mirror of
https://github.com/explosion/spaCy.git
synced 2024-12-26 18:06:29 +03:00
* Refactor monster tokens.pyx file, into a tokens/ subpackage. Try to break the cycle between Doc and Token, and remove the need to pass around a unicode string reference
This commit is contained in:
parent
5b0a7190c9
commit
dba6b47d4e
27
spacy/tokens/token.pxd
Normal file
27
spacy/tokens/token.pxd
Normal file
|
@ -0,0 +1,27 @@
|
||||||
|
from ..vocab cimport Vocab
|
||||||
|
from ..structs cimport TokenC
|
||||||
|
from ..typedefs cimport attr_id_t
|
||||||
|
|
||||||
|
|
||||||
|
cdef class Token:
|
||||||
|
cdef Vocab vocab
|
||||||
|
cdef const TokenC* c
|
||||||
|
cdef readonly int i
|
||||||
|
cdef int array_len
|
||||||
|
cdef bint _owns_c_data
|
||||||
|
|
||||||
|
@staticmethod
|
||||||
|
cdef inline Token cinit(Vocab vocab, const TokenC* token, int offset, int array_len):
|
||||||
|
if offset < 0 or offset >= array_len:
|
||||||
|
msg = "Attempt to access token at %d, max length %d"
|
||||||
|
raise IndexError(msg % (offset, array_len))
|
||||||
|
|
||||||
|
cdef Token self = Token.__new__(Token, vocab)
|
||||||
|
self.c = token
|
||||||
|
self.i = offset
|
||||||
|
self.array_len = array_len
|
||||||
|
return self
|
||||||
|
|
||||||
|
cdef int take_ownership_of_c_data(self) except -1
|
||||||
|
|
||||||
|
cpdef bint check_flag(self, attr_id_t flag_id) except -1
|
281
spacy/tokens/token.pyx
Normal file
281
spacy/tokens/token.pyx
Normal file
|
@ -0,0 +1,281 @@
|
||||||
|
from libc.string cimport memcpy
|
||||||
|
from cpython.mem cimport PyMem_Malloc, PyMem_Free
|
||||||
|
from ..lexeme cimport check_flag
|
||||||
|
# Compiler crashes on memory view coercion without this. Should report bug.
|
||||||
|
from cython.view cimport array as cvarray
|
||||||
|
|
||||||
|
|
||||||
|
cdef class Token:
|
||||||
|
"""An individual token --- i.e. a word, a punctuation symbol, etc. Created
|
||||||
|
via Doc.__getitem__ and Doc.__iter__.
|
||||||
|
"""
|
||||||
|
def __cinit__(self, Vocab vocab):
|
||||||
|
self.vocab = vocab
|
||||||
|
|
||||||
|
def __dealloc__(self):
|
||||||
|
if self._owns_c_data:
|
||||||
|
# Cast through const, if we own the data
|
||||||
|
PyMem_Free(<void*>self.c)
|
||||||
|
|
||||||
|
def __len__(self):
|
||||||
|
return self.c.lex.length
|
||||||
|
|
||||||
|
def __unicode__(self):
|
||||||
|
return self.string
|
||||||
|
|
||||||
|
cpdef bint check_flag(self, attr_id_t flag_id) except -1:
|
||||||
|
return check_flag(self.c.lex, flag_id)
|
||||||
|
|
||||||
|
cdef int take_ownership_of_c_data(self) except -1:
|
||||||
|
owned_data = <TokenC*>PyMem_Malloc(sizeof(TokenC) * self.array_len)
|
||||||
|
memcpy(owned_data, self.c, sizeof(TokenC) * self.array_len)
|
||||||
|
self.c = owned_data
|
||||||
|
self._owns_c_data = True
|
||||||
|
|
||||||
|
def nbor(self, int i=1):
|
||||||
|
return Token.cinit(self.vocab, self.c, self.i, self.array_len)
|
||||||
|
|
||||||
|
property lex_id:
|
||||||
|
def __get__(self):
|
||||||
|
return self.c.lex.id
|
||||||
|
|
||||||
|
property string:
|
||||||
|
def __get__(self):
|
||||||
|
cdef unicode orth = self.vocab.strings[self.c.lex.orth]
|
||||||
|
if self.c.spacy:
|
||||||
|
return orth + u' '
|
||||||
|
else:
|
||||||
|
return orth
|
||||||
|
|
||||||
|
property prob:
|
||||||
|
def __get__(self):
|
||||||
|
return self.c.lex.prob
|
||||||
|
|
||||||
|
property idx:
|
||||||
|
def __get__(self):
|
||||||
|
return self.c.idx
|
||||||
|
|
||||||
|
property cluster:
|
||||||
|
def __get__(self):
|
||||||
|
return self.c.lex.cluster
|
||||||
|
|
||||||
|
property orth:
|
||||||
|
def __get__(self):
|
||||||
|
return self.c.lex.orth
|
||||||
|
|
||||||
|
property lower:
|
||||||
|
def __get__(self):
|
||||||
|
return self.c.lex.lower
|
||||||
|
|
||||||
|
property norm:
|
||||||
|
def __get__(self):
|
||||||
|
return self.c.lex.norm
|
||||||
|
|
||||||
|
property shape:
|
||||||
|
def __get__(self):
|
||||||
|
return self.c.lex.shape
|
||||||
|
|
||||||
|
property prefix:
|
||||||
|
def __get__(self):
|
||||||
|
return self.c.lex.prefix
|
||||||
|
|
||||||
|
property suffix:
|
||||||
|
def __get__(self):
|
||||||
|
return self.c.lex.suffix
|
||||||
|
|
||||||
|
property lemma:
|
||||||
|
def __get__(self):
|
||||||
|
return self.c.lemma
|
||||||
|
|
||||||
|
property pos:
|
||||||
|
def __get__(self):
|
||||||
|
return self.c.pos
|
||||||
|
|
||||||
|
property tag:
|
||||||
|
def __get__(self):
|
||||||
|
return self.c.tag
|
||||||
|
|
||||||
|
property dep:
|
||||||
|
def __get__(self):
|
||||||
|
return self.c.dep
|
||||||
|
|
||||||
|
property repvec:
|
||||||
|
def __get__(self):
|
||||||
|
cdef int length = self.vocab.repvec_length
|
||||||
|
repvec_view = <float[:length,]>self.c.lex.repvec
|
||||||
|
return numpy.asarray(repvec_view)
|
||||||
|
|
||||||
|
property n_lefts:
|
||||||
|
def __get__(self):
|
||||||
|
cdef int n = 0
|
||||||
|
cdef const TokenC* ptr = self.c - self.i
|
||||||
|
while ptr != self.c:
|
||||||
|
if ptr + ptr.head == self.c:
|
||||||
|
n += 1
|
||||||
|
ptr += 1
|
||||||
|
return n
|
||||||
|
|
||||||
|
property n_rights:
|
||||||
|
def __get__(self):
|
||||||
|
cdef int n = 0
|
||||||
|
cdef const TokenC* ptr = self.c + (self.array_len - self.i)
|
||||||
|
while ptr != self.c:
|
||||||
|
if ptr + ptr.head == self.c:
|
||||||
|
n += 1
|
||||||
|
ptr -= 1
|
||||||
|
return n
|
||||||
|
|
||||||
|
property lefts:
|
||||||
|
def __get__(self):
|
||||||
|
"""The leftward immediate children of the word, in the syntactic
|
||||||
|
dependency parse.
|
||||||
|
"""
|
||||||
|
cdef const TokenC* ptr = self.c - self.i
|
||||||
|
while ptr < self.c:
|
||||||
|
# If this head is still to the right of us, we can skip to it
|
||||||
|
# No token that's between this token and this head could be our
|
||||||
|
# child.
|
||||||
|
if (ptr.head >= 1) and (ptr + ptr.head) < self.c:
|
||||||
|
ptr += ptr.head
|
||||||
|
|
||||||
|
elif ptr + ptr.head == self.c:
|
||||||
|
yield Token.cinit(self.vocab, ptr, ptr - (self.c - self.i),
|
||||||
|
self.array_len)
|
||||||
|
ptr += 1
|
||||||
|
else:
|
||||||
|
ptr += 1
|
||||||
|
|
||||||
|
property rights:
|
||||||
|
def __get__(self):
|
||||||
|
"""The rightward immediate children of the word, in the syntactic
|
||||||
|
dependency parse."""
|
||||||
|
cdef const TokenC* ptr = (self.c - self.i) + (self.array_len - 1)
|
||||||
|
tokens = []
|
||||||
|
while ptr > self.c:
|
||||||
|
# If this head is still to the right of us, we can skip to it
|
||||||
|
# No token that's between this token and this head could be our
|
||||||
|
# child.
|
||||||
|
if (ptr.head < 0) and ((ptr + ptr.head) > self.c):
|
||||||
|
ptr += ptr.head
|
||||||
|
elif ptr + ptr.head == self.c:
|
||||||
|
tokens.append(Token.cinit(self.vocab, ptr, ptr - (self.c - self.i),
|
||||||
|
self.array_len))
|
||||||
|
ptr -= 1
|
||||||
|
else:
|
||||||
|
ptr -= 1
|
||||||
|
tokens.reverse()
|
||||||
|
for t in tokens:
|
||||||
|
yield t
|
||||||
|
|
||||||
|
property children:
|
||||||
|
def __get__(self):
|
||||||
|
yield from self.lefts
|
||||||
|
yield from self.rights
|
||||||
|
|
||||||
|
property subtree:
|
||||||
|
def __get__(self):
|
||||||
|
for word in self.lefts:
|
||||||
|
yield from word.subtree
|
||||||
|
yield self
|
||||||
|
for word in self.rights:
|
||||||
|
yield from word.subtree
|
||||||
|
|
||||||
|
property left_edge:
|
||||||
|
def __get__(self):
|
||||||
|
return Token.cinit(self.vocab,
|
||||||
|
(self.c - self.i) + self.c.l_edge, self.c.l_edge,
|
||||||
|
self.array_len)
|
||||||
|
|
||||||
|
property right_edge:
|
||||||
|
def __get__(self):
|
||||||
|
return Token.cinit(self.vocab,
|
||||||
|
(self.c - self.i) + self.c.r_edge, self.c.r_edge,
|
||||||
|
self.array_len)
|
||||||
|
|
||||||
|
property head:
|
||||||
|
def __get__(self):
|
||||||
|
"""The token predicted by the parser to be the head of the current token."""
|
||||||
|
return Token.cinit(self.vocab, self.c + self.c.head, self.i + self.c.head,
|
||||||
|
self.array_len)
|
||||||
|
|
||||||
|
property conjuncts:
|
||||||
|
def __get__(self):
|
||||||
|
"""Get a list of conjoined words"""
|
||||||
|
cdef Token word
|
||||||
|
conjs = []
|
||||||
|
if self.c.pos != CONJ and self.c.pos != PUNCT:
|
||||||
|
seen_conj = False
|
||||||
|
for word in reversed(list(self.lefts)):
|
||||||
|
if word.c.pos == CONJ:
|
||||||
|
seen_conj = True
|
||||||
|
elif seen_conj and word.c.pos == self.c.pos:
|
||||||
|
conjs.append(word)
|
||||||
|
conjs.reverse()
|
||||||
|
conjs.append(self)
|
||||||
|
if seen_conj:
|
||||||
|
return conjs
|
||||||
|
elif self is not self.head and self in self.head.conjuncts:
|
||||||
|
return self.head.conjuncts
|
||||||
|
else:
|
||||||
|
return []
|
||||||
|
|
||||||
|
property ent_type:
|
||||||
|
def __get__(self):
|
||||||
|
return self.c.ent_type
|
||||||
|
|
||||||
|
property ent_iob:
|
||||||
|
def __get__(self):
|
||||||
|
return self.c.ent_iob
|
||||||
|
|
||||||
|
property ent_type_:
|
||||||
|
def __get__(self):
|
||||||
|
return self.vocab.strings[self.c.ent_type]
|
||||||
|
|
||||||
|
property ent_iob_:
|
||||||
|
def __get__(self):
|
||||||
|
iob_strings = ('', 'I', 'O', 'B')
|
||||||
|
return iob_strings[self.c.ent_iob]
|
||||||
|
|
||||||
|
property whitespace_:
|
||||||
|
def __get__(self):
|
||||||
|
return self.string[self.c.lex.length:]
|
||||||
|
|
||||||
|
property orth_:
|
||||||
|
def __get__(self):
|
||||||
|
return self.vocab.strings[self.c.lex.orth]
|
||||||
|
|
||||||
|
property lower_:
|
||||||
|
def __get__(self):
|
||||||
|
return self.vocab.strings[self.c.lex.lower]
|
||||||
|
|
||||||
|
property norm_:
|
||||||
|
def __get__(self):
|
||||||
|
return self.vocab.strings[self.c.lex.norm]
|
||||||
|
|
||||||
|
property shape_:
|
||||||
|
def __get__(self):
|
||||||
|
return self.vocab.strings[self.c.lex.shape]
|
||||||
|
|
||||||
|
property prefix_:
|
||||||
|
def __get__(self):
|
||||||
|
return self.vocab.strings[self.c.lex.prefix]
|
||||||
|
|
||||||
|
property suffix_:
|
||||||
|
def __get__(self):
|
||||||
|
return self.vocab.strings[self.c.lex.suffix]
|
||||||
|
|
||||||
|
property lemma_:
|
||||||
|
def __get__(self):
|
||||||
|
return self.vocab.strings[self.c.lemma]
|
||||||
|
|
||||||
|
property pos_:
|
||||||
|
def __get__(self):
|
||||||
|
return _pos_id_to_string[self.c.pos]
|
||||||
|
|
||||||
|
property tag_:
|
||||||
|
def __get__(self):
|
||||||
|
return self.vocab.strings[self.c.tag]
|
||||||
|
|
||||||
|
property dep_:
|
||||||
|
def __get__(self):
|
||||||
|
return self.vocab.strings[self.c.dep]
|
Loading…
Reference in New Issue
Block a user