mirror of https://github.com/explosion/spaCy.git
59 lines
1.7 KiB
Python
59 lines
1.7 KiB
Python
# coding: utf-8
|
||
from __future__ import unicode_literals
|
||
|
||
import pytest
|
||
|
||
|
||
def test_lt_tokenizer_handles_long_text(lt_tokenizer):
|
||
text = """Tokios sausros kriterijus atitinka pirmadienį atlikti skaičiavimai, palyginus faktinį ir žemiausią
|
||
vidutinį daugiametį vandens lygį. Nustatyta, kad iš 48 šalies vandens matavimo stočių 28-iose stotyse vandens lygis
|
||
yra žemesnis arba lygus žemiausiam vidutiniam daugiamečiam šiltojo laikotarpio vandens lygiui."""
|
||
tokens = lt_tokenizer(text.replace("\n", ""))
|
||
assert len(tokens) == 42
|
||
|
||
|
||
@pytest.mark.parametrize(
|
||
"text,length",
|
||
[
|
||
(
|
||
"177R Parodų rūmai–Ozo g. nuo vasario 18 d. bus skelbiamas interneto tinklalapyje.",
|
||
15,
|
||
),
|
||
(
|
||
"ISM universiteto doc. dr. Ieva Augutytė-Kvedaravičienė pastebi, kad tyrimais nustatyti elgesio pokyčiai.",
|
||
16,
|
||
),
|
||
],
|
||
)
|
||
def test_lt_tokenizer_handles_punct_abbrev(lt_tokenizer, text, length):
|
||
tokens = lt_tokenizer(text)
|
||
assert len(tokens) == length
|
||
|
||
|
||
@pytest.mark.parametrize("text", ["km.", "pvz.", "biol."])
|
||
def test_lt_tokenizer_abbrev_exceptions(lt_tokenizer, text):
|
||
tokens = lt_tokenizer(text)
|
||
assert len(tokens) == 1
|
||
|
||
|
||
@pytest.mark.parametrize(
|
||
"text,match",
|
||
[
|
||
("10", True),
|
||
("1", True),
|
||
("10,000", True),
|
||
("10,00", True),
|
||
("999.0", True),
|
||
("vienas", True),
|
||
("du", True),
|
||
("milijardas", True),
|
||
("šuo", False),
|
||
(",", False),
|
||
("1/2", True),
|
||
],
|
||
)
|
||
def test_lt_lex_attrs_like_number(lt_tokenizer, text, match):
|
||
tokens = lt_tokenizer(text)
|
||
assert len(tokens) == 1
|
||
assert tokens[0].like_num == match
|