mirror of
https://github.com/explosion/spaCy.git
synced 2024-11-14 13:47:13 +03:00
81564cc4e8
* adding e-KTP in tokenizer exceptions list * add exception token * removing lines with containing space as it won't matter since we use .split() method in the end, added new tokens in exception * add tokenizer exceptions list * combining base_norms with norm_exceptions * adding norm_exception * fix double key in lemmatizer * remove unused import on punctuation.py * reformat stop_words to reduce number of lines, improve readibility * updating tokenizer exception * implement is_currency for lang/id * adding orth_first_upper in tokenizer_exceptions * update the norm_exception list * remove bunch of abbreviations * adding contributors file
539 lines
14 KiB
Python
539 lines
14 KiB
Python
"""
|
|
Slang and abbreviations
|
|
|
|
Daftar kosakata yang sering salah dieja
|
|
https://id.wikipedia.org/wiki/Wikipedia:Daftar_kosakata_bahasa_Indonesia_yang_sering_salah_dieja
|
|
|
|
"""
|
|
# coding: utf8
|
|
from __future__ import unicode_literals
|
|
|
|
_exc = {
|
|
# Slang and abbreviations
|
|
"silahkan": "silakan",
|
|
"yg": "yang",
|
|
"kalo": "kalau",
|
|
"cawu": "caturwulan",
|
|
"ok": "oke",
|
|
"gak": "tidak",
|
|
"enggak": "tidak",
|
|
"nggak": "tidak",
|
|
"ndak": "tidak",
|
|
"ngga": "tidak",
|
|
"dgn": "dengan",
|
|
"tdk": "tidak",
|
|
"jg": "juga",
|
|
"klo": "kalau",
|
|
"denger": "dengar",
|
|
"pinter": "pintar",
|
|
"krn": "karena",
|
|
"nemuin": "menemukan",
|
|
"jgn": "jangan",
|
|
"udah": "sudah",
|
|
"sy": "saya",
|
|
"udh": "sudah",
|
|
"dapetin": "mendapatkan",
|
|
"ngelakuin": "melakukan",
|
|
"ngebuat": "membuat",
|
|
"membikin": "membuat",
|
|
"bikin": "buat",
|
|
|
|
# Daftar kosakata yang sering salah dieja
|
|
"malpraktik": "malapraktik",
|
|
"malfungsi": "malafungsi",
|
|
"malserap": "malaserap",
|
|
"maladaptasi": "malaadaptasi",
|
|
"malsuai": "malasuai",
|
|
"maldistribusi": "maladistribusi",
|
|
"malgizi": "malagizi",
|
|
"malsikap": "malasikap",
|
|
"memperhatikan": "memerhatikan",
|
|
"akte": "akta",
|
|
"cemilan": "camilan",
|
|
"esei": "esai",
|
|
"frase": "frasa",
|
|
"kafeteria": "kafetaria",
|
|
"ketapel": "katapel",
|
|
"kenderaan": "kendaraan",
|
|
"menejemen": "manajemen",
|
|
"menejer": "manajer",
|
|
"mesjid": "masjid",
|
|
"rebo": "rabu",
|
|
"seksama": "saksama",
|
|
"senggama": "sanggama",
|
|
"sekedar": "sekadar",
|
|
"seprei": "seprai",
|
|
"semedi": "semadi",
|
|
"samadi": "semadi",
|
|
"amandemen": "amendemen",
|
|
"algoritma": "algoritme",
|
|
"aritmatika": "aritmetika",
|
|
"metoda": "metode",
|
|
"materai": "meterai",
|
|
"meterei": "meterai",
|
|
"kalendar": "kalender",
|
|
"kadaluwarsa": "kedaluwarsa",
|
|
"katagori": "kategori",
|
|
"parlamen": "parlemen",
|
|
"sekular": "sekuler",
|
|
"selular": "seluler",
|
|
"sirkular": "sirkuler",
|
|
"survai": "survei",
|
|
"survey": "survei",
|
|
"aktuil": "aktual",
|
|
"formil": "formal",
|
|
"trotoir": "trotoar",
|
|
"komersiil": "komersial",
|
|
"komersil": "komersial",
|
|
"tradisionil": "tradisionial",
|
|
"orisinil": "orisinal",
|
|
"orijinil": "orisinal",
|
|
"afdol": "afdal",
|
|
"antri": "antre",
|
|
"apotik": "apotek",
|
|
"atlit": "atlet",
|
|
"atmosfir": "atmosfer",
|
|
"cidera": "cedera",
|
|
"cendikiawan": "cendekiawan",
|
|
"cepet": "cepat",
|
|
"cinderamata": "cenderamata",
|
|
"debet": "debit",
|
|
"difinisi": "definisi",
|
|
"dekrit": "dekret",
|
|
"disain": "desain",
|
|
"diskripsi": "deskripsi",
|
|
"diskotik": "diskotek",
|
|
"eksim": "eksem",
|
|
"exim": "eksem",
|
|
"faidah": "faedah",
|
|
"ekstrim": "ekstrem",
|
|
"ekstrimis": "ekstremis",
|
|
"komplit": "komplet",
|
|
"konkrit": "konkret",
|
|
"kongkrit": "konkret",
|
|
"kongkret": "konkret",
|
|
"kridit": "kredit",
|
|
"musium": "museum",
|
|
"pinalti": "penalti",
|
|
"piranti": "peranti",
|
|
"pinsil": "pensil",
|
|
"personil": "personel",
|
|
"sistim": "sistem",
|
|
"teoritis": "teoretis",
|
|
"vidio": "video",
|
|
"cengkeh": "cengkih",
|
|
"desertasi": "disertasi",
|
|
"hakekat": "hakikat",
|
|
"intelejen": "intelijen",
|
|
"kaedah": "kaidah",
|
|
"kempes": "kempis",
|
|
"kementrian": "kementerian",
|
|
"ledeng": "leding",
|
|
"nasehat": "nasihat",
|
|
"penasehat": "penasihat",
|
|
"praktek": "praktik",
|
|
"praktekum": "praktikum",
|
|
"resiko": "risiko",
|
|
"retsleting": "ritsleting",
|
|
"senen": "senin",
|
|
"amuba": "ameba",
|
|
"punggawa": "penggawa",
|
|
"surban": "serban",
|
|
"nomer": "nomor",
|
|
"sorban": "serban",
|
|
"bis": "bus",
|
|
"agribisnis": "agrobisnis",
|
|
"kantung": "kantong",
|
|
"khutbah": "khotbah",
|
|
"mandur": "mandor",
|
|
"rubuh": "roboh",
|
|
"pastur": "pastor",
|
|
"supir": "sopir",
|
|
"goncang": "guncang",
|
|
"goa": "gua",
|
|
"kaos": "kaus",
|
|
"kokoh": "kukuh",
|
|
"komulatif": "kumulatif",
|
|
"kolomnis": "kolumnis",
|
|
"korma": "kurma",
|
|
"lobang": "lubang",
|
|
"limo": "limusin",
|
|
"limosin": "limusin",
|
|
"mangkok": "mangkuk",
|
|
"saos": "saus",
|
|
"sop": "sup",
|
|
"sorga": "surga",
|
|
"tegor": "tegur",
|
|
"telor": "telur",
|
|
"obrak-abrik": "ubrak-abrik",
|
|
"ekwivalen": "ekuivalen",
|
|
"frekwensi": "frekuensi",
|
|
"konsekwensi": "konsekuensi",
|
|
"kwadran": "kuadran",
|
|
"kwadrat": "kuadrat",
|
|
"kwalifikasi": "kualifikasi",
|
|
"kwalitas": "kualitas",
|
|
"kwalitet": "kualitas",
|
|
"kwalitatif": "kualitatif",
|
|
"kwantitas": "kuantitas",
|
|
"kwantitatif": "kuantitatif",
|
|
"kwantum": "kuantum",
|
|
"kwartal": "kuartal",
|
|
"kwintal": "kuintal",
|
|
"kwitansi": "kuitansi",
|
|
"kwatir": "khawatir",
|
|
"kuatir": "khawatir",
|
|
"jadual": "jadwal",
|
|
"hirarki": "hierarki",
|
|
"karir": "karier",
|
|
"aktip": "aktif",
|
|
"daptar": "daftar",
|
|
"efektip": "efektif",
|
|
"epektif": "efektif",
|
|
"epektip": "efektif",
|
|
"Pebruari": "Februari",
|
|
"pisik": "fisik",
|
|
"pondasi": "fondasi",
|
|
"photo": "foto",
|
|
"photokopi": "fotokopi",
|
|
"hapal": "hafal",
|
|
"insap": "insaf",
|
|
"insyaf": "insaf",
|
|
"konperensi": "konferensi",
|
|
"kreatip": "kreatif",
|
|
"kreativ": "kreatif",
|
|
"maap": "maaf",
|
|
"napsu": "nafsu",
|
|
"negatip": "negatif",
|
|
"negativ": "negatif",
|
|
"objektip": "objektif",
|
|
"obyektip": "objektif",
|
|
"obyektif": "objektif",
|
|
"pasip": "pasif",
|
|
"pasiv": "pasif",
|
|
"positip": "positif",
|
|
"positiv": "positif",
|
|
"produktip": "produktif",
|
|
"produktiv": "produktif",
|
|
"sarap": "saraf",
|
|
"sertipikat": "sertifikat",
|
|
"subjektip": "subjektif",
|
|
"subyektip": "subjektif",
|
|
"subyektif": "subjektif",
|
|
"tarip": "tarif",
|
|
"transitip": "transitif",
|
|
"transitiv": "transitif",
|
|
"faham": "paham",
|
|
"fikir": "pikir",
|
|
"berfikir": "berpikir",
|
|
"telefon": "telepon",
|
|
"telfon": "telepon",
|
|
"telpon": "telepon",
|
|
"tilpon": "telepon",
|
|
"nafas": "napas",
|
|
"bernafas": "bernapas",
|
|
"pernafasan": "pernapasan",
|
|
"vermak": "permak",
|
|
"vulpen": "pulpen",
|
|
"aktifis": "aktivis",
|
|
"konfeksi": "konveksi",
|
|
"motifasi": "motivasi",
|
|
"Nopember": "November",
|
|
"propinsi": "provinsi",
|
|
"babtis": "baptis",
|
|
"jerembab": "jerembap",
|
|
"lembab": "lembap",
|
|
"sembab": "sembap",
|
|
"saptu": "sabtu",
|
|
"tekat": "tekad",
|
|
"bejad": "bejat",
|
|
"nekad": "nekat",
|
|
"otoped": "otopet",
|
|
"skuad": "skuat",
|
|
"jenius": "genius",
|
|
"marjin": "margin",
|
|
"marjinal": "marginal",
|
|
"obyek": "objek",
|
|
"subyek": "subjek",
|
|
"projek": "proyek",
|
|
"azas": "asas",
|
|
"ijasah": "ijazah",
|
|
"jenasah": "jenazah",
|
|
"plasa": "plaza",
|
|
"bathin": "batin",
|
|
"Katholik": "Katolik",
|
|
"orthografi": "ortografi",
|
|
"pathogen": "patogen",
|
|
"theologi": "teologi",
|
|
"ijin": "izin",
|
|
"rejeki": "rezeki",
|
|
"rejim": "rezim",
|
|
"jaman": "zaman",
|
|
"jamrud": "zamrud",
|
|
"jinah": "zina",
|
|
"perjinahan": "perzinaan",
|
|
"anugrah": "anugerah",
|
|
"cendrawasih": "cenderawasih",
|
|
"jendral": "jenderal",
|
|
"kripik": "keripik",
|
|
"krupuk": "kerupuk",
|
|
"ksatria": "kesatria",
|
|
"mentri": "menteri",
|
|
"negri": "negeri",
|
|
"Prancis": "Perancis",
|
|
"sebrang": "seberang",
|
|
"menyebrang": "menyeberang",
|
|
"Sumatra": "Sumatera",
|
|
"trampil": "terampil",
|
|
"isteri": "istri",
|
|
"justeru": "justru",
|
|
"perajurit": "prajurit",
|
|
"putera": "putra",
|
|
"puteri": "putri",
|
|
"samudera": "samudra",
|
|
"sastera": "sastra",
|
|
"sutera": "sutra",
|
|
"terompet": "trompet",
|
|
"iklas": "ikhlas",
|
|
"iktisar": "ikhtisar",
|
|
"kafilah": "khafilah",
|
|
"kawatir": "khawatir",
|
|
"kotbah": "khotbah",
|
|
"kusyuk": "khusyuk",
|
|
"makluk": "makhluk",
|
|
"mahluk": "makhluk",
|
|
"mahkluk": "makhluk",
|
|
"nahkoda": "nakhoda",
|
|
"nakoda": "nakhoda",
|
|
"tahta": "takhta",
|
|
"takhyul": "takhayul",
|
|
"tahyul": "takhayul",
|
|
"tahayul": "takhayul",
|
|
"akhli": "ahli",
|
|
"anarkhi": "anarki",
|
|
"kharisma": "karisma",
|
|
"kharismatik": "karismatik",
|
|
"mahsud": "maksud",
|
|
"makhsud": "maksud",
|
|
"rakhmat": "rahmat",
|
|
"tekhnik": "teknik",
|
|
"tehnik": "teknik",
|
|
"tehnologi": "teknologi",
|
|
"ikhwal": "ihwal",
|
|
"expor": "ekspor",
|
|
"extra": "ekstra",
|
|
"komplex": "komplek",
|
|
"sex": "seks",
|
|
"taxi": "taksi",
|
|
"extasi": "ekstasi",
|
|
"syaraf": "saraf",
|
|
"syurga": "surga",
|
|
"mashur": "masyhur",
|
|
"masyur": "masyhur",
|
|
"mahsyur": "masyhur",
|
|
"mashyur": "masyhur",
|
|
"muadzin": "muazin",
|
|
"adzan": "azan",
|
|
"ustadz": "ustaz",
|
|
"ustad": "ustaz",
|
|
"ustadzah": "ustaz",
|
|
"dzikir": "zikir",
|
|
"dzuhur": "zuhur",
|
|
"dhuhur": "zuhur",
|
|
"zhuhur": "zuhur",
|
|
"analisa": "analisis",
|
|
"diagnosa": "diagnosis",
|
|
"hipotesa": "hipotesis",
|
|
"sintesa": "sintesis",
|
|
"aktiviti": "aktivitas",
|
|
"aktifitas": "aktivitas",
|
|
"efektifitas": "efektivitas",
|
|
"komuniti": "komunitas",
|
|
"kreatifitas": "kreativitas",
|
|
"produktifitas": "produktivitas",
|
|
"realiti": "realitas",
|
|
"realita": "realitas",
|
|
"selebriti": "selebritas",
|
|
"spotifitas": "sportivitas",
|
|
"universiti": "universitas",
|
|
"utiliti": "utilitas",
|
|
"validiti": "validitas",
|
|
"dilokalisir": "dilokalisasi",
|
|
"didramatisir": "didramatisasi",
|
|
"dipolitisir": "dipolitisasi",
|
|
"dinetralisir": "dinetralisasi",
|
|
"dikonfrontir": "dikonfrontasi",
|
|
"mendominir": "mendominasi",
|
|
"koordinir": "koordinasi",
|
|
"proklamir": "proklamasi",
|
|
"terorganisir": "terorganisasi",
|
|
"terealisir": "terealisasi",
|
|
"robah": "ubah",
|
|
"dirubah": "diubah",
|
|
"merubah": "mengubah",
|
|
"terlanjur": "telanjur",
|
|
"terlantar": "telantar",
|
|
"penglepasan": "pelepasan",
|
|
"pelihatan": "penglihatan",
|
|
"pemukiman": "permukiman",
|
|
"pengrumahan": "perumahan",
|
|
"penyewaan": "persewaan",
|
|
"menyintai": "mencintai",
|
|
"menyolok": "mencolok",
|
|
"contek": "sontek",
|
|
"mencontek": "menyontek",
|
|
"pungkir": "mungkir",
|
|
"dipungkiri": "dimungkiri",
|
|
"kupungkiri": "kumungkiri",
|
|
"kaupungkiri": "kaumungkiri",
|
|
"nampak": "tampak",
|
|
"nampaknya": "tampaknya",
|
|
"nongkrong": "tongkrong",
|
|
"berternak": "beternak",
|
|
"berterbangan": "beterbangan",
|
|
"berserta": "beserta",
|
|
"berperkara": "beperkara",
|
|
"berpergian": "bepergian",
|
|
"berkerja": "bekerja",
|
|
"berberapa": "beberapa",
|
|
"terbersit": "tebersit",
|
|
"terpercaya": "tepercaya",
|
|
"terperdaya": "teperdaya",
|
|
"terpercik": "tepercik",
|
|
"terpergok": "tepergok",
|
|
"aksesoris": "aksesori",
|
|
"handal": "andal",
|
|
"hantar": "antar",
|
|
"panutan": "anutan",
|
|
"atsiri": "asiri",
|
|
"bhakti": "bakti",
|
|
"china": "cina",
|
|
"dharma": "darma",
|
|
"diktaktor": "diktator",
|
|
"eksport": "ekspor",
|
|
"hembus": "embus",
|
|
"hadits": "hadis",
|
|
"hadist": "hadits",
|
|
"harafiah": "harfiah",
|
|
"himbau": "imbau",
|
|
"import": "impor",
|
|
"inget": "ingat",
|
|
"hisap": "isap",
|
|
"interprestasi": "interpretasi",
|
|
"kangker": "kanker",
|
|
"konggres": "kongres",
|
|
"lansekap": "lanskap",
|
|
"maghrib": "magrib",
|
|
"emak": "mak",
|
|
"moderen": "modern",
|
|
"pasport": "paspor",
|
|
"perduli": "peduli",
|
|
"ramadhan": "ramadan",
|
|
"rapih": "rapi",
|
|
"Sansekerta": "Sanskerta",
|
|
"shalat": "salat",
|
|
"sholat": "salat",
|
|
"silahkan": "silakan",
|
|
"standard": "standar",
|
|
"hutang": "utang",
|
|
"zinah": "zina",
|
|
"ambulan": "ambulans",
|
|
"antartika": "sntarktika",
|
|
"arteri": "arteria",
|
|
"asik": "asyik",
|
|
"australi": "australia",
|
|
"denga": "dengan",
|
|
"depo": "depot",
|
|
"detil": "detail",
|
|
"ensiklopedi": "ensiklopedia",
|
|
"elit": "elite",
|
|
"frustasi": "frustrasi",
|
|
"gladi": "geladi",
|
|
"greget": "gereget",
|
|
"itali": "italia",
|
|
"karna": "karena",
|
|
"klenteng": "kelenteng",
|
|
"erling": "kerling",
|
|
"kontruksi": "konstruksi",
|
|
"masal": "massal",
|
|
"merk": "merek",
|
|
"respon": "respons",
|
|
"diresponi": "direspons",
|
|
"skak": "sekak",
|
|
"stir": "setir",
|
|
"singapur": "singapura",
|
|
"standarisasi": "standardisasi",
|
|
"varitas": "varietas",
|
|
"amphibi": "amfibi",
|
|
"anjlog": "anjlok",
|
|
"alpukat": "avokad",
|
|
"alpokat": "avokad",
|
|
"bolpen": "pulpen",
|
|
"cabe": "cabai",
|
|
"cabay": "cabai",
|
|
"ceret": "cerek",
|
|
"differensial": "diferensial",
|
|
"duren": "durian",
|
|
"faksimili": "faksimile",
|
|
"faksimil": "faksimile",
|
|
"graha": "gerha",
|
|
"goblog": "goblok",
|
|
"gombrong": "gombroh",
|
|
"horden": "gorden",
|
|
"korden": "gorden",
|
|
"gubug": "gubuk",
|
|
"imaginasi": "imajinasi",
|
|
"jerigen": "jeriken",
|
|
"jirigen": "jeriken",
|
|
"carut-marut": "karut-marut",
|
|
"kwota": "kuota",
|
|
"mahzab": "mazhab",
|
|
"mempesona": "memesona",
|
|
"milyar": "miliar",
|
|
"missi": "misi",
|
|
"nenas": "nanas",
|
|
"negoisasi": "negosiasi",
|
|
"automotif": "otomotif",
|
|
"pararel": "paralel",
|
|
"paska": "pasca",
|
|
"prosen": "persen",
|
|
"pete": "petai",
|
|
"petay": "petai",
|
|
"proffesor": "profesor",
|
|
"rame": "ramai",
|
|
"rapot": "rapor",
|
|
"rileks": "relaks",
|
|
"rileksasi": "relaksasi",
|
|
"renumerasi": "remunerasi",
|
|
"seketaris": "sekretaris",
|
|
"sekertaris": "sekretaris",
|
|
"sensorik": "sensoris",
|
|
"sentausa": "sentosa",
|
|
"strawberi": "stroberi",
|
|
"strawbery": "stroberi",
|
|
"taqwa": "takwa",
|
|
"tauco": "taoco",
|
|
"tauge": "taoge",
|
|
"toge": "taoge",
|
|
"tauladan": "teladan",
|
|
"taubat": "tobat",
|
|
"trilyun": "triliun",
|
|
"vissi": "visi",
|
|
"coklat": "cokelat",
|
|
"narkotika": "narkotik",
|
|
"oase": "oasis",
|
|
"politisi": "politikus",
|
|
"terong": "terung",
|
|
"wool": "wol",
|
|
"himpit": "impit",
|
|
"mujizat": "mukjizat",
|
|
"mujijat": "mukjizat",
|
|
"yag": "yang",
|
|
}
|
|
|
|
NORM_EXCEPTIONS = {}
|
|
|
|
for string, norm in _exc.items():
|
|
NORM_EXCEPTIONS[string] = norm
|
|
NORM_EXCEPTIONS[string.title()] = norm
|