mirror of
https://github.com/explosion/spaCy.git
synced 2024-12-27 10:26:35 +03:00
b2b7e1f37a
* This PR adds Gujarati Language class along with - stop words * Add test for gu tokenizer
21 lines
763 B
Python
21 lines
763 B
Python
# coding: utf-8
|
|
from __future__ import unicode_literals
|
|
|
|
import pytest
|
|
|
|
def test_gu_tokenizer_handlers_long_text(gu_tokenizer):
|
|
text = """પશ્ચિમ ભારતમાં આવેલું ગુજરાત રાજ્ય જે વ્યક્તિઓની માતૃભૂમિ છે"""
|
|
tokens = gu_tokenizer(text)
|
|
assert len(tokens) == 9
|
|
|
|
@pytest.mark.parametrize(
|
|
"text,length",
|
|
[
|
|
("ગુજરાતીઓ ખાવાના શોખીન માનવામાં આવે છે", 6),
|
|
("ખેતરની ખેડ કરવામાં આવે છે.", 5),
|
|
],
|
|
)
|
|
def test_gu_tokenizer_handles_cnts(gu_tokenizer, text, length):
|
|
tokens = gu_tokenizer(text)
|
|
assert len(tokens) == length
|