mirror of
https://github.com/explosion/spaCy.git
synced 2024-09-21 19:39:13 +03:00
28 lines
1.0 KiB
Python
28 lines
1.0 KiB
Python
# coding: utf-8
|
|
"""Test that longer and mixed texts are tokenized correctly."""
|
|
|
|
|
|
from __future__ import unicode_literals
|
|
|
|
import pytest
|
|
|
|
def test_da_tokenizer_handles_long_text(da_tokenizer):
|
|
text = """Der var så dejligt ude på landet. Det var sommer, kornet stod gult, havren grøn,
|
|
høet var rejst i stakke nede i de grønne enge, og der gik storken på sine lange,
|
|
røde ben og snakkede ægyptisk, for det sprog havde han lært af sin moder.
|
|
|
|
Rundt om ager og eng var der store skove, og midt i skovene dybe søer; jo, der var rigtignok dejligt derude på landet!"""
|
|
tokens = da_tokenizer(text)
|
|
assert len(tokens) == 84
|
|
|
|
@pytest.mark.parametrize('text,match', [
|
|
('10', True), ('1', True), ('10.000', True), ('10.00', True),
|
|
('999,0', True), ('en', True), ('treoghalvfemsindstyvende', True), ('hundrede', True),
|
|
('hund', False), (',', False), ('1/2', True)])
|
|
def test_lex_attrs_like_number(da_tokenizer, text, match):
|
|
tokens = da_tokenizer(text)
|
|
assert len(tokens) == 1
|
|
print(tokens[0])
|
|
assert tokens[0].like_num == match
|
|
|