцать двадцатого двадцатому двадцатом двадцатый двадцатым двадцатью двадцати
+
+тридцать тридцатого тридцатому тридцатом тридцатый тридцатым тридцатью тридцати
+
+тридевять
+
+сорок сорокового сороковому сороковом сороковым сороковой
+
+пятьдесят пятьдесятого пятьдесятому пятьюдесятью пятьдесятом пятьдесятый пятьдесятым пятидесяти полтинник
+
+шестьдесят шестьдесятого шестьдесятому шестьюдесятью шестьдесятом шестьдесятый шестьдесятым шестидесятые шестидесяти
+
+семьдесят семьдесятого семьдесятому семьюдесятью семьдесятом семьдесятый семьдесятым семидесяти
+
+восемьдесят восемьдесятого восемьдесятому восемьюдесятью восемьдесятом восемьдесятый восемьдесятым восемидесяти
+восьмидесяти
+
+девяносто девяностого девяностому девяностом девяностый девяностым девяноста
+
+сто сотого сотому сотка сотня сотом сотен сотый сотым ста
+
+двести двумястами двухсотого двухсотому двухсотом двухсотый двухсотым двумстам двухстах двухсот
+
+триста тремястами трехсотого трехсотому трехсотом трехсотый трехсотым тремстам трехстах трехсот
+
+четыреста четырехсотого четырехсотому четырьмястами четырехсотом четырехсотый четырехсотым четыремстам четырехстах
+четырехсот
+
+пятьсот пятисотого пятисотому пятьюстами пятисотом пятисотый пятисотым пятистам пятистах пятисот
+
+шестьсот шестисотого шестисотому шестьюстами шестисотом шестисотый шестисотым шестистам шестистах шестисот
+
+семьсот семисотого семисотому семьюстами семисотом семисотый семисотым семистам семистах семисот
+
+восемьсот восемисотого восемисотому восемисотом восемисотый восемисотым восьмистами восьмистам восьмистах восьмисот
+
+девятьсот девятисотого девятисотому девятьюстами девятисотом девятисотый девятисотым девятистам девятистах девятисот
+
+тысяча тысячного тысячному тысячном тысячный тысячным тысячам тысячах тысячей тысяч тысячи тыс
+
+миллион миллионного миллионов миллионному миллионном миллионный миллионным миллионом миллиона миллионе миллиону
+миллионов лям млн
+
+миллиард миллиардного миллиардному миллиардном миллиардный миллиардным миллиардом миллиарда миллиарде миллиарду
+миллиардов лярд млрд
+
+триллион триллионного триллионному триллионном триллионный триллионным триллионом триллиона триллионе триллиону
+триллионов трлн
+
+квадриллион квадриллионного квадриллионному квадриллионный квадриллионным квадриллионом квадриллиона квадриллионе
+квадриллиону квадриллионов квадрлн
+
+квинтиллион квинтиллионного квинтиллионному квинтиллионный квинтиллионным квинтиллионом квинтиллиона квинтиллионе
+квинтиллиону квинтиллионов квинтлн
+
+i ii iii iv vi vii viii ix xi xii xiii xiv xv xvi xvii xviii xix xx xxi xxii xxiii xxiv xxv xxvi xxvii xxvii xxix
+""".split()
+ )
+)
def like_num(text):
if text.startswith(("+", "-", "±", "~")):
text = text[1:]
+ if text.endswith("%"):
+ text = text[:-1]
text = text.replace(",", "").replace(".", "")
if text.isdigit():
return True
diff --git a/spacy/lang/ru/stop_words.py b/spacy/lang/ru/stop_words.py
index 16cb55ef9..d6ea6b42a 100644
--- a/spacy/lang/ru/stop_words.py
+++ b/spacy/lang/ru/stop_words.py
@@ -1,52 +1,111 @@
STOP_WORDS = set(
"""
-а
+а авось ага агу аж ай али алло ау ах ая
-будем будет будете будешь буду будут будучи будь будьте бы был была были было
-быть
+б будем будет будете будешь буду будут будучи будь будьте бы был была были было
+быть бац без безусловно бишь благо благодаря ближайшие близко более больше
+будто бывает бывала бывали бываю бывают бытует
в вам вами вас весь во вот все всё всего всей всем всём всеми всему всех всею
-всея всю вся вы
+всея всю вся вы ваш ваша ваше ваши вдали вдобавок вдруг ведь везде вернее
+взаимно взаправду видно вишь включая вместо внакладе вначале вне вниз внизу
+вновь вовсе возможно воистину вокруг вон вообще вопреки вперекор вплоть
+вполне вправду вправе впрочем впрямь вресноту вроде вряд всегда всюду
+всякий всякого всякой всячески вчеред
-да для до
+г го где гораздо гав
-его едим едят ее её ей ел ела ем ему емъ если ест есть ешь еще ещё ею
+д да для до дабы давайте давно давным даже далее далеко дальше данная
+данного данное данной данном данному данные данный данных дану данунах
+даром де действительно довольно доколе доколь долго должен должна
+должно должны должный дополнительно другая другие другим другими
+других другое другой
-же
+е его едим едят ее её ей ел ела ем ему емъ если ест есть ешь еще ещё ею едва
+ежели еле
-за
+ж же
-и из или им ими имъ их
+з за затем зато зачем здесь значит зря
+
+и из или им ими имъ их ибо иль имеет имел имела имело именно иметь иначе
+иногда иным иными итак ишь
+
+й
к как кем ко когда кого ком кому комья которая которого которое которой котором
-которому которою которую которые который которым которыми которых кто
+которому которою которую которые который которым которыми которых кто ка кабы
+каждая каждое каждые каждый кажется казалась казались казалось казался казаться
+какая какие каким какими каков какого какой какому какою касательно кой коли
+коль конечно короче кроме кстати ку куда
-меня мне мной мною мог моги могите могла могли могло могу могут мое моё моего
+л ли либо лишь любая любого любое любой любом любую любыми любых
+
+м 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
+мочь мою моя мы мало меж между менее меньше мимо многие много многого многое
+многом многому можно мол му
-на нам нами нас наса наш наша наше нашего нашей нашем нашему нашею наши нашим
+н 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
+наверняка наверху навряд навыворот над надо назад наиболее наизворот
+наизнанку наипаче накануне наконец наоборот наперед наперекор наподобие
+например напротив напрямую насилу настоящая настоящее настоящие настоящий
+насчет нате находиться начала начале неважно негде недавно недалеко незачем
+некем некогда некому некоторая некоторые некоторый некоторых некто некуда
+нельзя немногие немногим немного необходимо необходимости необходимые
+необходимым неоткуда непрерывно нередко несколько нету неужели нечего
+нечем нечему нечто нешто нибудь нигде ниже низко никак никакой никем
+никогда никого никому никто никуда ниоткуда нипочем ничего ничем ничему
+ничто ну нужная нужно нужного нужные нужный нужных ныне нынешнее нынешней
+нынешних нынче
о об один одна одни одним одними одних одно одного одной одном одному одною
-одну он она оне они оно от
+одну он она оне они оно от оба общую обычно ого однажды однако ой около оный
+оп опять особенно особо особую особые откуда отнелижа отнелиже отовсюду
+отсюда оттого оттот оттуда отчего отчему ох очевидно очень ом
-по при
+п по при паче перед под подавно поди подобная подобно подобного подобные
+подобный подобным подобных поелику пожалуй пожалуйста позже поистине
+пока покамест поколе поколь покуда покудова помимо понеже поприще пор
+пора посему поскольку после посреди посредством потом потому потомушта
+похожем почему почти поэтому прежде притом причем про просто прочего
+прочее прочему прочими проще прям пусть
+
+р ради разве ранее рано раньше рядом
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
+себе себя собой собою самая самое самой самый самых сверх свыше се сего сей
+сейчас сие сих сквозь сколько скорее скоро следует слишком смогут сможет
+сначала снова со собственно совсем сперва спокону спустя сразу среди сродни
+стал стала стали стало стать суть сызнова
-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
+та то ту ты ти так такая такие таким такими таких такого такое такой таком такому такою
+такую те тебе тебя тем теми тех тобой тобою того той только том томах тому
+тот тою также таки таков такова там твои твоим твоих твой твоя твоё
+теперь тогда тоже тотчас точно туда тут тьфу тая
-у уже
+у уже увы уж ура ух ую
-чего чем чём чему что чтобы
+ф фу
-эта эти этим этими этих это этого этой этом этому этот этою эту
+х ха хе хорошо хотел хотела хотелось хотеть хоть хотя хочешь хочу хуже
-я
+ч чего чем чём чему что чтобы часто чаще чей через чтоб чуть чхать чьим
+чьих чьё чё
+
+ш ша
+
+щ ща щас
+
+ы ых ые ый
+
+э эта эти этим этими этих это этого этой этом этому этот этою эту эдак эдакий
+эй эка экий этак этакий эх
+
+ю
+
+я явно явных яко якобы якоже
""".split()
)
diff --git a/spacy/lang/ru/tokenizer_exceptions.py b/spacy/lang/ru/tokenizer_exceptions.py
index 1dc363fae..f3756e26c 100644
--- a/spacy/lang/ru/tokenizer_exceptions.py
+++ b/spacy/lang/ru/tokenizer_exceptions.py
@@ -2,7 +2,6 @@ from ..tokenizer_exceptions import BASE_EXCEPTIONS
from ...symbols import ORTH, NORM
from ...util import update_exc
-
_exc = {}
_abbrev_exc = [
@@ -42,7 +41,6 @@ _abbrev_exc = [
{ORTH: "дек", NORM: "декабрь"},
]
-
for abbrev_desc in _abbrev_exc:
abbrev = abbrev_desc[ORTH]
for orth in (abbrev, abbrev.capitalize(), abbrev.upper()):
@@ -50,17 +48,354 @@ for abbrev_desc in _abbrev_exc:
_exc[orth + "."] = [{ORTH: orth + ".", NORM: abbrev_desc[NORM]}]
-_slang_exc = [
+for abbr in [
+ # Year slang abbreviations
{ORTH: "2к15", NORM: "2015"},
{ORTH: "2к16", NORM: "2016"},
{ORTH: "2к17", NORM: "2017"},
{ORTH: "2к18", NORM: "2018"},
{ORTH: "2к19", NORM: "2019"},
{ORTH: "2к20", NORM: "2020"},
-]
+ {ORTH: "2к21", NORM: "2021"},
+ {ORTH: "2к22", NORM: "2022"},
+ {ORTH: "2к23", NORM: "2023"},
+ {ORTH: "2к24", NORM: "2024"},
+ {ORTH: "2к25", NORM: "2025"},
+]:
+ _exc[abbr[ORTH]] = [abbr]
-for slang_desc in _slang_exc:
- _exc[slang_desc[ORTH]] = [slang_desc]
+for abbr in [
+ # Profession and academic titles abbreviations
+ {ORTH: "ак.", NORM: "академик"},
+ {ORTH: "акад.", NORM: "академик"},
+ {ORTH: "д-р архитектуры", NORM: "доктор архитектуры"},
+ {ORTH: "д-р биол. наук", NORM: "доктор биологических наук"},
+ {ORTH: "д-р ветеринар. наук", NORM: "доктор ветеринарных наук"},
+ {ORTH: "д-р воен. наук", NORM: "доктор военных наук"},
+ {ORTH: "д-р геогр. наук", NORM: "доктор географических наук"},
+ {ORTH: "д-р геол.-минерал. наук", NORM: "доктор геолого-минералогических наук"},
+ {ORTH: "д-р искусствоведения", NORM: "доктор искусствоведения"},
+ {ORTH: "д-р ист. наук", NORM: "доктор исторических наук"},
+ {ORTH: "д-р культурологии", NORM: "доктор культурологии"},
+ {ORTH: "д-р мед. наук", NORM: "доктор медицинских наук"},
+ {ORTH: "д-р пед. наук", NORM: "доктор педагогических наук"},
+ {ORTH: "д-р полит. наук", NORM: "доктор политических наук"},
+ {ORTH: "д-р психол. наук", NORM: "доктор психологических наук"},
+ {ORTH: "д-р с.-х. наук", NORM: "доктор сельскохозяйственных наук"},
+ {ORTH: "д-р социол. наук", NORM: "доктор социологических наук"},
+ {ORTH: "д-р техн. наук", NORM: "доктор технических наук"},
+ {ORTH: "д-р фармацевт. наук", NORM: "доктор фармацевтических наук"},
+ {ORTH: "д-р физ.-мат. наук", NORM: "доктор физико-математических наук"},
+ {ORTH: "д-р филол. наук", NORM: "доктор филологических наук"},
+ {ORTH: "д-р филос. наук", NORM: "доктор философских наук"},
+ {ORTH: "д-р хим. наук", NORM: "доктор химических наук"},
+ {ORTH: "д-р экон. наук", NORM: "доктор экономических наук"},
+ {ORTH: "д-р юрид. наук", NORM: "доктор юридических наук"},
+ {ORTH: "д-р", NORM: "доктор"},
+ {ORTH: "д.б.н.", NORM: "доктор биологических наук"},
+ {ORTH: "д.г.-м.н.", NORM: "доктор геолого-минералогических наук"},
+ {ORTH: "д.г.н.", NORM: "доктор географических наук"},
+ {ORTH: "д.и.н.", NORM: "доктор исторических наук"},
+ {ORTH: "д.иск.", NORM: "доктор искусствоведения"},
+ {ORTH: "д.м.н.", NORM: "доктор медицинских наук"},
+ {ORTH: "д.п.н.", NORM: "доктор психологических наук"},
+ {ORTH: "д.пед.н.", NORM: "доктор педагогических наук"},
+ {ORTH: "д.полит.н.", NORM: "доктор политических наук"},
+ {ORTH: "д.с.-х.н.", NORM: "доктор сельскохозяйственных наук"},
+ {ORTH: "д.социол.н.", NORM: "доктор социологических наук"},
+ {ORTH: "д.т.н.", NORM: "доктор технических наук"},
+ {ORTH: "д.т.н", NORM: "доктор технических наук"},
+ {ORTH: "д.ф.-м.н.", NORM: "доктор физико-математических наук"},
+ {ORTH: "д.ф.н.", NORM: "доктор филологических наук"},
+ {ORTH: "д.филос.н.", NORM: "доктор философских наук"},
+ {ORTH: "д.фил.н.", NORM: "доктор филологических наук"},
+ {ORTH: "д.х.н.", NORM: "доктор химических наук"},
+ {ORTH: "д.э.н.", NORM: "доктор экономических наук"},
+ {ORTH: "д.э.н", NORM: "доктор экономических наук"},
+ {ORTH: "д.ю.н.", NORM: "доктор юридических наук"},
+ {ORTH: "доц.", NORM: "доцент"},
+ {ORTH: "и.о.", NORM: "исполняющий обязанности"},
+ {ORTH: "к.б.н.", NORM: "кандидат биологических наук"},
+ {ORTH: "к.воен.н.", NORM: "кандидат военных наук"},
+ {ORTH: "к.г.-м.н.", NORM: "кандидат геолого-минералогических наук"},
+ {ORTH: "к.г.н.", NORM: "кандидат географических наук"},
+ {ORTH: "к.геогр.н", NORM: "кандидат географических наук"},
+ {ORTH: "к.геогр.наук", NORM: "кандидат географических наук"},
+ {ORTH: "к.и.н.", NORM: "кандидат исторических наук"},
+ {ORTH: "к.иск.", NORM: "кандидат искусствоведения"},
+ {ORTH: "к.м.н.", NORM: "кандидат медицинских наук"},
+ {ORTH: "к.п.н.", NORM: "кандидат психологических наук"},
+ {ORTH: "к.псх.н.", NORM: "кандидат психологических наук"},
+ {ORTH: "к.пед.н.", NORM: "кандидат педагогических наук"},
+ {ORTH: "канд.пед.наук", NORM: "кандидат педагогических наук"},
+ {ORTH: "к.полит.н.", NORM: "кандидат политических наук"},
+ {ORTH: "к.с.-х.н.", NORM: "кандидат сельскохозяйственных наук"},
+ {ORTH: "к.социол.н.", NORM: "кандидат социологических наук"},
+ {ORTH: "к.с.н.", NORM: "кандидат социологических наук"},
+ {ORTH: "к.т.н.", NORM: "кандидат технических наук"},
+ {ORTH: "к.ф.-м.н.", NORM: "кандидат физико-математических наук"},
+ {ORTH: "к.ф.н.", NORM: "кандидат филологических наук"},
+ {ORTH: "к.фил.н.", NORM: "кандидат филологических наук"},
+ {ORTH: "к.филол.н", NORM: "кандидат филологических наук"},
+ {ORTH: "к.фарм.наук", NORM: "кандидат фармакологических наук"},
+ {ORTH: "к.фарм.н.", NORM: "кандидат фармакологических наук"},
+ {ORTH: "к.фарм.н", NORM: "кандидат фармакологических наук"},
+ {ORTH: "к.филос.наук", NORM: "кандидат философских наук"},
+ {ORTH: "к.филос.н.", NORM: "кандидат философских наук"},
+ {ORTH: "к.филос.н", NORM: "кандидат философских наук"},
+ {ORTH: "к.х.н.", NORM: "кандидат химических наук"},
+ {ORTH: "к.х.н", NORM: "кандидат химических наук"},
+ {ORTH: "к.э.н.", NORM: "кандидат экономических наук"},
+ {ORTH: "к.э.н", NORM: "кандидат экономических наук"},
+ {ORTH: "к.ю.н.", NORM: "кандидат юридических наук"},
+ {ORTH: "к.ю.н", NORM: "кандидат юридических наук"},
+ {ORTH: "канд. архитектуры", NORM: "кандидат архитектуры"},
+ {ORTH: "канд. биол. наук", NORM: "кандидат биологических наук"},
+ {ORTH: "канд. ветеринар. наук", NORM: "кандидат ветеринарных наук"},
+ {ORTH: "канд. воен. наук", NORM: "кандидат военных наук"},
+ {ORTH: "канд. геогр. наук", NORM: "кандидат географических наук"},
+ {ORTH: "канд. геол.-минерал. наук", NORM: "кандидат геолого-минералогических наук"},
+ {ORTH: "канд. искусствоведения", NORM: "кандидат искусствоведения"},
+ {ORTH: "канд. ист. наук", NORM: "кандидат исторических наук"},
+ {ORTH: "к.ист.н.", NORM: "кандидат исторических наук"},
+ {ORTH: "канд. культурологии", NORM: "кандидат культурологии"},
+ {ORTH: "канд. мед. наук", NORM: "кандидат медицинских наук"},
+ {ORTH: "канд. пед. наук", NORM: "кандидат педагогических наук"},
+ {ORTH: "канд. полит. наук", NORM: "кандидат политических наук"},
+ {ORTH: "канд. психол. наук", NORM: "кандидат психологических наук"},
+ {ORTH: "канд. с.-х. наук", NORM: "кандидат сельскохозяйственных наук"},
+ {ORTH: "канд. социол. наук", NORM: "кандидат социологических наук"},
+ {ORTH: "к.соц.наук", NORM: "кандидат социологических наук"},
+ {ORTH: "к.соц.н.", NORM: "кандидат социологических наук"},
+ {ORTH: "к.соц.н", NORM: "кандидат социологических наук"},
+ {ORTH: "канд. техн. наук", NORM: "кандидат технических наук"},
+ {ORTH: "канд. фармацевт. наук", NORM: "кандидат фармацевтических наук"},
+ {ORTH: "канд. физ.-мат. наук", NORM: "кандидат физико-математических наук"},
+ {ORTH: "канд. филол. наук", NORM: "кандидат филологических наук"},
+ {ORTH: "канд. филос. наук", NORM: "кандидат философских наук"},
+ {ORTH: "канд. хим. наук", NORM: "кандидат химических наук"},
+ {ORTH: "канд. экон. наук", NORM: "кандидат экономических наук"},
+ {ORTH: "канд. юрид. наук", NORM: "кандидат юридических наук"},
+ {ORTH: "в.н.с.", NORM: "ведущий научный сотрудник"},
+ {ORTH: "мл. науч. сотр.", NORM: "младший научный сотрудник"},
+ {ORTH: "м.н.с.", NORM: "младший научный сотрудник"},
+ {ORTH: "проф.", NORM: "профессор"},
+ {ORTH: "профессор.кафедры", NORM: "профессор кафедры"},
+ {ORTH: "ст. науч. сотр.", NORM: "старший научный сотрудник"},
+ {ORTH: "чл.-к.", NORM: "член корреспондент"},
+ {ORTH: "чл.-корр.", NORM: "член-корреспондент"},
+ {ORTH: "чл.-кор.", NORM: "член-корреспондент"},
+ {ORTH: "дир.", NORM: "директор"},
+ {ORTH: "зам. дир.", NORM: "заместитель директора"},
+ {ORTH: "зав. каф.", NORM: "заведующий кафедрой"},
+ {ORTH: "зав.кафедрой", NORM: "заведующий кафедрой"},
+ {ORTH: "зав. кафедрой", NORM: "заведующий кафедрой"},
+ {ORTH: "асп.", NORM: "аспирант"},
+ {ORTH: "гл. науч. сотр.", NORM: "главный научный сотрудник"},
+ {ORTH: "вед. науч. сотр.", NORM: "ведущий научный сотрудник"},
+ {ORTH: "науч. сотр.", NORM: "научный сотрудник"},
+ {ORTH: "к.м.с.", NORM: "кандидат в мастера спорта"},
+]:
+ _exc[abbr[ORTH]] = [abbr]
+
+
+for abbr in [
+ # Literary phrases abbreviations
+ {ORTH: "и т.д.", NORM: "и так далее"},
+ {ORTH: "и т.п.", NORM: "и тому подобное"},
+ {ORTH: "т.д.", NORM: "так далее"},
+ {ORTH: "т.п.", NORM: "тому подобное"},
+ {ORTH: "т.е.", NORM: "то есть"},
+ {ORTH: "т.к.", NORM: "так как"},
+ {ORTH: "в т.ч.", NORM: "в том числе"},
+ {ORTH: "и пр.", NORM: "и прочие"},
+ {ORTH: "и др.", NORM: "и другие"},
+ {ORTH: "т.н.", NORM: "так называемый"},
+]:
+ _exc[abbr[ORTH]] = [abbr]
+
+
+for abbr in [
+ # Appeal to a person abbreviations
+ {ORTH: "г-н", NORM: "господин"},
+ {ORTH: "г-да", NORM: "господа"},
+ {ORTH: "г-жа", NORM: "госпожа"},
+ {ORTH: "тов.", NORM: "товарищ"},
+]:
+ _exc[abbr[ORTH]] = [abbr]
+
+
+for abbr in [
+ # Time periods abbreviations
+ {ORTH: "до н.э.", NORM: "до нашей эры"},
+ {ORTH: "по н.в.", NORM: "по настоящее время"},
+ {ORTH: "в н.в.", NORM: "в настоящее время"},
+ {ORTH: "наст.", NORM: "настоящий"},
+ {ORTH: "наст. время", NORM: "настоящее время"},
+ {ORTH: "г.г.", NORM: "годы"},
+ {ORTH: "гг.", NORM: "годы"},
+ {ORTH: "т.г.", NORM: "текущий год"},
+]:
+ _exc[abbr[ORTH]] = [abbr]
+
+
+for abbr in [
+ # Address forming elements abbreviations
+ {ORTH: "респ.", NORM: "республика"},
+ {ORTH: "обл.", NORM: "область"},
+ {ORTH: "г.ф.з.", NORM: "город федерального значения"},
+ {ORTH: "а.обл.", NORM: "автономная область"},
+ {ORTH: "а.окр.", NORM: "автономный округ"},
+ {ORTH: "м.р-н", NORM: "муниципальный район"},
+ {ORTH: "г.о.", NORM: "городской округ"},
+ {ORTH: "г.п.", NORM: "городское поселение"},
+ {ORTH: "с.п.", NORM: "сельское поселение"},
+ {ORTH: "вн.р-н", NORM: "внутригородской район"},
+ {ORTH: "вн.тер.г.", NORM: "внутригородская территория города"},
+ {ORTH: "пос.", NORM: "поселение"},
+ {ORTH: "р-н", NORM: "район"},
+ {ORTH: "с/с", NORM: "сельсовет"},
+ {ORTH: "г.", NORM: "город"},
+ {ORTH: "п.г.т.", NORM: "поселок городского типа"},
+ {ORTH: "пгт.", NORM: "поселок городского типа"},
+ {ORTH: "р.п.", NORM: "рабочий поселок"},
+ {ORTH: "рп.", NORM: "рабочий поселок"},
+ {ORTH: "кп.", NORM: "курортный поселок"},
+ {ORTH: "гп.", NORM: "городской поселок"},
+ {ORTH: "п.", NORM: "поселок"},
+ {ORTH: "в-ки", NORM: "выселки"},
+ {ORTH: "г-к", NORM: "городок"},
+ {ORTH: "з-ка", NORM: "заимка"},
+ {ORTH: "п-к", NORM: "починок"},
+ {ORTH: "киш.", NORM: "кишлак"},
+ {ORTH: "п. ст. ", NORM: "поселок станция"},
+ {ORTH: "п. ж/д ст. ", NORM: "поселок при железнодорожной станции"},
+ {ORTH: "ж/д бл-ст", NORM: "железнодорожный блокпост"},
+ {ORTH: "ж/д б-ка", NORM: "железнодорожная будка"},
+ {ORTH: "ж/д в-ка", NORM: "железнодорожная ветка"},
+ {ORTH: "ж/д к-ма", NORM: "железнодорожная казарма"},
+ {ORTH: "ж/д к-т", NORM: "железнодорожный комбинат"},
+ {ORTH: "ж/д пл-ма", NORM: "железнодорожная платформа"},
+ {ORTH: "ж/д пл-ка", NORM: "железнодорожная площадка"},
+ {ORTH: "ж/д п.п.", NORM: "железнодорожный путевой пост"},
+ {ORTH: "ж/д о.п.", NORM: "железнодорожный остановочный пункт"},
+ {ORTH: "ж/д рзд.", NORM: "железнодорожный разъезд"},
+ {ORTH: "ж/д ст. ", NORM: "железнодорожная станция"},
+ {ORTH: "м-ко", NORM: "местечко"},
+ {ORTH: "д.", NORM: "деревня"},
+ {ORTH: "с.", NORM: "село"},
+ {ORTH: "сл.", NORM: "слобода"},
+ {ORTH: "ст. ", NORM: "станция"},
+ {ORTH: "ст-ца", NORM: "станица"},
+ {ORTH: "у.", NORM: "улус"},
+ {ORTH: "х.", NORM: "хутор"},
+ {ORTH: "рзд.", NORM: "разъезд"},
+ {ORTH: "зим.", NORM: "зимовье"},
+ {ORTH: "б-г", NORM: "берег"},
+ {ORTH: "ж/р", NORM: "жилой район"},
+ {ORTH: "кв-л", NORM: "квартал"},
+ {ORTH: "мкр.", NORM: "микрорайон"},
+ {ORTH: "ост-в", NORM: "остров"},
+ {ORTH: "платф.", NORM: "платформа"},
+ {ORTH: "п/р", NORM: "промышленный район"},
+ {ORTH: "р-н", NORM: "район"},
+ {ORTH: "тер.", NORM: "территория"},
+ {
+ ORTH: "тер. СНО",
+ NORM: "территория садоводческих некоммерческих объединений граждан",
+ },
+ {
+ ORTH: "тер. ОНО",
+ NORM: "территория огороднических некоммерческих объединений граждан",
+ },
+ {ORTH: "тер. ДНО", NORM: "территория дачных некоммерческих объединений граждан"},
+ {ORTH: "тер. СНТ", NORM: "территория садоводческих некоммерческих товариществ"},
+ {ORTH: "тер. ОНТ", NORM: "территория огороднических некоммерческих товариществ"},
+ {ORTH: "тер. ДНТ", NORM: "территория дачных некоммерческих товариществ"},
+ {ORTH: "тер. СПК", NORM: "территория садоводческих потребительских кооперативов"},
+ {ORTH: "тер. ОПК", NORM: "территория огороднических потребительских кооперативов"},
+ {ORTH: "тер. ДПК", NORM: "территория дачных потребительских кооперативов"},
+ {ORTH: "тер. СНП", NORM: "территория садоводческих некоммерческих партнерств"},
+ {ORTH: "тер. ОНП", NORM: "территория огороднических некоммерческих партнерств"},
+ {ORTH: "тер. ДНП", NORM: "территория дачных некоммерческих партнерств"},
+ {ORTH: "тер. ТСН", NORM: "территория товарищества собственников недвижимости"},
+ {ORTH: "тер. ГСК", NORM: "территория гаражно-строительного кооператива"},
+ {ORTH: "ус.", NORM: "усадьба"},
+ {ORTH: "тер.ф.х.", NORM: "территория фермерского хозяйства"},
+ {ORTH: "ю.", NORM: "юрты"},
+ {ORTH: "ал.", NORM: "аллея"},
+ {ORTH: "б-р", NORM: "бульвар"},
+ {ORTH: "взв.", NORM: "взвоз"},
+ {ORTH: "взд.", NORM: "въезд"},
+ {ORTH: "дор.", NORM: "дорога"},
+ {ORTH: "ззд.", NORM: "заезд"},
+ {ORTH: "км", NORM: "километр"},
+ {ORTH: "к-цо", NORM: "кольцо"},
+ {ORTH: "лн.", NORM: "линия"},
+ {ORTH: "мгстр.", NORM: "магистраль"},
+ {ORTH: "наб.", NORM: "набережная"},
+ {ORTH: "пер-д", NORM: "переезд"},
+ {ORTH: "пер.", NORM: "переулок"},
+ {ORTH: "пл-ка", NORM: "площадка"},
+ {ORTH: "пл.", NORM: "площадь"},
+ {ORTH: "пр-д", NORM: "проезд"},
+ {ORTH: "пр-к", NORM: "просек"},
+ {ORTH: "пр-ка", NORM: "просека"},
+ {ORTH: "пр-лок", NORM: "проселок"},
+ {ORTH: "пр-кт", NORM: "проспект"},
+ {ORTH: "проул.", NORM: "проулок"},
+ {ORTH: "рзд.", NORM: "разъезд"},
+ {ORTH: "ряд", NORM: "ряд(ы)"},
+ {ORTH: "с-р", NORM: "сквер"},
+ {ORTH: "с-к", NORM: "спуск"},
+ {ORTH: "сзд.", NORM: "съезд"},
+ {ORTH: "туп.", NORM: "тупик"},
+ {ORTH: "ул.", NORM: "улица"},
+ {ORTH: "ш.", NORM: "шоссе"},
+ {ORTH: "влд.", NORM: "владение"},
+ {ORTH: "г-ж", NORM: "гараж"},
+ {ORTH: "д.", NORM: "дом"},
+ {ORTH: "двлд.", NORM: "домовладение"},
+ {ORTH: "зд.", NORM: "здание"},
+ {ORTH: "з/у", NORM: "земельный участок"},
+ {ORTH: "кв.", NORM: "квартира"},
+ {ORTH: "ком.", NORM: "комната"},
+ {ORTH: "подв.", NORM: "подвал"},
+ {ORTH: "кот.", NORM: "котельная"},
+ {ORTH: "п-б", NORM: "погреб"},
+ {ORTH: "к.", NORM: "корпус"},
+ {ORTH: "ОНС", NORM: "объект незавершенного строительства"},
+ {ORTH: "оф.", NORM: "офис"},
+ {ORTH: "пав.", NORM: "павильон"},
+ {ORTH: "помещ.", NORM: "помещение"},
+ {ORTH: "раб.уч.", NORM: "рабочий участок"},
+ {ORTH: "скл.", NORM: "склад"},
+ {ORTH: "coop.", NORM: "сооружение"},
+ {ORTH: "стр.", NORM: "строение"},
+ {ORTH: "торг.зал", NORM: "торговый зал"},
+ {ORTH: "а/п", NORM: "аэропорт"},
+ {ORTH: "им.", NORM: "имени"},
+]:
+ _exc[abbr[ORTH]] = [abbr]
+
+
+for abbr in [
+ # Others abbreviations
+ {ORTH: "тыс.руб.", NORM: "тысяч рублей"},
+ {ORTH: "тыс.", NORM: "тысяч"},
+ {ORTH: "руб.", NORM: "рубль"},
+ {ORTH: "долл.", NORM: "доллар"},
+ {ORTH: "прим.", NORM: "примечание"},
+ {ORTH: "прим.ред.", NORM: "примечание редакции"},
+ {ORTH: "см. также", NORM: "смотри также"},
+ {ORTH: "кв.м.", NORM: "квадрантный метр"},
+ {ORTH: "м2", NORM: "квадрантный метр"},
+ {ORTH: "б/у", NORM: "бывший в употреблении"},
+ {ORTH: "сокр.", NORM: "сокращение"},
+ {ORTH: "чел.", NORM: "человек"},
+ {ORTH: "б.п.", NORM: "базисный пункт"},
+]:
+ _exc[abbr[ORTH]] = [abbr]
TOKENIZER_EXCEPTIONS = update_exc(BASE_EXCEPTIONS, _exc)
diff --git a/spacy/lang/sl/stop_words.py b/spacy/lang/sl/stop_words.py
index 6fb01a183..c9004ed5d 100644
--- a/spacy/lang/sl/stop_words.py
+++ b/spacy/lang/sl/stop_words.py
@@ -1,13 +1,10 @@
# Source: https://github.com/stopwords-iso/stopwords-sl
-# TODO: probably needs to be tidied up – the list seems to have month names in
-# it, which shouldn't be considered stop words.
+# Removed various words that are not normally considered stop words, such as months.
STOP_WORDS = set(
"""
a
ali
-april
-avgust
b
bi
bil
@@ -19,7 +16,6 @@ biti
blizu
bo
bodo
-bojo
bolj
bom
bomo
@@ -37,16 +33,6 @@ da
daleč
dan
danes
-datum
-december
-deset
-deseta
-deseti
-deseto
-devet
-deveta
-deveti
-deveto
do
dober
dobra
@@ -54,16 +40,7 @@ dobri
dobro
dokler
dol
-dolg
-dolga
-dolgi
dovolj
-drug
-druga
-drugi
-drugo
-dva
-dve
e
eden
en
@@ -74,7 +51,6 @@ enkrat
eno
etc.
f
-februar
g
g.
ga
@@ -93,16 +69,12 @@ iv
ix
iz
j
-januar
jaz
je
ji
jih
jim
jo
-julij
-junij
-jutri
k
kadarkoli
kaj
@@ -123,41 +95,23 @@ kje
kjer
kjerkoli
ko
-koder
koderkoli
koga
komu
kot
-kratek
-kratka
-kratke
-kratki
l
-lahka
-lahke
-lahki
-lahko
le
lep
lepa
lepe
lepi
lepo
-leto
m
-maj
-majhen
-majhna
-majhni
-malce
-malo
manj
-marec
me
med
medtem
mene
-mesec
mi
midva
midve
@@ -183,7 +137,6 @@ najmanj
naju
največ
nam
-narobe
nas
nato
nazaj
@@ -192,7 +145,6 @@ naša
naše
ne
nedavno
-nedelja
nek
neka
nekaj
@@ -236,7 +188,6 @@ njuna
njuno
no
nocoj
-november
npr.
o
ob
@@ -244,51 +195,23 @@ oba
obe
oboje
od
-odprt
-odprta
-odprti
okoli
-oktober
on
onadva
one
oni
onidve
-osem
-osma
-osmi
-osmo
oz.
p
pa
-pet
-peta
-petek
-peti
-peto
po
pod
pogosto
poleg
-poln
-polna
-polni
-polno
ponavadi
-ponedeljek
ponovno
potem
povsod
-pozdravljen
-pozdravljeni
-prav
-prava
-prave
-pravi
-pravo
-prazen
-prazna
-prazno
prbl.
precej
pred
@@ -297,19 +220,10 @@ preko
pri
pribl.
približno
-primer
-pripravljen
-pripravljena
-pripravljeni
proti
-prva
-prvi
-prvo
r
-ravno
redko
res
-reč
s
saj
sam
@@ -321,29 +235,17 @@ se
sebe
sebi
sedaj
-sedem
-sedma
-sedmi
-sedmo
sem
-september
seveda
si
sicer
skoraj
skozi
-slab
smo
so
-sobota
spet
-sreda
-srednja
-srednji
sta
ste
-stran
-stvar
sva
t
ta
@@ -358,10 +260,6 @@ te
tebe
tebi
tega
-težak
-težka
-težki
-težko
ti
tista
tiste
@@ -371,11 +269,6 @@ tj.
tja
to
toda
-torek
-tretja
-tretje
-tretji
-tri
tu
tudi
tukaj
@@ -392,10 +285,6 @@ vaša
vaše
ve
vedno
-velik
-velika
-veliki
-veliko
vendar
ves
več
@@ -403,10 +292,6 @@ vi
vidva
vii
viii
-visok
-visoka
-visoke
-visoki
vsa
vsaj
vsak
@@ -420,34 +305,21 @@ vsega
vsi
vso
včasih
-včeraj
x
z
za
zadaj
zadnji
zakaj
-zaprta
-zaprti
-zaprto
zdaj
zelo
zunaj
č
če
često
-četrta
-četrtek
-četrti
-četrto
čez
čigav
š
-šest
-šesta
-šesti
-šesto
-štiri
ž
že
""".split()
diff --git a/spacy/lang/uk/tokenizer_exceptions.py b/spacy/lang/uk/tokenizer_exceptions.py
index 94016fd52..7e168a27c 100644
--- a/spacy/lang/uk/tokenizer_exceptions.py
+++ b/spacy/lang/uk/tokenizer_exceptions.py
@@ -6,19 +6,30 @@ from ...util import update_exc
_exc = {}
for exc_data in [
+ {ORTH: "обл.", NORM: "область"},
+ {ORTH: "р-н.", NORM: "район"},
+ {ORTH: "р-н", NORM: "район"},
+ {ORTH: "м.", NORM: "місто"},
{ORTH: "вул.", NORM: "вулиця"},
- {ORTH: "ім.", NORM: "імені"},
{ORTH: "просп.", NORM: "проспект"},
+ {ORTH: "пр-кт", NORM: "проспект"},
{ORTH: "бул.", NORM: "бульвар"},
{ORTH: "пров.", NORM: "провулок"},
{ORTH: "пл.", NORM: "площа"},
+ {ORTH: "майд.", NORM: "майдан"},
+ {ORTH: "мкр.", NORM: "мікрорайон"},
+ {ORTH: "ст.", NORM: "станція"},
+ {ORTH: "ж/м", NORM: "житловий масив"},
+ {ORTH: "наб.", NORM: "набережна"},
+ {ORTH: "в/ч", NORM: "військова частина"},
+ {ORTH: "в/м", NORM: "військове містечко"},
+ {ORTH: "оз.", NORM: "озеро"},
+ {ORTH: "ім.", NORM: "імені"},
{ORTH: "г.", NORM: "гора"},
{ORTH: "п.", NORM: "пан"},
- {ORTH: "м.", NORM: "місто"},
{ORTH: "проф.", NORM: "професор"},
{ORTH: "акад.", NORM: "академік"},
{ORTH: "доц.", NORM: "доцент"},
- {ORTH: "оз.", NORM: "озеро"},
]:
_exc[exc_data[ORTH]] = [exc_data]
diff --git a/spacy/lang/xx/examples.py b/spacy/lang/xx/examples.py
index 8d63c3c20..34570d747 100644
--- a/spacy/lang/xx/examples.py
+++ b/spacy/lang/xx/examples.py
@@ -59,7 +59,7 @@ sentences = [
"Czy w ciągu ostatnich 48 godzin spożyłeś leki zawierające paracetamol?",
"Kto ma ochotę zapoznać się z innymi niż w książkach przygodami Muminków i ich przyjaciół, temu polecam komiks Tove Jansson „Muminki i morze”.",
"Apple está querendo comprar uma startup do Reino Unido por 100 milhões de dólares.",
- "Carros autônomos empurram a responsabilidade do seguro para os fabricantes.."
+ "Carros autônomos empurram a responsabilidade do seguro para os fabricantes..",
"São Francisco considera banir os robôs de entrega que andam pelas calçadas.",
"Londres é a maior cidade do Reino Unido.",
# Translations from English:
diff --git a/spacy/language.py b/spacy/language.py
index 204b24ecb..bab403f0e 100644
--- a/spacy/language.py
+++ b/spacy/language.py
@@ -131,7 +131,7 @@ class Language:
self,
vocab: Union[Vocab, bool] = True,
*,
- max_length: int = 10 ** 6,
+ max_length: int = 10**6,
meta: Dict[str, Any] = {},
create_tokenizer: Optional[Callable[["Language"], Callable[[str], Doc]]] = None,
batch_size: int = 1000,
@@ -354,12 +354,15 @@ class Language:
@property
def pipe_labels(self) -> Dict[str, List[str]]:
"""Get the labels set by the pipeline components, if available (if
- the component exposes a labels property).
+ the component exposes a labels property and the labels are not
+ hidden).
RETURNS (Dict[str, List[str]]): Labels keyed by component name.
"""
labels = {}
for name, pipe in self._components:
+ if hasattr(pipe, "hide_labels") and pipe.hide_labels is True:
+ continue
if hasattr(pipe, "labels"):
labels[name] = list(pipe.labels)
return SimpleFrozenDict(labels)
@@ -522,7 +525,7 @@ class Language:
requires: Iterable[str] = SimpleFrozenList(),
retokenizes: bool = False,
func: Optional["Pipe"] = None,
- ) -> Callable:
+ ) -> Callable[..., Any]:
"""Register a new pipeline component. Can be used for stateless function
components that don't require a separate factory. Can be used as a
decorator on a function or classmethod, or called as a function with the
@@ -1219,8 +1222,9 @@ class Language:
component_cfg = {}
grads = {}
- def get_grads(W, dW, key=None):
+ def get_grads(key, W, dW):
grads[key] = (W, dW)
+ return W, dW
get_grads.learn_rate = sgd.learn_rate # type: ignore[attr-defined, union-attr]
get_grads.b1 = sgd.b1 # type: ignore[attr-defined, union-attr]
@@ -1233,7 +1237,7 @@ class Language:
examples, sgd=get_grads, losses=losses, **component_cfg.get(name, {})
)
for key, (W, dW) in grads.items():
- sgd(W, dW, key=key) # type: ignore[call-arg, misc]
+ sgd(key, W, dW) # type: ignore[call-arg, misc]
return losses
def begin_training(
@@ -1285,9 +1289,9 @@ class Language:
)
except IOError:
raise IOError(Errors.E884.format(vectors=I["vectors"]))
- if self.vocab.vectors.data.shape[1] >= 1:
+ if self.vocab.vectors.shape[1] >= 1:
ops = get_current_ops()
- self.vocab.vectors.data = ops.asarray(self.vocab.vectors.data)
+ self.vocab.vectors.to_ops(ops)
if hasattr(self.tokenizer, "initialize"):
tok_settings = validate_init_settings(
self.tokenizer.initialize, # type: ignore[union-attr]
@@ -1332,8 +1336,8 @@ class Language:
DOCS: https://spacy.io/api/language#resume_training
"""
ops = get_current_ops()
- if self.vocab.vectors.data.shape[1] >= 1:
- self.vocab.vectors.data = ops.asarray(self.vocab.vectors.data)
+ if self.vocab.vectors.shape[1] >= 1:
+ self.vocab.vectors.to_ops(ops)
for name, proc in self.pipeline:
if hasattr(proc, "_rehearsal_model"):
proc._rehearsal_model = deepcopy(proc.model) # type: ignore[attr-defined]
@@ -1404,20 +1408,13 @@ class Language:
for eg in examples:
self.make_doc(eg.reference.text)
# apply all pipeline components
- for name, pipe in self.pipeline:
- kwargs = component_cfg.get(name, {})
- kwargs.setdefault("batch_size", batch_size)
- for doc, eg in zip(
- _pipe(
- (eg.predicted for eg in examples),
- proc=pipe,
- name=name,
- default_error_handler=self.default_error_handler,
- kwargs=kwargs,
- ),
- examples,
- ):
- eg.predicted = doc
+ docs = self.pipe(
+ (eg.predicted for eg in examples),
+ batch_size=batch_size,
+ component_cfg=component_cfg,
+ )
+ for eg, doc in zip(examples, docs):
+ eg.predicted = doc
end_time = timer()
results = scorer.score(examples)
n_words = sum(len(eg.predicted) for eg in examples)
diff --git a/spacy/lexeme.pyi b/spacy/lexeme.pyi
index 4eae6be43..4fcaa82cf 100644
--- a/spacy/lexeme.pyi
+++ b/spacy/lexeme.pyi
@@ -19,7 +19,7 @@ class Lexeme:
@property
def vector_norm(self) -> float: ...
vector: Floats1d
- rank: str
+ rank: int
sentiment: float
@property
def orth_(self) -> str: ...
diff --git a/spacy/lexeme.pyx b/spacy/lexeme.pyx
index 792e405dd..6c66effde 100644
--- a/spacy/lexeme.pyx
+++ b/spacy/lexeme.pyx
@@ -130,8 +130,10 @@ cdef class Lexeme:
return 0.0
vector = self.vector
xp = get_array_module(vector)
- return (xp.dot(vector, other.vector) / (self.vector_norm * other.vector_norm))
-
+ result = xp.dot(vector, other.vector) / (self.vector_norm * other.vector_norm)
+ # ensure we get a scalar back (numpy does this automatically but cupy doesn't)
+ return result.item()
+
@property
def has_vector(self):
"""RETURNS (bool): Whether a word vector is associated with the object.
diff --git a/spacy/matcher/dependencymatcher.pyi b/spacy/matcher/dependencymatcher.pyi
new file mode 100644
index 000000000..c19d3a71c
--- /dev/null
+++ b/spacy/matcher/dependencymatcher.pyi
@@ -0,0 +1,66 @@
+from typing import Any, Callable, Dict, List, Optional, Tuple, Union
+from .matcher import Matcher
+from ..vocab import Vocab
+from ..tokens.doc import Doc
+from ..tokens.span import Span
+
+class DependencyMatcher:
+ """Match dependency parse tree based on pattern rules."""
+
+ _patterns: Dict[str, List[Any]]
+ _raw_patterns: Dict[str, List[Any]]
+ _tokens_to_key: Dict[str, List[Any]]
+ _root: Dict[str, List[Any]]
+ _tree: Dict[str, List[Any]]
+ _callbacks: Dict[
+ Any, Callable[[DependencyMatcher, Doc, int, List[Tuple[int, List[int]]]], Any]
+ ]
+ _ops: Dict[str, Any]
+ vocab: Vocab
+ _matcher: Matcher
+ def __init__(self, vocab: Vocab, *, validate: bool = ...) -> None: ...
+ def __reduce__(
+ self,
+ ) -> Tuple[
+ Callable[
+ [Vocab, Dict[str, Any], Dict[str, Callable[..., Any]]], DependencyMatcher
+ ],
+ Tuple[
+ Vocab,
+ Dict[str, List[Any]],
+ Dict[
+ str,
+ Callable[
+ [DependencyMatcher, Doc, int, List[Tuple[int, List[int]]]], Any
+ ],
+ ],
+ ],
+ None,
+ None,
+ ]: ...
+ def __len__(self) -> int: ...
+ def __contains__(self, key: Union[str, int]) -> bool: ...
+ def add(
+ self,
+ key: Union[str, int],
+ patterns: List[List[Dict[str, Any]]],
+ *,
+ on_match: Optional[
+ Callable[[DependencyMatcher, Doc, int, List[Tuple[int, List[int]]]], Any]
+ ] = ...
+ ) -> None: ...
+ def has_key(self, key: Union[str, int]) -> bool: ...
+ def get(
+ self, key: Union[str, int], default: Optional[Any] = ...
+ ) -> Tuple[
+ Optional[
+ Callable[[DependencyMatcher, Doc, int, List[Tuple[int, List[int]]]], Any]
+ ],
+ List[List[Dict[str, Any]]],
+ ]: ...
+ def remove(self, key: Union[str, int]) -> None: ...
+ def __call__(self, doclike: Union[Doc, Span]) -> List[Tuple[int, List[int]]]: ...
+
+def unpickle_matcher(
+ vocab: Vocab, patterns: Dict[str, Any], callbacks: Dict[str, Callable[..., Any]]
+) -> DependencyMatcher: ...
diff --git a/spacy/matcher/matcher.pyi b/spacy/matcher/matcher.pyi
index ec4a88eaf..390629ff8 100644
--- a/spacy/matcher/matcher.pyi
+++ b/spacy/matcher/matcher.pyi
@@ -1,4 +1,6 @@
-from typing import Any, List, Dict, Tuple, Optional, Callable, Union, Iterator, Iterable
+from typing import Any, List, Dict, Tuple, Optional, Callable, Union
+from typing import Iterator, Iterable, overload
+from ..compat import Literal
from ..vocab import Vocab
from ..tokens import Doc, Span
@@ -31,12 +33,22 @@ class Matcher:
) -> Union[
Iterator[Tuple[Tuple[Doc, Any], Any]], Iterator[Tuple[Doc, Any]], Iterator[Doc]
]: ...
+ @overload
def __call__(
self,
doclike: Union[Doc, Span],
*,
- as_spans: bool = ...,
+ as_spans: Literal[False] = ...,
allow_missing: bool = ...,
with_alignments: bool = ...
- ) -> Union[List[Tuple[int, int, int]], List[Span]]: ...
+ ) -> List[Tuple[int, int, int]]: ...
+ @overload
+ def __call__(
+ self,
+ doclike: Union[Doc, Span],
+ *,
+ as_spans: Literal[True],
+ allow_missing: bool = ...,
+ with_alignments: bool = ...
+ ) -> List[Span]: ...
def _normalize_key(self, key: Any) -> Any: ...
diff --git a/spacy/matcher/matcher.pyx b/spacy/matcher/matcher.pyx
index 745d7cf43..6aa58f0e3 100644
--- a/spacy/matcher/matcher.pyx
+++ b/spacy/matcher/matcher.pyx
@@ -18,7 +18,7 @@ from ..tokens.doc cimport Doc, get_token_attr_for_matcher
from ..tokens.span cimport Span
from ..tokens.token cimport Token
from ..tokens.morphanalysis cimport MorphAnalysis
-from ..attrs cimport ID, attr_id_t, NULL_ATTR, ORTH, POS, TAG, DEP, LEMMA, MORPH
+from ..attrs cimport ID, attr_id_t, NULL_ATTR, ORTH, POS, TAG, DEP, LEMMA, MORPH, ENT_IOB
from ..schemas import validate_token_pattern
from ..errors import Errors, MatchPatternError, Warnings
@@ -798,7 +798,10 @@ def _get_attr_values(spec, string_store):
attr = "SENT_START"
attr = IDS.get(attr)
if isinstance(value, str):
- value = string_store.add(value)
+ if attr == ENT_IOB and value in Token.iob_strings():
+ value = Token.iob_strings().index(value)
+ else:
+ value = string_store.add(value)
elif isinstance(value, bool):
value = int(value)
elif isinstance(value, int):
diff --git a/spacy/matcher/phrasematcher.pyi b/spacy/matcher/phrasematcher.pyi
index d73633ec0..68e3386e4 100644
--- a/spacy/matcher/phrasematcher.pyi
+++ b/spacy/matcher/phrasematcher.pyi
@@ -1,6 +1,6 @@
-from typing import List, Tuple, Union, Optional, Callable, Any, Dict
-
-from . import Matcher
+from typing import List, Tuple, Union, Optional, Callable, Any, Dict, overload
+from ..compat import Literal
+from .matcher import Matcher
from ..vocab import Vocab
from ..tokens import Doc, Span
@@ -8,18 +8,30 @@ class PhraseMatcher:
def __init__(
self, vocab: Vocab, attr: Optional[Union[int, str]], validate: bool = ...
) -> None: ...
- def __call__(
- self,
- doclike: Union[Doc, Span],
- *,
- as_spans: bool = ...,
- ) -> Union[List[Tuple[int, int, int]], List[Span]]: ...
+ def __reduce__(self) -> Any: ...
+ def __len__(self) -> int: ...
+ def __contains__(self, key: str) -> bool: ...
def add(
self,
key: str,
- docs: List[List[Dict[str, Any]]],
+ docs: List[Doc],
*,
on_match: Optional[
Callable[[Matcher, Doc, int, List[Tuple[Any, ...]]], Any]
] = ...,
) -> None: ...
+ def remove(self, key: str) -> None: ...
+ @overload
+ def __call__(
+ self,
+ doclike: Union[Doc, Span],
+ *,
+ as_spans: Literal[False] = ...,
+ ) -> List[Tuple[int, int, int]]: ...
+ @overload
+ def __call__(
+ self,
+ doclike: Union[Doc, Span],
+ *,
+ as_spans: Literal[True],
+ ) -> List[Span]: ...
diff --git a/spacy/ml/models/multi_task.py b/spacy/ml/models/multi_task.py
index 37473b7f4..a7d67c6dd 100644
--- a/spacy/ml/models/multi_task.py
+++ b/spacy/ml/models/multi_task.py
@@ -23,7 +23,7 @@ def create_pretrain_vectors(
maxout_pieces: int, hidden_size: int, loss: str
) -> Callable[["Vocab", Model], Model]:
def create_vectors_objective(vocab: "Vocab", tok2vec: Model) -> Model:
- if vocab.vectors.data.shape[1] == 0:
+ if vocab.vectors.shape[1] == 0:
raise ValueError(Errors.E875)
model = build_cloze_multi_task_model(
vocab, tok2vec, hidden_size=hidden_size, maxout_pieces=maxout_pieces
@@ -85,7 +85,7 @@ def get_characters_loss(ops, docs, prediction, nr_char):
target = ops.asarray(to_categorical(target_ids, n_classes=256), dtype="f")
target = target.reshape((-1, 256 * nr_char))
diff = prediction - target
- loss = (diff ** 2).sum()
+ loss = (diff**2).sum()
d_target = diff / float(prediction.shape[0])
return loss, d_target
@@ -116,7 +116,7 @@ def build_multi_task_model(
def build_cloze_multi_task_model(
vocab: "Vocab", tok2vec: Model, maxout_pieces: int, hidden_size: int
) -> Model:
- nO = vocab.vectors.data.shape[1]
+ nO = vocab.vectors.shape[1]
output_layer = chain(
cast(Model[List["Floats2d"], Floats2d], list2array()),
Maxout(
diff --git a/spacy/ml/models/tok2vec.py b/spacy/ml/models/tok2vec.py
index 44ab50e85..ecdf6be27 100644
--- a/spacy/ml/models/tok2vec.py
+++ b/spacy/ml/models/tok2vec.py
@@ -123,7 +123,7 @@ def MultiHashEmbed(
attributes are NORM, PREFIX, SUFFIX and SHAPE. This lets the model take into
account some subword information, without constructing a fully character-based
representation. If pretrained vectors are available, they can be included in
- the representation as well, with the vectors table will be kept static
+ the representation as well, with the vectors table kept static
(i.e. it's not updated).
The `width` parameter specifies the output width of the layer and the widths
diff --git a/spacy/ml/staticvectors.py b/spacy/ml/staticvectors.py
index 8dd65833b..8d9b1af9b 100644
--- a/spacy/ml/staticvectors.py
+++ b/spacy/ml/staticvectors.py
@@ -94,7 +94,7 @@ def init(
nM = model.get_dim("nM") if model.has_dim("nM") else None
nO = model.get_dim("nO") if model.has_dim("nO") else None
if X is not None and len(X):
- nM = X[0].vocab.vectors.data.shape[1]
+ nM = X[0].vocab.vectors.shape[1]
if Y is not None:
nO = Y.data.shape[1]
diff --git a/spacy/pipeline/_parser_internals/_state.pxd b/spacy/pipeline/_parser_internals/_state.pxd
index 161f3ca48..a1262bb61 100644
--- a/spacy/pipeline/_parser_internals/_state.pxd
+++ b/spacy/pipeline/_parser_internals/_state.pxd
@@ -1,7 +1,9 @@
+from cython.operator cimport dereference as deref, preincrement as incr
from libc.string cimport memcpy, memset
from libc.stdlib cimport calloc, free
from libc.stdint cimport uint32_t, uint64_t
cimport libcpp
+from libcpp.unordered_map cimport unordered_map
from libcpp.vector cimport vector
from libcpp.set cimport set
from cpython.exc cimport PyErr_CheckSignals, PyErr_SetFromErrno
@@ -29,8 +31,8 @@ cdef cppclass StateC:
vector[int] _stack
vector[int] _rebuffer
vector[SpanC] _ents
- vector[ArcC] _left_arcs
- vector[ArcC] _right_arcs
+ unordered_map[int, vector[ArcC]] _left_arcs
+ unordered_map[int, vector[ArcC]] _right_arcs
vector[libcpp.bool] _unshiftable
set[int] _sent_starts
TokenC _empty_token
@@ -159,15 +161,22 @@ cdef cppclass StateC:
else:
return &this._sent[i]
- void get_arcs(vector[ArcC]* arcs) nogil const:
- for i in range(this._left_arcs.size()):
- arc = this._left_arcs.at(i)
- if arc.head != -1 and arc.child != -1:
- arcs.push_back(arc)
- for i in range(this._right_arcs.size()):
- arc = this._right_arcs.at(i)
- if arc.head != -1 and arc.child != -1:
- arcs.push_back(arc)
+ void map_get_arcs(const unordered_map[int, vector[ArcC]] &heads_arcs, vector[ArcC]* out) nogil const:
+ cdef const vector[ArcC]* arcs
+ head_arcs_it = heads_arcs.const_begin()
+ while head_arcs_it != heads_arcs.const_end():
+ arcs = &deref(head_arcs_it).second
+ arcs_it = arcs.const_begin()
+ while arcs_it != arcs.const_end():
+ arc = deref(arcs_it)
+ if arc.head != -1 and arc.child != -1:
+ out.push_back(arc)
+ incr(arcs_it)
+ incr(head_arcs_it)
+
+ void get_arcs(vector[ArcC]* out) nogil const:
+ this.map_get_arcs(this._left_arcs, out)
+ this.map_get_arcs(this._right_arcs, out)
int H(int child) nogil const:
if child >= this.length or child < 0:
@@ -181,33 +190,35 @@ cdef cppclass StateC:
else:
return this._ents.back().start
+ int nth_child(const unordered_map[int, vector[ArcC]]& heads_arcs, int head, int idx) nogil const:
+ if idx < 1:
+ return -1
+
+ head_arcs_it = heads_arcs.const_find(head)
+ if head_arcs_it == heads_arcs.const_end():
+ return -1
+
+ cdef const vector[ArcC]* arcs = &deref(head_arcs_it).second
+
+ # Work backwards through arcs to find the arc at the
+ # requested index more quickly.
+ cdef size_t child_index = 0
+ arcs_it = arcs.const_rbegin()
+ while arcs_it != arcs.const_rend() and child_index != idx:
+ arc = deref(arcs_it)
+ if arc.child != -1:
+ child_index += 1
+ if child_index == idx:
+ return arc.child
+ incr(arcs_it)
+
+ return -1
+
int L(int head, int idx) nogil const:
- if idx < 1 or this._left_arcs.size() == 0:
- return -1
- cdef vector[int] lefts
- for i in range(this._left_arcs.size()):
- arc = this._left_arcs.at(i)
- if arc.head == head and arc.child != -1 and arc.child < head:
- lefts.push_back(arc.child)
- idx = (+ If you've come across a universe project that isn't working or is + incompatible with the reported spaCy version, let us know by{' '} + + opening a discussion thread + + . +
+
@@ -168,25 +181,41 @@ UniverseContent.propTypes = {
mdxComponents: PropTypes.object,
}
+const SpaCyVersion = ({ version }) => {
+ const versions = !Array.isArray(version) ? [version] : version
+ return versions.map((v, i) => (
+ <>
+