mirror of
https://github.com/explosion/spaCy.git
synced 2024-09-23 20:39:20 +03:00
6ed18412d0
* Greek language optimizations * Add encoding on files containing greek words * Add encoding on files containing greek words
67 lines
3.9 KiB
Python
67 lines
3.9 KiB
Python
# coding: utf8
|
||
import re
|
||
import pickle
|
||
|
||
from gensim.corpora.wikicorpus import extract_pages
|
||
|
||
regex = re.compile(r'==={{(\w+)\|el}}===')
|
||
regex2 = re.compile(r'==={{(\w+ \w+)\|el}}===')
|
||
|
||
# get words based on the Wiktionary dump
|
||
# check only for specific parts
|
||
|
||
# ==={{κύριο όνομα|el}}===
|
||
expected_parts = ['μετοχή', 'ρήμα', 'επίθετο',
|
||
'επίρρημα', 'ουσιαστικό', 'κύριο όνομα', 'άρθρο']
|
||
|
||
unwanted_parts = '''
|
||
{'αναγραμματισμοί': 2, 'σύνδεσμος': 94, 'απαρέμφατο': 1, 'μορφή άρθρου': 1, 'ένθημα': 1, 'μερική συνωνυμία': 57, 'ορισμός': 1, 'σημείωση': 3, 'πρόσφυμα': 3, 'ταυτόσημα': 8, 'χαρακτήρας': 51, 'μορφή επιρρήματος': 1, 'εκφράσεις': 22, 'ρηματικό σχήμα': 3, 'πολυλεκτικό επίρρημα': 2, 'μόριο': 35, 'προφορά': 412, 'ρηματική έκφραση': 15, 'λογοπαίγνια': 2, 'πρόθεση': 46, 'ρηματικό επίθετο': 1, 'κατάληξη επιρρημάτων': 10, 'συναφείς όροι': 1, 'εξωτερικοί σύνδεσμοι': 1, 'αρσενικό γένος': 1, 'πρόθημα': 169, 'κατάληξη': 3, 'υπώνυμα': 7, 'επιφώνημα': 197, 'ρηματικός τύπος': 1, 'συντομομορφή': 560, 'μορφή ρήματος': 68282, 'μορφή επιθέτου': 61779, 'μορφές': 71, 'ιδιωματισμός': 2, 'πολυλεκτικός όρος': 719, 'πολυλεκτικό ουσιαστικό': 180, 'παράγωγα': 25, 'μορφή μετοχής': 806, 'μορφή αριθμητικού': 3, 'άκλιτο': 1, 'επίθημα': 181, 'αριθμητικό': 129, 'συγγενικά': 94, 'σημειώσεις': 45, 'Ιδιωματισμός': 1, 'ρητά': 12, 'φράση': 9, 'συνώνυμα': 556, 'μεταφράσεις': 1, 'κατάληξη ρημάτων': 15, 'σύνθετα': 27, 'υπερώνυμα': 1, 'εναλλακτικός τύπος': 22, 'μορφή ουσιαστικού': 35122, 'επιρρηματική έκφραση': 12, 'αντώνυμα': 76, 'βλέπε': 7, 'μορφή αντωνυμίας': 51, 'αντωνυμία': 100, 'κλίση': 11, 'σύνθετοι τύποι': 1, 'παροιμία': 5, 'μορφή_επιθέτου': 2, 'έκφραση': 738, 'σύμβολο': 8, 'πολυλεκτικό επίθετο': 1, 'ετυμολογία': 867}
|
||
'''
|
||
|
||
|
||
wiktionary_file_path = '/data/gsoc2018-spacy/spacy/lang/el/res/elwiktionary-latest-pages-articles.xml'
|
||
|
||
proper_names_dict={
|
||
'ουσιαστικό':'nouns',
|
||
'επίθετο':'adjectives',
|
||
'άρθρο':'dets',
|
||
'επίρρημα':'adverbs',
|
||
'κύριο όνομα': 'proper_names',
|
||
'μετοχή': 'participles',
|
||
'ρήμα': 'verbs'
|
||
}
|
||
expected_parts_dict = {}
|
||
for expected_part in expected_parts:
|
||
expected_parts_dict[expected_part] = []
|
||
|
||
other_parts = {}
|
||
for title, text, pageid in extract_pages(wiktionary_file_path):
|
||
if text.startswith('#REDIRECT'):
|
||
continue
|
||
title = title.lower()
|
||
all_regex = regex.findall(text)
|
||
all_regex.extend(regex2.findall(text))
|
||
for a in all_regex:
|
||
if a in expected_parts:
|
||
expected_parts_dict[a].append(title)
|
||
|
||
|
||
for i in expected_parts_dict:
|
||
with open('_{0}.py'.format(proper_names_dict[i]), 'w') as f:
|
||
f.write('from __future__ import unicode_literals\n')
|
||
f.write('{} = set(\"\"\"\n'.format(proper_names_dict[i].upper()))
|
||
words = sorted(expected_parts_dict[i])
|
||
line = ''
|
||
to_write = []
|
||
for word in words:
|
||
if len(line + ' ' + word) > 79:
|
||
to_write.append(line)
|
||
line = ''
|
||
else:
|
||
line = line + ' ' + word
|
||
f.write('\n'.join(to_write))
|
||
f.write('\n\"\"\".split())')
|
||
|
||
|
||
|