spaCy/spacy/lang/hu/tokenizer_exceptions.py

653 lines
8.1 KiB
Python
Raw Normal View History

2017-03-12 12:07:28 +00:00
# coding: utf8
2016-12-20 21:28:20 +00:00
from __future__ import unicode_literals
2016-12-08 11:06:36 +00:00
import re
2017-01-14 14:51:59 +00:00
2017-05-08 20:29:04 +00:00
from ..punctuation import ALPHA_LOWER, CURRENCY
from ..tokenizer_exceptions import URL_PATTERN
from ...symbols import ORTH
2017-01-14 14:51:59 +00:00
2017-05-08 13:49:56 +00:00
_exc = {}
2017-01-14 14:51:59 +00:00
2017-05-08 13:49:56 +00:00
for orth in [
"-e",
"A.",
"AG.",
"AkH.",
"Aö.",
"B.",
"B.CS.",
"B.S.",
"B.Sc.",
"B.ú.é.k.",
"BE.",
"BEK.",
"BSC.",
"BSc.",
"BTK.",
"Bat.",
"Be.",
"Bek.",
"Bfok.",
"Bk.",
"Bp.",
"Bros.",
"Bt.",
"Btk.",
"Btke.",
"Btét.",
"C.",
"CSC.",
"Cal.",
"Cg.",
"Cgf.",
"Cgt.",
"Cia.",
"Co.",
"Colo.",
"Comp.",
"Copr.",
"Corp.",
"Cos.",
"Cs.",
"Csc.",
"Csop.",
"Cstv.",
"Ctv.",
"Ctvr.",
"D.",
"DR.",
"Dipl.",
"Dr.",
"Dsz.",
"Dzs.",
"E.",
"EK.",
"EU.",
"F.",
"Fla.",
"Folyt.",
"Fpk.",
"Főszerk.",
"G.",
"GK.",
"GM.",
"Gfv.",
"Gmk.",
"Gr.",
"Group.",
"Gt.",
"Gy.",
"H.",
"HKsz.",
"Hmvh.",
"I.",
"Ifj.",
"Inc.",
"Inform.",
"Int.",
"J.",
"Jr.",
"Jv.",
"K.",
"K.m.f.",
"KB.",
"KER.",
"KFT.",
"KRT.",
"Kb.",
"Ker.",
"Kft.",
"Kg.",
"Kht.",
"Kkt.",
"Kong.",
"Korm.",
"Kr.",
"Kr.e.",
"Kr.u.",
"Krt.",
"L.",
"LB.",
"Llc.",
"Ltd.",
"M.",
"M.A.",
"M.S.",
"M.SC.",
"M.Sc.",
"MA.",
"MH.",
"MSC.",
"MSc.",
"Mass.",
"Max.",
"Mlle.",
"Mme.",
"Mo.",
"Mr.",
"Mrs.",
"Ms.",
"Mt.",
"N.",
"N.N.",
"NB.",
"NBr.",
"Nat.",
"No.",
"Nr.",
"Ny.",
"Nyh.",
"Nyr.",
"Nyrt.",
"O.",
"OJ.",
"Op.",
"P.",
"P.H.",
"P.S.",
"PH.D.",
"PHD.",
"PROF.",
"Pf.",
"Ph.D",
"PhD.",
"Pk.",
"Pl.",
"Plc.",
"Pp.",
"Proc.",
"Prof.",
"Ptk.",
"R.",
"RT.",
"Rer.",
"Rt.",
"S.",
"S.B.",
"SZOLG.",
"Salg.",
"Sch.",
"Spa.",
"St.",
"Sz.",
"SzRt.",
"Szerk.",
"Szfv.",
"Szjt.",
"Szolg.",
"Szt.",
"Sztv.",
"Szvt.",
"Számv.",
"T.",
"TEL.",
"Tel.",
"Ty.",
"Tyr.",
"U.",
"Ui.",
"Ut.",
"V.",
"VB.",
"Vcs.",
"Vhr.",
"Vht.",
"Várm.",
"W.",
"X.",
"X.Y.",
"Y.",
"Z.",
"Zrt.",
"Zs.",
"a.C.",
"ac.",
"adj.",
"adm.",
"ag.",
"agit.",
"alez.",
"alk.",
"all.",
"altbgy.",
"an.",
"ang.",
"arch.",
"at.",
"atc.",
"aug.",
"b.a.",
"b.s.",
"b.sc.",
"bek.",
"belker.",
"berend.",
"biz.",
"bizt.",
"bo.",
"bp.",
"br.",
"bsc.",
"bt.",
"btk.",
"ca.",
"cc.",
"cca.",
"cf.",
"cif.",
"co.",
"corp.",
"cos.",
"cs.",
"csc.",
"csüt.",
"cső.",
"ctv.",
"dbj.",
"dd.",
"ddr.",
"de.",
"dec.",
"dikt.",
"dipl.",
"dj.",
"dk.",
"dl.",
"dny.",
"dolg.",
"dr.",
"du.",
"dzs.",
"ea.",
"ed.",
"eff.",
"egyh.",
"ell.",
"elv.",
"elvt.",
"em.",
"eng.",
"eny.",
"et.",
"etc.",
"ev.",
"ezr.",
"eü.",
"f.h.",
"f.é.",
"fam.",
"fb.",
"febr.",
"fej.",
"felv.",
"felügy.",
"ff.",
"ffi.",
"fhdgy.",
"fil.",
"fiz.",
"fm.",
"foglalk.",
"ford.",
"fp.",
"fr.",
"frsz.",
"fszla.",
"fszt.",
"ft.",
"fuv.",
"főig.",
"főisk.",
"főtörm.",
"főv.",
"gazd.",
"gimn.",
"gk.",
"gkv.",
"gmk.",
"gondn.",
"gr.",
"grav.",
"gy.",
"gyak.",
"gyártm.",
"gör.",
"hads.",
"hallg.",
"hdm.",
"hdp.",
"hds.",
"hg.",
"hiv.",
"hk.",
"hm.",
"ho.",
"honv.",
"hp.",
"hr.",
"hrsz.",
"hsz.",
"ht.",
"htb.",
"hv.",
"hőm.",
"i.e.",
"i.sz.",
"id.",
"ie.",
"ifj.",
"ig.",
"igh.",
"ill.",
"imp.",
"inc.",
"ind.",
"inform.",
"inic.",
"int.",
"io.",
"ip.",
"ir.",
"irod.",
"irod.",
"isk.",
"ism.",
"izr.",
"iá.",
"jan.",
"jav.",
"jegyz.",
"jgmk.",
"jjv.",
"jkv.",
"jogh.",
"jogt.",
"jr.",
"jvb.",
"júl.",
"jún.",
"karb.",
"kat.",
"kath.",
"kb.",
"kcs.",
"kd.",
"ker.",
"kf.",
"kft.",
"kht.",
"kir.",
"kirend.",
"kisip.",
"kiv.",
"kk.",
"kkt.",
"klin.",
"km.",
"korm.",
"kp.",
"krt.",
"kt.",
"ktsg.",
"kult.",
"kv.",
"kve.",
"képv.",
"kísérl.",
"kóth.",
"könyvt.",
"körz.",
"köv.",
"közj.",
"közl.",
"közp.",
"közt.",
"kü.",
"lat.",
"ld.",
"legs.",
"lg.",
"lgv.",
"loc.",
"lt.",
"ltd.",
"ltp.",
"luth.",
"m.a.",
"m.s.",
"m.sc.",
"ma.",
"mat.",
"max.",
"mb.",
"med.",
"megh.",
"met.",
"mf.",
"mfszt.",
"min.",
"miss.",
"mjr.",
"mjv.",
"mk.",
"mlle.",
"mme.",
"mn.",
"mozg.",
"mr.",
"mrs.",
"ms.",
"msc.",
"má.",
"máj.",
"márc.",
"mé.",
"mélt.",
"mü.",
"műh.",
"műsz.",
"műv.",
"művez.",
"nagyker.",
"nagys.",
"nat.",
"nb.",
"neg.",
"nk.",
"no.",
"nov.",
"nu.",
"ny.",
"nyilv.",
"nyrt.",
"nyug.",
"obj.",
"okl.",
"okt.",
"old.",
"olv.",
"orsz.",
"ort.",
"ov.",
"ovh.",
"pf.",
"pg.",
"ph.d",
"ph.d.",
"phd.",
"phil.",
"pjt.",
"pk.",
"pl.",
"plb.",
"plc.",
"pld.",
"plur.",
"pol.",
"polg.",
"poz.",
"pp.",
"proc.",
"prof.",
"prot.",
"pság.",
"ptk.",
"pu.",
"pü.",
"r.k.",
"rac.",
"rad.",
"red.",
"ref.",
"reg.",
"rer.",
"rev.",
"rf.",
"rkp.",
"rkt.",
"rt.",
"rtg.",
"röv.",
"s.b.",
"s.k.",
"sa.",
"sb.",
"sel.",
"sgt.",
"sm.",
"st.",
"stat.",
"stb.",
"strat.",
"stud.",
"sz.",
"szakm.",
"szaksz.",
"szakszerv.",
"szd.",
"szds.",
"szept.",
"szerk.",
"szf.",
"szimf.",
"szjt.",
"szkv.",
"szla.",
"szn.",
"szolg.",
"szt.",
"szubj.",
"szöv.",
"szül.",
"tanm.",
"tb.",
"tbk.",
"tc.",
"techn.",
"tek.",
"tel.",
"tf.",
"tgk.",
"ti.",
"tip.",
"tisztv.",
"titks.",
"tk.",
"tkp.",
"tny.",
"tp.",
"tszf.",
"tszk.",
"tszkv.",
"tv.",
"tvr.",
"ty.",
"törv.",
"tü.",
"ua.",
"ui.",
"unit.",
"uo.",
"uv.",
"vas.",
"vb.",
"vegy.",
"vh.",
"vhol.",
"vhr.",
"vill.",
"vizsg.",
"vk.",
"vkf.",
"vkny.",
"vm.",
"vol.",
"vs.",
"vsz.",
"vv.",
"vál.",
"várm.",
"vízv.",
"vö.",
"zrt.",
"zs.",
"Á.",
"Áe.",
"Áht.",
"É.",
"Épt.",
"Ész.",
"Új-Z.",
"ÚjZ.",
"Ún.",
"á.",
"ált.",
"ápr.",
"ásv.",
"é.",
"ék.",
"ény.",
"érk.",
"évf.",
"í.",
"ó.",
"össz.",
"ötk.",
"özv.",
"ú.",
"ú.n.",
"úm.",
"ún.",
"út.",
"üag.",
"üd.",
"üdv.",
"üe.",
"ümk.",
"ütk.",
"üv.",
"ű.",
"őrgy.",
"őrpk.",
"őrv.",
]:
2017-05-08 13:49:56 +00:00
_exc[orth] = [{ORTH: orth}]
2017-01-14 14:51:59 +00:00
2019-02-21 10:56:47 +00:00
_ord_num_or_date = r"([A-Z0-9]+[./-])*(\d+\.?)"
_num = r"[+\-]?\d+([,.]\d+)*"
_ops = r"[=<>+\-\*/^()÷%²]"
_suffixes = r"-[{al}]+".format(al=ALPHA_LOWER)
_numeric_exp = r"({n})(({o})({n}))*[%]?".format(n=_num, o=_ops)
_time_exp = r"\d+(:\d+)*(\.\d+)?"
2017-05-08 13:49:56 +00:00
2019-02-21 10:56:47 +00:00
_nums = r"(({ne})|({t})|({on})|({c}))({s})?".format(
ne=_numeric_exp, t=_time_exp, on=_ord_num_or_date, c=CURRENCY, s=_suffixes
)
2017-05-08 13:49:56 +00:00
TOKENIZER_EXCEPTIONS = _exc
2019-02-21 10:56:47 +00:00
TOKEN_MATCH = re.compile(r"^({u})|({n})$".format(u=URL_PATTERN, n=_nums)).match