mirror of https://github.com/explosion/spaCy.git
116 lines
7.3 KiB
Python
116 lines
7.3 KiB
Python
import pytest
|
||
|
||
# Examples taken from the "Big List of Naughty Strings"
|
||
# https://github.com/minimaxir/big-list-of-naughty-strings
|
||
|
||
|
||
NAUGHTY_STRINGS = [
|
||
# ASCII punctuation
|
||
r",./;'[]\-=",
|
||
r'<>?:"{}|_+',
|
||
r'!@#$%^&*()`~"',
|
||
# Unicode additional control characters, byte order marks
|
||
r"",
|
||
r"",
|
||
# Unicode Symbols
|
||
r"Ω≈ç√∫˜µ≤≥÷",
|
||
r"åß∂ƒ©˙∆˚¬…æ",
|
||
"œ∑´®†¥¨ˆøπ“‘",
|
||
r"¡™£¢∞§¶•ªº–≠",
|
||
r"¸˛Ç◊ı˜Â¯˘¿",
|
||
r"ÅÍÎÏ˝ÓÔÒÚÆ☃",
|
||
r"Œ„´‰ˇÁ¨ˆØ∏”’",
|
||
r"`⁄€‹›fifl‡°·‚—±",
|
||
r"⅛⅜⅝⅞",
|
||
r"ЁЂЃЄЅІЇЈЉЊЋЌЍЎЏАБВГДЕЖЗИЙКЛМНОПРСТУФХЦЧШЩЪЫЬЭЮЯабвгдежзийклмнопрстуфхцчшщъыьэюя",
|
||
r"٠١٢٣٤٥٦٧٨٩",
|
||
# Unicode Subscript/Superscript/Accents
|
||
r"⁰⁴⁵",
|
||
r"₀₁₂",
|
||
r"⁰⁴⁵₀₁₂",
|
||
r"ด้้้้้็็็็็้้้้้็็็็็้้้้้้้้็็็็็้้้้้็็็็็้้้้้้้้็็็็็้้้้้็็็็็้้้้้้้้็็็็็้้้้้็็็็ ด้้้้้็็็็็้้้้้็็็็็้้้้้้้้็็็็็้้้้้็็็็็้้้้้้้้็็็็็้้้้้็็็็็้้้้้้้้็็็็็้้้้้็็็็ ด้้้้้็็็็็้้้้้็็็็็้้้้้้้้็็็็็้้้้้็็็็็้้้้้้้้็็็็็้้้้้็็็็็้้้้้้้้็็็็็้้้้้็็็็",
|
||
r" ̄ ̄",
|
||
# Two-Byte Characters
|
||
r"田中さんにあげて下さい",
|
||
r"パーティーへ行かないか",
|
||
r"和製漢語",
|
||
r"部落格",
|
||
r"사회과학원 어학연구소",
|
||
r"찦차를 타고 온 펲시맨과 쑛다리 똠방각하",
|
||
r"社會科學院語學研究所",
|
||
r"울란바토르",
|
||
r"𠜎𠜱𠝹𠱓𠱸𠲖𠳏",
|
||
# Japanese Emoticons
|
||
r"ヽ༼ຈل͜ຈ༽ﾉ ヽ༼ຈل͜ຈ༽ﾉ",
|
||
r"(｡◕ ∀ ◕｡)",
|
||
r"｀ｨ(´∀｀∩",
|
||
r"__ﾛ(,_,*)",
|
||
r"・(￣∀￣)・:*:",
|
||
r"ﾟ･✿ヾ╲(｡◕‿◕｡)╱✿･ﾟ",
|
||
r",。・:*:・゜’( ☻ ω ☻ )。・:*:・゜’",
|
||
r"(╯°□°）╯︵ ┻━┻)" "(ﾉಥ益ಥ）ﾉ ┻━┻",
|
||
r"┬─┬ノ( º _ ºノ)",
|
||
r"( ͡° ͜ʖ ͡°)",
|
||
# Emoji
|
||
r"😍",
|
||
r"👩🏽",
|
||
r"👾 🙇 💁 🙅 🙆 🙋 🙎 🙍",
|
||
r"🐵 🙈 🙉 🙊",
|
||
r"❤️ 💔 💌 💕 💞 💓 💗 💖 💘 💝 💟 💜 💛 💚 💙",
|
||
r"✋🏿 💪🏿 👐🏿 🙌🏿 👏🏿 🙏🏿",
|
||
r"🚾 🆒 🆓 🆕 🆖 🆗 🆙 🏧",
|
||
r"0️⃣ 1️⃣ 2️⃣ 3️⃣ 4️⃣ 5️⃣ 6️⃣ 7️⃣ 8️⃣ 9️⃣ 🔟",
|
||
# Regional Indicator Symbols
|
||
r"🇺🇸🇷🇺🇸 🇦🇫🇦🇲🇸",
|
||
r"🇺🇸🇷🇺🇸🇦🇫🇦🇲",
|
||
r"🇺🇸🇷🇺🇸🇦",
|
||
# Unicode Numbers
|
||
r"１２３",
|
||
r"١٢٣",
|
||
# Right-To-Left Strings
|
||
r"ثم نفس سقطت وبالتحديد،, جزيرتي باستخدام أن دنو. إذ هنا؟ الستار وتنصيب كان. أهّل ايطاليا، بريطانيا-فرنسا قد أخذ. سليمان، إتفاقية بين ما, يذكر الحدود أي بعد, معاملة بولندا، الإطلاق عل إيو.",
|
||
r"إيو.",
|
||
r"בְּרֵאשִׁית, בָּרָא אֱלֹהִים, אֵת הַשָּׁמַיִם, וְאֵת הָאָרֶץ",
|
||
r"הָיְתָהtestالصفحات التّحول",
|
||
r"﷽",
|
||
r"ﷺ",
|
||
r"مُنَاقَشَةُ سُبُلِ اِسْتِخْدَامِ اللُّغَةِ فِي النُّظُمِ الْقَائِمَةِ وَفِيم يَخُصَّ التَّطْبِيقَاتُ الْحاسُوبِيَّةُ،",
|
||
# Trick Unicode
|
||
r"test",
|
||
r"test",
|
||
r"
test
",
|
||
r"testtest",
|
||
r"test",
|
||
# Zalgo Text
|
||
r"Ṱ̺̺̕o͞ ̷i̲̬͇̪͙n̝̗͕v̟̜̘̦͟o̶̙̰̠kè͚̮̺̪̹̱̤ ̖t̝͕̳̣̻̪͞h̼͓̲̦̳̘̲e͇̣̰̦̬͎ ̢̼̻̱̘h͚͎͙̜̣̲ͅi̦̲̣̰̤v̻͍e̺̭̳̪̰-m̢iͅn̖̺̞̲̯̰d̵̼̟͙̩̼̘̳ ̞̥̱̳̭r̛̗̘e͙p͠r̼̞̻̭̗e̺̠̣͟s̘͇̳͍̝͉e͉̥̯̞̲͚̬͜ǹ̬͎͎̟̖͇̤t͍̬̤͓̼̭͘ͅi̪̱n͠g̴͉ ͏͉ͅc̬̟h͡a̫̻̯͘o̫̟̖͍̙̝͉s̗̦̲.̨̹͈̣",
|
||
r"̡͓̞ͅI̗̘̦͝n͇͇͙v̮̫ok̲̫̙͈i̖͙̭̹̠̞n̡̻̮̣̺g̲͈͙̭͙̬͎ ̰t͔̦h̞̲e̢̤ ͍̬̲͖f̴̘͕̣è͖ẹ̥̩l͖͔͚i͓͚̦͠n͖͍̗͓̳̮g͍ ̨o͚̪͡f̘̣̬ ̖̘͖̟͙̮c҉͔̫͖͓͇͖ͅh̵̤̣͚͔á̗̼͕ͅo̼̣̥s̱͈̺̖̦̻͢.̛̖̞̠̫̰",
|
||
r"̗̺͖̹̯͓Ṯ̤͍̥͇͈h̲́e͏͓̼̗̙̼̣͔ ͇̜̱̠͓͍ͅN͕͠e̗̱z̘̝̜̺͙p̤̺̹͍̯͚e̠̻̠͜r̨̤͍̺̖͔̖̖d̠̟̭̬̝͟i̦͖̩͓͔̤a̠̗̬͉̙n͚͜ ̻̞̰͚ͅh̵͉i̳̞v̢͇ḙ͎͟-҉̭̩̼͔m̤̭̫i͕͇̝̦n̗͙ḍ̟ ̯̲͕͞ǫ̟̯̰̲͙̻̝f ̪̰̰̗̖̭̘͘c̦͍̲̞͍̩̙ḥ͚a̮͎̟̙͜ơ̩̹͎s̤.̝̝ ҉Z̡̖̜͖̰̣͉̜a͖̰͙̬͡l̲̫̳͍̩g̡̟̼̱͚̞̬ͅo̗͜.̟",
|
||
r"̦H̬̤̗̤͝e͜ ̜̥̝̻͍̟́w̕h̖̯͓o̝͙̖͎̱̮ ҉̺̙̞̟͈W̷̼̭a̺̪͍į͈͕̭͙̯̜t̶̼̮s̘͙͖̕ ̠̫̠B̻͍͙͉̳ͅe̵h̵̬͇̫͙i̹͓̳̳̮͎̫̕n͟d̴̪̜̖ ̰͉̩͇͙̲͞ͅT͖̼͓̪͢h͏͓̮̻e̬̝̟ͅ ̤̹̝W͙̞̝͔͇͝ͅa͏͓͔̹̼̣l̴͔̰̤̟͔ḽ̫.͕",
|
||
r"Z̮̞̠͙͔ͅḀ̗̞͈̻̗Ḷ͙͎̯̹̞͓G̻O̭̗̮",
|
||
# Unicode Upsidedown
|
||
r"˙ɐnbᴉlɐ ɐuƃɐɯ ǝɹolop ʇǝ ǝɹoqɐl ʇn ʇunpᴉpᴉɔuᴉ ɹodɯǝʇ poɯsnᴉǝ op pǝs 'ʇᴉlǝ ƃuᴉɔsᴉdᴉpɐ ɹnʇǝʇɔǝsuoɔ 'ʇǝɯɐ ʇᴉs ɹolop ɯnsdᴉ ɯǝɹo˥",
|
||
r"00˙Ɩ$-",
|
||
# Unicode font
|
||
r"Ｔｈｅ ｑｕｉｃｋ ｂｒｏｗｎ ｆｏｘ ｊｕｍｐｓ ｏｖｅｒ ｔｈｅ ｌａｚｙ ｄｏｇ",
|
||
r"𝐓𝐡𝐞 𝐪𝐮𝐢𝐜𝐤 𝐛𝐫𝐨𝐰𝐧 𝐟𝐨𝐱 𝐣𝐮𝐦𝐩𝐬 𝐨𝐯𝐞𝐫 𝐭𝐡𝐞 𝐥𝐚𝐳𝐲 𝐝𝐨𝐠",
|
||
r"𝕿𝖍𝖊 𝖖𝖚𝖎𝖈𝖐 𝖇𝖗𝖔𝖜𝖓 𝖋𝖔𝖝 𝖏𝖚𝖒𝖕𝖘 𝖔𝖛𝖊𝖗 𝖙𝖍𝖊 𝖑𝖆𝖟𝖞 𝖉𝖔𝖌",
|
||
r"𝑻𝒉𝒆 𝒒𝒖𝒊𝒄𝒌 𝒃𝒓𝒐𝒘𝒏 𝒇𝒐𝒙 𝒋𝒖𝒎𝒑𝒔 𝒐𝒗𝒆𝒓 𝒕𝒉𝒆 𝒍𝒂𝒛𝒚 𝒅𝒐𝒈",
|
||
r"𝓣𝓱𝓮 𝓺𝓾𝓲𝓬𝓴 𝓫𝓻𝓸𝔀𝓷 𝓯𝓸𝔁 𝓳𝓾𝓶𝓹𝓼 𝓸𝓿𝓮𝓻 𝓽𝓱𝓮 𝓵𝓪𝔃𝔂 𝓭𝓸𝓰",
|
||
r"𝕋𝕙𝕖 𝕢𝕦𝕚𝕔𝕜 𝕓𝕣𝕠𝕨𝕟 𝕗𝕠𝕩 𝕛𝕦𝕞𝕡𝕤 𝕠𝕧𝕖𝕣 𝕥𝕙𝕖 𝕝𝕒𝕫𝕪 𝕕𝕠𝕘",
|
||
r"𝚃𝚑𝚎 𝚚𝚞𝚒𝚌𝚔 𝚋𝚛𝚘𝚠𝚗 𝚏𝚘𝚡 𝚓𝚞𝚖𝚙𝚜 𝚘𝚟𝚎𝚛 𝚝𝚑𝚎 𝚕𝚊𝚣𝚢 𝚍𝚘𝚐",
|
||
r"⒯⒣⒠ ⒬⒰⒤⒞⒦ ⒝⒭⒪⒲⒩ ⒡⒪⒳ ⒥⒰⒨⒫⒮ ⒪⒱⒠⒭ ⒯⒣⒠ ⒧⒜⒵⒴ ⒟⒪⒢",
|
||
# File paths
|
||
r"../../../../../../../../../../../etc/passwd%00",
|
||
r"../../../../../../../../../../../etc/hosts",
|
||
# iOS Vulnerabilities
|
||
r"Powerلُلُصّبُلُلصّبُررً ॣ ॣh ॣ ॣ冗",
|
||
r"🏳0🌈️",
|
||
]
|
||
|
||
|
||
@pytest.mark.slow
|
||
@pytest.mark.parametrize("text", NAUGHTY_STRINGS)
|
||
def test_tokenizer_naughty_strings(tokenizer, text):
|
||
tokens = tokenizer(text)
|
||
assert tokens.text_with_ws == text
|