# coding: utf8 from __future__ import unicode_literals from ...symbols import ORTH, LEMMA, TAG, NORM, PRON_LEMMA # Extensive list of both common and uncommon dutch abbreviations copied from # github.com/diasks2/pragmatic_segmenter, a Ruby library for rule-based # sentence boundary detection (MIT, Copyright 2015 Kevin S. Dias). # Source file: https://github.com/diasks2/pragmatic_segmenter/blob/master/lib/pragmatic_segmenter/languages/dutch.rb # (Last commit: 4d1477b) # Main purpose of such an extensive list: considerably improved sentence # segmentation. # Note: This list has been copied over largely as-is. Some of the abbreviations # are extremely domain-specific. Tokenizer performance may benefit from some # slight pruning, although no performance regression has been observed so far. abbrevs = ['a.2d.', 'a.a.', 'a.a.j.b.', 'a.f.t.', 'a.g.j.b.', 'a.h.v.', 'a.h.w.', 'a.hosp.', 'a.i.', 'a.j.b.', 'a.j.t.', 'a.m.', 'a.m.r.', 'a.p.m.', 'a.p.r.', 'a.p.t.', 'a.s.', 'a.t.d.f.', 'a.u.b.', 'a.v.a.', 'a.w.', 'aanbev.', 'aanbev.comm.', 'aant.', 'aanv.st.', 'aanw.', 'vnw.', 'aanw.vnw.', 'abd.', 'abm.', 'abs.', 'acc.act.', 'acc.bedr.m.', 'acc.bedr.t.', 'achterv.', 'act.dr.', 'act.dr.fam.', 'act.fisc.', 'act.soc.', 'adm.akk.', 'adm.besl.', 'adm.lex.', 'adm.onderr.', 'adm.ov.', 'adv.', 'adv.', 'gen.', 'adv.bl.', 'afd.', 'afl.', 'aggl.verord.', 'agr.', 'al.', 'alg.', 'alg.richts.', 'amén.', 'ann.dr.', 'ann.dr.lg.', 'ann.dr.sc.pol.', 'ann.ét.eur.', 'ann.fac.dr.lg.', 'ann.jur.créd.', 'ann.jur.créd.règl.coll.', 'ann.not.', 'ann.parl.', 'ann.prat.comm.', 'app.', 'arb.', 'aud.', 'arbbl.', 'arbh.', 'arbit.besl.', 'arbrb.', 'arr.', 'arr.cass.', 'arr.r.v.st.', 'arr.verbr.', 'arrondrb.', 'art.', 'artw.', 'aud.', 'b.', 'b.', 'b.&w.', 'b.a.', 'b.a.s.', 'b.b.o.', 'b.best.dep.', 'b.br.ex.', 'b.coll.fr.gem.comm.', 'b.coll.vl.gem.comm.', 'b.d.cult.r.', 'b.d.gem.ex.', 'b.d.gem.reg.', 'b.dep.', 'b.e.b.', 'b.f.r.', 'b.fr.gem.ex.', 'b.fr.gem.reg.', 'b.i.h.', 'b.inl.j.d.', 'b.inl.s.reg.', 'b.j.', 'b.l.', 'b.o.z.', 'b.prov.r.', 'b.r.h.', 'b.s.', 'b.sr.', 'b.stb.', 'b.t.i.r.', 'b.t.s.z.', 'b.t.w.rev.', 'b.v.', 'b.ver.coll.gem.gem.comm.', 'b.verg.r.b.', 'b.versl.', 'b.vl.ex.', 'b.voorl.reg.', 'b.w.', 'b.w.gew.ex.', 'b.z.d.g.', 'b.z.v.', 'bab.', 'bedr.org.', 'begins.', 'beheersov.', 'bekendm.comm.', 'bel.', 'bel.besch.', 'bel.w.p.', 'beleidsov.', 'belg.', 'grondw.', 'ber.', 'ber.w.', 'besch.', 'besl.', 'beslagr.', 'bestuurswet.', 'bet.', 'betr.', 'betr.', 'vnw.', 'bevest.', 'bew.', 'bijbl.', 'ind.', 'eig.', 'bijbl.n.bijdr.', 'bijl.', 'bijv.', 'bijw.', 'bijz.decr.', 'bin.b.', 'bkh.', 'bl.', 'blz.', 'bm.', 'bn.', 'rh.', 'bnw.', 'bouwr.', 'br.parl.', 'bs.', 'bull.', 'bull.adm.pénit.', 'bull.ass.', 'bull.b.m.m.', 'bull.bel.', 'bull.best.strafinr.', 'bull.bmm.', 'bull.c.b.n.', 'bull.c.n.c.', 'bull.cbn.', 'bull.centr.arb.', 'bull.cnc.', 'bull.contr.', 'bull.doc.min.fin.', 'bull.f.e.b.', 'bull.feb.', 'bull.fisc.fin.r.', 'bull.i.u.m.', 'bull.inf.ass.secr.soc.', 'bull.inf.i.e.c.', 'bull.inf.i.n.a.m.i.', 'bull.inf.i.r.e.', 'bull.inf.iec.', 'bull.inf.inami.', 'bull.inf.ire.', 'bull.inst.arb.', 'bull.ium.', 'bull.jur.imm.', 'bull.lég.b.', 'bull.off.', 'bull.trim.b.dr.comp.', 'bull.us.', 'bull.v.b.o.', 'bull.vbo.', 'bv.', 'bw.', 'bxh.', 'byz.', 'c.', 'c.a.', 'c.a.-a.', 'c.a.b.g.', 'c.c.', 'c.c.i.', 'c.c.s.', 'c.conc.jur.', 'c.d.e.', 'c.d.p.k.', 'c.e.', 'c.ex.', 'c.f.', 'c.h.a.', 'c.i.f.', 'c.i.f.i.c.', 'c.j.', 'c.l.', 'c.n.', 'c.o.d.', 'c.p.', 'c.pr.civ.', 'c.q.', 'c.r.', 'c.r.a.', 'c.s.', 'c.s.a.', 'c.s.q.n.', 'c.v.', 'c.v.a.', 'c.v.o.', 'ca.', 'cadeaust.', 'cah.const.', 'cah.dr.europ.', 'cah.dr.immo.', 'cah.dr.jud.', 'cal.', '2d.', 'cal.', '3e.', 'cal.', 'rprt.', 'cap.', 'carg.', 'cass.', 'cass.', 'verw.', 'cert.', 'cf.', 'ch.', 'chron.', 'chron.d.s.', 'chron.dr.not.', 'cie.', 'cie.', 'verz.schr.', 'cir.', 'circ.', 'circ.z.', 'cit.', 'cit.loc.', 'civ.', 'cl.et.b.', 'cmt.', 'co.', 'cognoss.v.', 'coll.', 'v.', 'b.', 'colp.w.', 'com.', 'com.', 'cas.', 'com.v.min.', 'comm.', 'comm.', 'v.', 'comm.bijz.ov.', 'comm.erf.', 'comm.fin.', 'comm.ger.', 'comm.handel.', 'comm.pers.', 'comm.pub.', 'comm.straf.', 'comm.v.', 'comm.venn.', 'comm.verz.', 'comm.voor.', 'comp.', 'compt.w.', 'computerr.', 'con.m.', 'concl.', 'concr.', 'conf.', 'confl.w.', 'confl.w.huwbetr.', 'cons.', 'conv.', 'coöp.', 'ver.', 'corr.', 'corr.bl.', 'cour.fisc.', 'cour.immo.', 'cridon.', 'crim.', 'cur.', 'cur.', 'crt.', 'curs.', 'd.', 'd.-g.', 'd.a.', 'd.a.v.', 'd.b.f.', 'd.c.', 'd.c.c.r.', 'd.d.', 'd.d.p.', 'd.e.t.', 'd.gem.r.', 'd.h.', 'd.h.z.', 'd.i.', 'd.i.t.', 'd.j.', 'd.l.r.', 'd.m.', 'd.m.v.', 'd.o.v.', 'd.parl.', 'd.w.z.', 'dact.', 'dat.', 'dbesch.', 'dbesl.', 'decr.', 'decr.d.', 'decr.fr.', 'decr.vl.', 'decr.w.', 'def.', 'dep.opv.', 'dep.rtl.', 'derg.', 'desp.', 'det.mag.', 'deurw.regl.', 'dez.', 'dgl.', 'dhr.', 'disp.', 'diss.', 'div.', 'div.act.', 'div.bel.', 'dl.', 'dln.', 'dnotz.', 'doc.', 'hist.', 'doc.jur.b.', 'doc.min.fin.', 'doc.parl.', 'doctr.', 'dpl.', 'dpl.besl.', 'dr.', 'dr.banc.fin.', 'dr.circ.', 'dr.inform.', 'dr.mr.', 'dr.pén.entr.', 'dr.q.m.', 'drs.', 'dtp.', 'dwz.', 'dyn.', 'e.', 'e.a.', 'e.b.', 'tek.mod.', 'e.c.', 'e.c.a.', 'e.d.', 'e.e.', 'e.e.a.', 'e.e.g.', 'e.g.', 'e.g.a.', 'e.h.a.', 'e.i.', 'e.j.', 'e.m.a.', 'e.n.a.c.', 'e.o.', 'e.p.c.', 'e.r.c.', 'e.r.f.', 'e.r.h.', 'e.r.o.', 'e.r.p.', 'e.r.v.', 'e.s.r.a.', 'e.s.t.', 'e.v.', 'e.v.a.', 'e.w.', 'e&o.e.', 'ec.pol.r.', 'econ.', 'ed.', 'ed(s).', 'eff.', 'eig.', 'eig.mag.', 'eil.', 'elektr.', 'enmb.', 'enz.', 'err.', 'etc.', 'etq.', 'eur.', 'parl.', 'eur.t.s.', 'ev.', 'evt.', 'ex.', 'ex.crim.', 'exec.', 'f.', 'f.a.o.', 'f.a.q.', 'f.a.s.', 'f.i.b.', 'f.j.f.', 'f.o.b.', 'f.o.r.', 'f.o.s.', 'f.o.t.', 'f.r.', 'f.supp.', 'f.suppl.', 'fa.', 'facs.', 'fasc.', 'fg.', 'fid.ber.', 'fig.', 'fin.verh.w.', 'fisc.', 'fisc.', 'tijdschr.', 'fisc.act.', 'fisc.koer.', 'fl.', 'form.', 'foro.', 'it.', 'fr.', 'fr.cult.r.', 'fr.gem.r.', 'fr.parl.', 'fra.', 'ft.', 'g.', 'g.a.', 'g.a.v.', 'g.a.w.v.', 'g.g.d.', 'g.m.t.', 'g.o.', 'g.omt.e.', 'g.p.', 'g.s.', 'g.v.', 'g.w.w.', 'geb.', 'gebr.', 'gebrs.', 'gec.', 'gec.decr.', 'ged.', 'ged.st.', 'gedipl.', 'gedr.st.', 'geh.', 'gem.', 'gem.', 'gem.', 'gem.gem.comm.', 'gem.st.', 'gem.stem.', 'gem.w.', 'gemeensch.optr.', 'gemeensch.standp.', 'gemeensch.strat.', 'gemeent.', 'gemeent.b.', 'gemeent.regl.', 'gemeent.verord.', 'geol.', 'geopp.', 'gepubl.', 'ger.deurw.', 'ger.w.', 'gerekw.', 'gereq.', 'gesch.', 'get.', 'getr.', 'gev.m.', 'gev.maatr.', 'gew.', 'ghert.', 'gir.eff.verk.', 'gk.', 'gr.', 'gramm.', 'grat.w.', 'grootb.w.', 'grs.', 'grvm.', 'grw.', 'gst.', 'gw.', 'h.a.', 'h.a.v.o.', 'h.b.o.', 'h.e.a.o.', 'h.e.g.a.', 'h.e.geb.', 'h.e.gestr.', 'h.l.', 'h.m.', 'h.o.', 'h.r.', 'h.t.l.', 'h.t.m.', 'h.w.geb.', 'hand.', 'handelsn.w.', 'handelspr.', 'handelsr.w.', 'handelsreg.w.', 'handv.', 'harv.l.rev.', 'hc.', 'herald.', 'hert.', 'herz.', 'hfdst.', 'hfst.', 'hgrw.', 'hhr.', 'hist.', 'hooggel.', 'hoogl.', 'hosp.', 'hpw.', 'hr.', 'hr.', 'ms.', 'hr.ms.', 'hregw.', 'hrg.', 'hst.', 'huis.just.', 'huisv.w.', 'huurbl.', 'hv.vn.', 'hw.', 'hyp.w.', 'i.b.s.', 'i.c.', 'i.c.m.h.', 'i.e.', 'i.f.', 'i.f.p.', 'i.g.v.', 'i.h.', 'i.h.a.', 'i.h.b.', 'i.l.pr.', 'i.o.', 'i.p.o.', 'i.p.r.', 'i.p.v.', 'i.pl.v.', 'i.r.d.i.', 'i.s.m.', 'i.t.t.', 'i.v.', 'i.v.m.', 'i.v.s.', 'i.w.tr.', 'i.z.', 'ib.', 'ibid.', 'icip-ing.cons.', 'iem.', 'indic.soc.', 'indiv.', 'inf.', 'inf.i.d.a.c.', 'inf.idac.', 'inf.r.i.z.i.v.', 'inf.riziv.', 'inf.soc.secr.', 'ing.', 'ing.', 'cons.', 'ing.cons.', 'inst.', 'int.', 'int.', 'rechtsh.', 'strafz.', 'interm.', 'intern.fisc.act.', 'intern.vervoerr.', 'inv.', 'inv.', 'f.', 'inv.w.', 'inv.wet.', 'invord.w.', 'inz.', 'ir.', 'irspr.', 'iwtr.', 'j.', 'j.-cl.', 'j.c.b.', 'j.c.e.', 'j.c.fl.', 'j.c.j.', 'j.c.p.', 'j.d.e.', 'j.d.f.', 'j.d.s.c.', 'j.dr.jeun.', 'j.j.d.', 'j.j.p.', 'j.j.pol.', 'j.l.', 'j.l.m.b.', 'j.l.o.', 'j.p.a.', 'j.r.s.', 'j.t.', 'j.t.d.e.', 'j.t.dr.eur.', 'j.t.o.', 'j.t.t.', 'jaarl.', 'jb.hand.', 'jb.kred.', 'jb.kred.c.s.', 'jb.l.r.b.', 'jb.lrb.', 'jb.markt.', 'jb.mens.', 'jb.t.r.d.', 'jb.trd.', 'jeugdrb.', 'jeugdwerkg.w.', 'jg.', 'jis.', 'jl.', 'journ.jur.', 'journ.prat.dr.fisc.fin.', 'journ.proc.', 'jrg.', 'jur.', 'jur.comm.fl.', 'jur.dr.soc.b.l.n.', 'jur.f.p.e.', 'jur.fpe.', 'jur.niv.', 'jur.trav.brux.', 'jurambt.', 'jv.cass.', 'jv.h.r.j.', 'jv.hrj.', 'jw.', 'k.', 'k.', 'k.b.', 'k.g.', 'k.k.', 'k.m.b.o.', 'k.o.o.', 'k.v.k.', 'k.v.v.v.', 'kadasterw.', 'kaderb.', 'kador.', 'kbo-nr.', 'kg.', 'kh.', 'kiesw.', 'kind.bes.v.', 'kkr.', 'koopv.', 'kr.', 'krankz.w.', 'ksbel.', 'kt.', 'ktg.', 'ktr.', 'kvdm.', 'kw.r.', 'kymr.', 'kzr.', 'kzw.', 'l.', 'l.b.', 'l.b.o.', 'l.bas.', 'l.c.', 'l.gew.', 'l.j.', 'l.k.', 'l.l.', 'l.o.', 'l.r.b.', 'l.u.v.i.', 'l.v.r.', 'l.v.w.', 'l.w.', "l'exp.-compt.b..", 'l’exp.-compt.b.', 'landinr.w.', 'landscrt.', 'lat.', 'law.ed.', 'lett.', 'levensverz.', 'lgrs.', 'lidw.', 'limb.rechtsl.', 'lit.', 'litt.', 'liw.', 'liwet.', 'lk.', 'll.', 'll.(l.)l.r.', 'loonw.', 'losbl.', 'ltd.', 'luchtv.', 'luchtv.w.', 'm.', 'm.', 'not.', 'm.a.v.o.', 'm.a.w.', 'm.b.', 'm.b.o.', 'm.b.r.', 'm.b.t.', 'm.d.g.o.', 'm.e.a.o.', 'm.e.r.', 'm.h.', 'm.h.d.', 'm.i.v.', 'm.j.t.', 'm.k.', 'm.m.', 'm.m.a.', 'm.m.h.h.', 'm.m.v.', 'm.n.', 'm.not.fisc.', 'm.nt.', 'm.o.', 'm.r.', 'm.s.a.', 'm.u.p.', 'm.v.a.', 'm.v.h.n.', 'm.v.t.', 'm.z.', 'maatr.teboekgest.luchtv.', 'maced.', 'mand.', 'max.', 'mbl.not.', 'me.', 'med.', 'med.', 'v.b.o.', 'med.b.u.f.r.', 'med.bufr.', 'med.vbo.', 'meerv.', 'meetbr.w.', 'mém.adm.', 'mgr.', 'mgrs.', 'mhd.', 'mi.verantw.', 'mil.', 'mil.bed.', 'mil.ger.', 'min.', 'min.', 'aanbev.', 'min.', 'circ.', 'min.', 'fin.', 'min.j.omz.', 'min.just.circ.', 'mitt.', 'mnd.', 'mod.', 'mon.', 'mouv.comm.', 'mr.', 'ms.', 'muz.', 'mv.', 'n.', 'chr.', 'n.a.', 'n.a.g.', 'n.a.v.', 'n.b.', 'n.c.', 'n.chr.', 'n.d.', 'n.d.r.', 'n.e.a.', 'n.g.', 'n.h.b.c.', 'n.j.', 'n.j.b.', 'n.j.w.', 'n.l.', 'n.m.', 'n.m.m.', 'n.n.', 'n.n.b.', 'n.n.g.', 'n.n.k.', 'n.o.m.', 'n.o.t.k.', 'n.rapp.', 'n.tijd.pol.', 'n.v.', 'n.v.d.r.', 'n.v.d.v.', 'n.v.o.b.', 'n.v.t.', 'nat.besch.w.', 'nat.omb.', 'nat.pers.', 'ned.cult.r.', 'neg.verkl.', 'nhd.', 'wisk.', 'njcm-bull.', 'nl.', 'nnd.', 'no.', 'not.fisc.m.', 'not.w.', 'not.wet.', 'nr.', 'nrs.', 'nste.', 'nt.', 'numism.', 'o.', 'o.a.', 'o.b.', 'o.c.', 'o.g.', 'o.g.v.', 'o.i.', 'o.i.d.', 'o.m.', 'o.o.', 'o.o.d.', 'o.o.v.', 'o.p.', 'o.r.', 'o.regl.', 'o.s.', 'o.t.s.', 'o.t.t.', 'o.t.t.t.', 'o.t.t.z.', 'o.tk.t.', 'o.v.t.', 'o.v.t.t.', 'o.v.tk.t.', 'o.v.v.', 'ob.', 'obsv.', 'octr.', 'octr.gem.regl.', 'octr.regl.', 'oe.', 'off.pol.', 'ofra.', 'ohd.', 'omb.', 'omnil.', 'omz.', 'on.ww.', 'onderr.', 'onfrank.', 'onteig.w.', 'ontw.', 'b.w.', 'onuitg.', 'onz.', 'oorl.w.', 'op.cit.', 'opin.pa.', 'opm.', 'or.', 'ord.br.', 'ord.gem.', 'ors.', 'orth.', 'os.', 'osm.', 'ov.', 'ov.w.i.', 'ov.w.ii.', 'ov.ww.', 'overg.w.', 'overw.', 'ovkst.', 'oz.', 'p.', 'p.a.', 'p.a.o.', 'p.b.o.', 'p.e.', 'p.g.', 'p.j.', 'p.m.', 'p.m.a.', 'p.o.', 'p.o.j.t.', 'p.p.', 'p.v.', 'p.v.s.', 'pachtw.', 'pag.', 'pan.', 'pand.b.', 'pand.pér.', 'parl.gesch.', 'parl.gesch.', 'inv.', 'parl.st.', 'part.arb.', 'pas.', 'pasin.', 'pat.', 'pb.c.', 'pb.l.', 'pens.', 'pensioenverz.', 'per.ber.i.b.r.', 'per.ber.ibr.', 'pers.', 'st.', 'pft.', 'pk.', 'pktg.', 'plv.', 'po.', 'pol.', 'pol.off.', 'pol.r.', 'pol.w.', 'postbankw.', 'postw.', 'pp.', 'pr.', 'preadv.', 'pres.', 'prf.', 'prft.', 'prg.', 'prijz.w.', 'proc.', 'procesregl.', 'prof.', 'prot.', 'prov.', 'prov.b.', 'prov.instr.h.m.g.', 'prov.regl.', 'prov.verord.', 'prov.w.', 'publ.', 'pun.', 'pw.', 'q.b.d.', 'q.e.d.', 'q.q.', 'q.r.', 'r.', 'r.a.b.g.', 'r.a.c.e.', 'r.a.j.b.', 'r.b.d.c.', 'r.b.d.i.', 'r.b.s.s.', 'r.c.', 'r.c.b.', 'r.c.d.c.', 'r.c.j.b.', 'r.c.s.j.', 'r.cass.', 'r.d.c.', 'r.d.i.', 'r.d.i.d.c.', 'r.d.j.b.', 'r.d.j.p.', 'r.d.p.c.', 'r.d.s.', 'r.d.t.i.', 'r.e.', 'r.f.s.v.p.', 'r.g.a.r.', 'r.g.c.f.', 'r.g.d.c.', 'r.g.f.', 'r.g.z.', 'r.h.a.', 'r.i.c.', 'r.i.d.a.', 'r.i.e.j.', 'r.i.n.', 'r.i.s.a.', 'r.j.d.a.', 'r.j.i.', 'r.k.', 'r.l.', 'r.l.g.b.', 'r.med.', 'r.med.rechtspr.', 'r.n.b.', 'r.o.', 'r.ov.', 'r.p.', 'r.p.d.b.', 'r.p.o.t.', 'r.p.r.j.', 'r.p.s.', 'r.r.d.', 'r.r.s.', 'r.s.', 'r.s.v.p.', 'r.stvb.', 'r.t.d.f.', 'r.t.d.h.', 'r.t.l.', 'r.trim.dr.eur.', 'r.v.a.', 'r.verkb.', 'r.w.', 'r.w.d.', 'rap.ann.c.a.', 'rap.ann.c.c.', 'rap.ann.c.e.', 'rap.ann.c.s.j.', 'rap.ann.ca.', 'rap.ann.cass.', 'rap.ann.cc.', 'rap.ann.ce.', 'rap.ann.csj.', 'rapp.', 'rb.', 'rb.kh.', 'rdn.', 'rdnr.', 're.pers.', 'rec.', 'rec.c.i.j.', 'rec.c.j.c.e.', 'rec.cij.', 'rec.cjce.', 'rec.gén.enr.not.', 'rechtsk.t.', 'rechtspl.zeem.', 'rechtspr.arb.br.', 'rechtspr.b.f.e.', 'rechtspr.bfe.', 'rechtspr.soc.r.b.l.n.', 'recl.reg.', 'rect.', 'red.', 'reg.', 'reg.huiz.bew.', 'reg.w.', 'registr.w.', 'regl.', 'regl.', 'r.v.k.', 'regl.besl.', 'regl.onderr.', 'regl.r.t.', 'rep.', 'rép.fisc.', 'rép.not.', 'rep.r.j.', 'rep.rj.', 'req.', 'res.', 'resp.', 'rev.', 'rev.', 'comp.', 'rev.', 'trim.', 'civ.', 'rev.', 'trim.', 'comm.', 'rev.acc.trav.', 'rev.adm.', 'rev.b.compt.', 'rev.b.dr.const.', 'rev.b.dr.intern.', 'rev.b.séc.soc.', 'rev.banc.fin.', 'rev.comm.', 'rev.cons.prud.', 'rev.dr.b.', 'rev.dr.commun.', 'rev.dr.étr.', 'rev.dr.fam.', 'rev.dr.intern.comp.', 'rev.dr.mil.', 'rev.dr.min.', 'rev.dr.pén.', 'rev.dr.pén.mil.', 'rev.dr.rur.', 'rev.dr.u.l.b.', 'rev.dr.ulb.', 'rev.exp.', 'rev.faill.', 'rev.fisc.', 'rev.gd.', 'rev.hist.dr.', 'rev.i.p.c.', 'rev.ipc.', 'rev.not.b.', 'rev.prat.dr.comm.', 'rev.prat.not.b.', 'rev.prat.soc.', 'rev.rec.', 'rev.rw.', 'rev.trav.', 'rev.trim.d.h.', 'rev.trim.dr.fam.', 'rev.urb.', 'richtl.', 'riv.dir.int.', 'riv.dir.int.priv.proc.', 'rk.', 'rln.', 'roln.', 'rom.', 'rondz.', 'rov.', 'rtl.', 'rubr.', 'ruilv.wet.', 'rv.verdr.', 'rvkb.', 's.', 's.', 's.a.', 's.b.n.', 's.ct.', 's.d.', 's.e.c.', 's.e.et.o.', 's.e.w.', 's.exec.rept.', 's.hrg.', 's.j.b.', 's.l.', 's.l.e.a.', 's.l.n.d.', 's.p.a.', 's.s.', 's.t.', 's.t.b.', 's.v.', 's.v.p.', 'samenw.', 'sc.', 'sch.', 'scheidsr.uitspr.', 'schepel.besl.', 'secr.comm.', 'secr.gen.', 'sect.soc.', 'sess.', 'cas.', 'sir.', 'soc.', 'best.', 'soc.', 'handv.', 'soc.', 'verz.', 'soc.act.', 'soc.best.', 'soc.kron.', 'soc.r.', 'soc.sw.', 'soc.weg.', 'sofi-nr.', 'somm.', 'somm.ann.', 'sp.c.c.', 'sr.', 'ss.', 'st.doc.b.c.n.a.r.', 'st.doc.bcnar.', 'st.vw.', 'stagever.', 'stas.', 'stat.', 'stb.', 'stbl.', 'stcrt.', 'stud.dipl.', 'su.', 'subs.', 'subst.', 'succ.w.', 'suppl.', 'sv.', 'sw.', 't.', 't.a.', 't.a.a.', 't.a.n.', 't.a.p.', 't.a.s.n.', 't.a.v.', 't.a.v.w.', 't.aann.', 't.acc.', 't.agr.r.', 't.app.', 't.b.b.r.', 't.b.h.', 't.b.m.', 't.b.o.', 't.b.p.', 't.b.r.', 't.b.s.', 't.b.v.', 't.bankw.', 't.belg.not.', 't.desk.', 't.e.m.', 't.e.p.', 't.f.r.', 't.fam.', 't.fin.r.', 't.g.r.', 't.g.t.', 't.g.v.', 't.gem.', 't.gez.', 't.huur.', 't.i.n.', 't.j.k.', 't.l.l.', 't.l.v.', 't.m.', 't.m.r.', 't.m.w.', 't.mil.r.', 't.mil.strafr.', 't.not.', 't.o.', 't.o.r.b.', 't.o.v.', 't.ontv.', 't.p.r.', 't.pol.', 't.r.', 't.r.g.', 't.r.o.s.', 't.r.v.', 't.s.r.', 't.strafr.', 't.t.', 't.u.', 't.v.c.', 't.v.g.', 't.v.m.r.', 't.v.o.', 't.v.v.', 't.v.v.d.b.', 't.v.w.', 't.verz.', 't.vred.', 't.vreemd.', 't.w.', 't.w.k.', 't.w.v.', 't.w.v.r.', 't.wrr.', 't.z.', 't.z.t.', 't.z.v.', 'taalk.', 'tar.burg.z.', 'td.', 'techn.', 'telecomm.', 'toel.', 'toel.st.v.w.', 'toep.', 'toep.regl.', 'tom.', 'top.', 'trans.b.', 'transp.r.', 'trb.', 'trib.', 'trib.civ.', 'trib.gr.inst.', 'ts.', 'ts.', 'best.', 'ts.', 'verv.', 'turnh.rechtsl.', 'tvpol.', 'tvpr.', 'tvrechtsgesch.', 'tw.', 'u.', 'u.a.', 'u.a.r.', 'u.a.v.', 'u.c.', 'u.c.c.', 'u.g.', 'u.p.', 'u.s.', 'u.s.d.c.', 'uitdr.', 'uitl.w.', 'uitv.besch.div.b.', 'uitv.besl.', 'uitv.besl.', 'succ.w.', 'uitv.besl.bel.rv.', 'uitv.besl.l.b.', 'uitv.reg.', 'inv.w.', 'uitv.reg.bel.d.', 'uitv.reg.afd.verm.', 'uitv.reg.lb.', 'uitv.reg.succ.w.', 'univ.', 'univ.verkl.', 'v.', 'v.', 'chr.', 'v.a.', 'v.a.v.', 'v.c.', 'v.chr.', 'v.h.', 'v.huw.verm.', 'v.i.', 'v.i.o.', 'v.k.a.', 'v.m.', 'v.o.f.', 'v.o.n.', 'v.onderh.verpl.', 'v.p.', 'v.r.', 'v.s.o.', 'v.t.t.', 'v.t.t.t.', 'v.tk.t.', 'v.toep.r.vert.', 'v.v.b.', 'v.v.g.', 'v.v.t.', 'v.v.t.t.', 'v.v.tk.t.', 'v.w.b.', 'v.z.m.', 'vb.', 'vb.bo.', 'vbb.', 'vc.', 'vd.', 'veldw.', 'ver.k.', 'ver.verg.gem.', 'gem.comm.', 'verbr.', 'verd.', 'verdr.', 'verdr.v.', 'tek.mod.', 'verenw.', 'verg.', 'verg.fr.gem.', 'comm.', 'verkl.', 'verkl.herz.gw.', 'verl.', 'deelw.', 'vern.', 'verord.', 'vers.r.', 'versch.', 'versl.c.s.w.', 'versl.csw.', 'vert.', 'verw.', 'verz.', 'verz.w.', 'verz.wett.besl.', 'verz.wett.decr.besl.', 'vgl.', 'vid.', 'viss.w.', 'vl.parl.', 'vl.r.', 'vl.t.gez.', 'vl.w.reg.', 'vl.w.succ.', 'vlg.', 'vn.', 'vnl.', 'vnw.', 'vo.', 'vo.bl.', 'voegw.', 'vol.', 'volg.', 'volt.', 'deelw.', 'voorl.', 'voorz.', 'vord.w.', 'vorst.d.', 'vr.', 'vred.', 'vrg.', 'vnw.', 'vrijgrs.', 'vs.', 'vt.', 'vw.', 'vz.', 'vzngr.', 'vzr.', 'w.', 'w.a.', 'w.b.r.', 'w.c.h.', 'w.conf.huw.', 'w.conf.huwelijksb.', 'w.consum.kr.', 'w.f.r.', 'w.g.', 'w.gew.r.', 'w.ident.pl.', 'w.just.doc.', 'w.kh.', 'w.l.r.', 'w.l.v.', 'w.mil.straf.spr.', 'w.n.', 'w.not.ambt.', 'w.o.', 'w.o.d.huurcomm.', 'w.o.d.k.', 'w.openb.manif.', 'w.parl.', 'w.r.', 'w.reg.', 'w.succ.', 'w.u.b.', 'w.uitv.pl.verord.', 'w.v.', 'w.v.k.', 'w.v.m.s.', 'w.v.r.', 'w.v.w.', 'w.venn.', 'wac.', 'wd.', 'wetb.', 'n.v.h.', 'wgb.', 'winkelt.w.', 'wisk.', 'wka-verkl.', 'wnd.', 'won.w.', 'woningw.', 'woonr.w.', 'wrr.', 'wrr.ber.', 'wrsch.', 'ws.', 'wsch.', 'wsr.', 'wtvb.', 'ww.', 'x.d.', 'z.a.', 'z.g.', 'z.i.', 'z.j.', 'z.o.z.', 'z.p.', 'z.s.m.', 'zg.', 'zgn.', 'zn.', 'znw.', 'zr.', 'zr.', 'ms.', 'zr.ms.'] _exc = {} for orth in abbrevs: _exc[orth] = [{ORTH: orth}] uppered = orth.upper() capsed = orth.capitalize() for i in [uppered, capsed]: _exc[i] = [{ORTH: i}] TOKENIZER_EXCEPTIONS = _exc