mirror of
https://github.com/explosion/spaCy.git
synced 2025-11-04 18:07:26 +03:00
733ffe439d
* Add more stop words and Improve the readability * Add and categorize the tokenizer exceptions for `bg` lang * Create syrull.md * Add references for the additional stop words and tokenizer exc abbrs
214 lines
8.9 KiB
Python
214 lines
8.9 KiB
Python
"""
|
||
References:
|
||
https://slovored.com/bg/abbr/grammar/ - Additional refs for abbreviations
|
||
(countries, occupations, fields of studies and more).
|
||
"""
|
||
|
||
from ...symbols import ORTH, NORM
|
||
|
||
|
||
_exc = {}
|
||
|
||
# measurements
|
||
for abbr in [
|
||
{ORTH: "м", NORM: "метър"},
|
||
{ORTH: "мм", NORM: "милиметър"},
|
||
{ORTH: "см", NORM: "сантиметър"},
|
||
{ORTH: "дм", NORM: "дециметър"},
|
||
{ORTH: "км", NORM: "километър"},
|
||
{ORTH: "кг", NORM: "килограм"},
|
||
{ORTH: "мг", NORM: "милиграм"},
|
||
{ORTH: "г", NORM: "грам"},
|
||
{ORTH: "т", NORM: "тон"},
|
||
{ORTH: "хл", NORM: "хектолиър"},
|
||
{ORTH: "дкл", NORM: "декалитър"},
|
||
{ORTH: "л", NORM: "литър"},
|
||
]:
|
||
_exc[abbr[ORTH]] = [abbr]
|
||
|
||
# line abbreviations
|
||
for abbr in [
|
||
{ORTH: "г-жа", NORM: "госпожа"},
|
||
{ORTH: "г-н", NORM: "господин"},
|
||
{ORTH: "г-ца", NORM: "госпожица"},
|
||
{ORTH: "д-р", NORM: "доктор"},
|
||
{ORTH: "о-в", NORM: "остров"},
|
||
{ORTH: "п-в", NORM: "полуостров"},
|
||
{ORTH: "с-у", NORM: "срещу"},
|
||
{ORTH: "в-у", NORM: "върху"},
|
||
{ORTH: "м-у", NORM: "между"},
|
||
]:
|
||
_exc[abbr[ORTH]] = [abbr]
|
||
|
||
# foreign language related abbreviations
|
||
for abbr in [
|
||
{ORTH: "англ.", NORM: "английски"},
|
||
{ORTH: "ан.", NORM: "английски термин"},
|
||
{ORTH: "араб.", NORM: "арабски"},
|
||
{ORTH: "афр.", NORM: "африкански"},
|
||
{ORTH: "гр.", NORM: "гръцки"},
|
||
{ORTH: "лат.", NORM: "латински"},
|
||
{ORTH: "рим.", NORM: "римски"},
|
||
{ORTH: "старогр.", NORM: "старогръцки"},
|
||
{ORTH: "староевр.", NORM: "староеврейски"},
|
||
{ORTH: "фр.", NORM: "френски"},
|
||
{ORTH: "хол.", NORM: "холандски"},
|
||
{ORTH: "швед.", NORM: "шведски"},
|
||
{ORTH: "шотл.", NORM: "шотландски"},
|
||
{ORTH: "яп.", NORM: "японски"},
|
||
]:
|
||
_exc[abbr[ORTH]] = [abbr]
|
||
|
||
# profession and academic titles abbreviations
|
||
for abbr in [
|
||
{ORTH: "акад.", NORM: "академик"},
|
||
{ORTH: "арх.", NORM: "архитект"},
|
||
{ORTH: "инж.", NORM: "инженер"},
|
||
{ORTH: "канц.", NORM: "канцлер"},
|
||
{ORTH: "проф.", NORM: "професор"},
|
||
{ORTH: "св.", NORM: "свети"},
|
||
]:
|
||
_exc[abbr[ORTH]] = [abbr]
|
||
|
||
# fields of studies
|
||
for abbr in [
|
||
{ORTH: "агр.", NORM: "агрономия"},
|
||
{ORTH: "ав.", NORM: "авиация"},
|
||
{ORTH: "агр.", NORM: "агрономия"},
|
||
{ORTH: "археол.", NORM: "археология"},
|
||
{ORTH: "астр.", NORM: "астрономия"},
|
||
{ORTH: "геод.", NORM: "геодезия"},
|
||
{ORTH: "геол.", NORM: "геология"},
|
||
{ORTH: "геом.", NORM: "геометрия"},
|
||
{ORTH: "гимн.", NORM: "гимнастика"},
|
||
{ORTH: "грам.", NORM: "граматика"},
|
||
{ORTH: "жур.", NORM: "журналистика"},
|
||
{ORTH: "журн.", NORM: "журналистика"},
|
||
{ORTH: "зем.", NORM: "земеделие"},
|
||
{ORTH: "икон.", NORM: "икономика"},
|
||
{ORTH: "лит.", NORM: "литература"},
|
||
{ORTH: "мат.", NORM: "математика"},
|
||
{ORTH: "мед.", NORM: "медицина"},
|
||
{ORTH: "муз.", NORM: "музика"},
|
||
{ORTH: "печ.", NORM: "печатарство"},
|
||
{ORTH: "пол.", NORM: "политика"},
|
||
{ORTH: "псих.", NORM: "психология"},
|
||
{ORTH: "соц.", NORM: "социология"},
|
||
{ORTH: "стат.", NORM: "статистика"},
|
||
{ORTH: "стил.", NORM: "стилистика"},
|
||
{ORTH: "топогр.", NORM: "топография"},
|
||
{ORTH: "търг.", NORM: "търговия"},
|
||
{ORTH: "фарм.", NORM: "фармацевтика"},
|
||
{ORTH: "фехт.", NORM: "фехтовка"},
|
||
{ORTH: "физиол.", NORM: "физиология"},
|
||
{ORTH: "физ.", NORM: "физика"},
|
||
{ORTH: "фил.", NORM: "философия"},
|
||
{ORTH: "фин.", NORM: "финанси"},
|
||
{ORTH: "фолкл.", NORM: "фолклор"},
|
||
{ORTH: "фон.", NORM: "фонетика"},
|
||
{ORTH: "фот.", NORM: "фотография"},
|
||
{ORTH: "футб.", NORM: "футбол"},
|
||
{ORTH: "хим.", NORM: "химия"},
|
||
{ORTH: "хир.", NORM: "хирургия"},
|
||
{ORTH: "ел.", NORM: "електротехника"},
|
||
]:
|
||
_exc[abbr[ORTH]] = [abbr]
|
||
|
||
for abbr in [
|
||
{ORTH: "ал.", NORM: "алинея"},
|
||
{ORTH: "авт.", NORM: "автоматично"},
|
||
{ORTH: "адм.", NORM: "администрация"},
|
||
{ORTH: "арт.", NORM: "артилерия"},
|
||
{ORTH: "бл.", NORM: "блок"},
|
||
{ORTH: "бр.", NORM: "брой"},
|
||
{ORTH: "бул.", NORM: "булевард"},
|
||
{ORTH: "букв.", NORM: "буквално"},
|
||
{ORTH: "в.", NORM: "век"},
|
||
{ORTH: "вр.", NORM: "време"},
|
||
{ORTH: "вм.", NORM: "вместо"},
|
||
{ORTH: "воен.", NORM: "военен термин"},
|
||
{ORTH: "г.", NORM: "година"},
|
||
{ORTH: "гр.", NORM: "град"},
|
||
{ORTH: "гл.", NORM: "глагол"},
|
||
{ORTH: "др.", NORM: "други"},
|
||
{ORTH: "ез.", NORM: "езеро"},
|
||
{ORTH: "ж.р.", NORM: "женски род"},
|
||
{ORTH: "жп.", NORM: "железопът"},
|
||
{ORTH: "застр.", NORM: "застрахователно дело"},
|
||
{ORTH: "знач.", NORM: "значение"},
|
||
{ORTH: "и др.", NORM: "и други"},
|
||
{ORTH: "и под.", NORM: "и подобни"},
|
||
{ORTH: "и пр.", NORM: "и прочие"},
|
||
{ORTH: "изр.", NORM: "изречение"},
|
||
{ORTH: "изт.", NORM: "източен"},
|
||
{ORTH: "конкр.", NORM: "конкретно"},
|
||
{ORTH: "лв.", NORM: "лев"},
|
||
{ORTH: "л.", NORM: "лице"},
|
||
{ORTH: "м.р.", NORM: "мъжки род"},
|
||
{ORTH: "мин.вр.", NORM: "минало време"},
|
||
{ORTH: "мн.ч.", NORM: "множествено число"},
|
||
{ORTH: "напр.", NORM: "например"},
|
||
{ORTH: "нар.", NORM: "наречие"},
|
||
{ORTH: "науч.", NORM: "научен термин"},
|
||
{ORTH: "непр.", NORM: "неправилно"},
|
||
{ORTH: "обик.", NORM: "обикновено"},
|
||
{ORTH: "опред.", NORM: "определение"},
|
||
{ORTH: "особ.", NORM: "особено"},
|
||
{ORTH: "ост.", NORM: "остаряло"},
|
||
{ORTH: "относ.", NORM: "относително"},
|
||
{ORTH: "отр.", NORM: "отрицателно"},
|
||
{ORTH: "пл.", NORM: "площад"},
|
||
{ORTH: "пад.", NORM: "падеж"},
|
||
{ORTH: "парл.", NORM: "парламентарен"},
|
||
{ORTH: "погов.", NORM: "поговорка"},
|
||
{ORTH: "пон.", NORM: "понякога"},
|
||
{ORTH: "правосл.", NORM: "православен"},
|
||
{ORTH: "прибл.", NORM: "приблизително"},
|
||
{ORTH: "прил.", NORM: "прилагателно име"},
|
||
{ORTH: "пр.", NORM: "прочие"},
|
||
{ORTH: "с.", NORM: "село"},
|
||
{ORTH: "с.р.", NORM: "среден род"},
|
||
{ORTH: "сп.", NORM: "списание"},
|
||
{ORTH: "стр.", NORM: "страница"},
|
||
{ORTH: "сз.", NORM: "съюз"},
|
||
{ORTH: "сег.", NORM: "сегашно"},
|
||
{ORTH: "сп.", NORM: "спорт"},
|
||
{ORTH: "срв.", NORM: "сравни"},
|
||
{ORTH: "с.ст.", NORM: "селскостопанска техника"},
|
||
{ORTH: "счет.", NORM: "счетоводство"},
|
||
{ORTH: "съкр.", NORM: "съкратено"},
|
||
{ORTH: "съобщ.", NORM: "съобщение"},
|
||
{ORTH: "същ.", NORM: "съществително"},
|
||
{ORTH: "текст.", NORM: "текстилен"},
|
||
{ORTH: "телев.", NORM: "телевизия"},
|
||
{ORTH: "тел.", NORM: "телефон"},
|
||
{ORTH: "т.е.", NORM: "тоест"},
|
||
{ORTH: "т.н.", NORM: "така нататък"},
|
||
{ORTH: "т.нар.", NORM: "така наречен"},
|
||
{ORTH: "търж.", NORM: "тържествено"},
|
||
{ORTH: "ул.", NORM: "улица"},
|
||
{ORTH: "уч.", NORM: "училище"},
|
||
{ORTH: "унив.", NORM: "университет"},
|
||
{ORTH: "харт.", NORM: "хартия"},
|
||
{ORTH: "хидр.", NORM: "хидравлика"},
|
||
{ORTH: "хран.", NORM: "хранителна"},
|
||
{ORTH: "църк.", NORM: "църковен термин"},
|
||
{ORTH: "числ.", NORM: "числително"},
|
||
{ORTH: "чл.", NORM: "член"},
|
||
{ORTH: "ч.", NORM: "число"},
|
||
{ORTH: "числ.", NORM: "числително"},
|
||
{ORTH: "шахм.", NORM: "шахмат"},
|
||
{ORTH: "шах.", NORM: "шахмат"},
|
||
{ORTH: "юр.", NORM: "юридически"},
|
||
]:
|
||
_exc[abbr[ORTH]] = [abbr]
|
||
|
||
# slash abbreviations
|
||
for abbr in [
|
||
{ORTH: "м/у", NORM: "между"},
|
||
{ORTH: "с/у", NORM: "срещу"},
|
||
]:
|
||
_exc[abbr[ORTH]] = [abbr]
|
||
|
||
TOKENIZER_EXCEPTIONS = _exc
|