mirror of https://github.com/explosion/spaCy.git
* Add new script to replace make_lexicon, that does full setup of data
This commit is contained in:
parent
e775e05313
commit
156b70ed82
|
@ -0,0 +1,77 @@
|
||||||
|
"""Set up a model dir, given the (committed) lang_data."""
|
||||||
|
import plac
|
||||||
|
from pathlib import Path
|
||||||
|
|
||||||
|
from shutil import copyfile
|
||||||
|
import codecs
|
||||||
|
|
||||||
|
from spacy.en import get_lex_props
|
||||||
|
from spacy.vocab import Vocab
|
||||||
|
|
||||||
|
|
||||||
|
def setup_tokenizer(lang_data_dir, tok_dir):
|
||||||
|
if not tok_dir.exists():
|
||||||
|
tok_dir.mkdir()
|
||||||
|
|
||||||
|
for filename in ('infix.txt', 'morphs.json', 'prefix.txt', 'specials.json',
|
||||||
|
'suffix.txt'):
|
||||||
|
src = lang_data_dir / filename
|
||||||
|
dst = tok_dir / filename
|
||||||
|
if not dst.exists():
|
||||||
|
copyfile(src, dst)
|
||||||
|
|
||||||
|
|
||||||
|
def _read_clusters(loc):
|
||||||
|
clusters = {}
|
||||||
|
for line in codecs.open(str(loc), 'r', 'utf8'):
|
||||||
|
try:
|
||||||
|
cluster, word, freq = line.split()
|
||||||
|
except ValueError:
|
||||||
|
continue
|
||||||
|
clusters[word] = cluster
|
||||||
|
return clusters
|
||||||
|
|
||||||
|
|
||||||
|
def _read_probs(loc):
|
||||||
|
probs = {}
|
||||||
|
for i, line in enumerate(codecs.open(str(loc), 'r', 'utf8')):
|
||||||
|
prob, word = line.split()
|
||||||
|
prob = float(prob)
|
||||||
|
probs[word] = prob
|
||||||
|
return probs
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
def setup_vocab(src_dir, dst_dir):
|
||||||
|
if not dst_dir.exists():
|
||||||
|
dst_dir.mkdir()
|
||||||
|
vocab = Vocab(data_dir=None, get_lex_props=get_lex_props)
|
||||||
|
clusters = _read_clusters(src_dir / 'clusters.txt')
|
||||||
|
probs = _read_probs(src_dir / 'words.sgt.prob')
|
||||||
|
lexicon = []
|
||||||
|
for word, prob in reversed(sorted(probs.items(), key=lambda item: item[1])):
|
||||||
|
entry = get_lex_props(word)
|
||||||
|
if word in clusters or float(prob) >= -17:
|
||||||
|
entry['prob'] = float(prob)
|
||||||
|
cluster = clusters.get(word, '0')
|
||||||
|
# Decode as a little-endian string, so that we can do & 15 to get
|
||||||
|
# the first 4 bits. See _parse_features.pyx
|
||||||
|
entry['cluster'] = int(cluster[::-1], 2)
|
||||||
|
vocab[word] = entry
|
||||||
|
vocab.dump(str(dst_dir / 'lexemes.bin'))
|
||||||
|
vocab.strings.dump(str(dst_dir / 'strings.txt'))
|
||||||
|
|
||||||
|
|
||||||
|
def main(lang_data_dir, model_dir):
|
||||||
|
model_dir = Path(model_dir)
|
||||||
|
lang_data_dir = Path(lang_data_dir)
|
||||||
|
|
||||||
|
if not model_dir.exists():
|
||||||
|
model_dir.mkdir()
|
||||||
|
|
||||||
|
setup_tokenizer(lang_data_dir, model_dir / 'tokenizer')
|
||||||
|
setup_vocab(lang_data_dir, model_dir / 'vocab')
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
plac.call(main)
|
Loading…
Reference in New Issue