mirror of https://github.com/explosion/spaCy.git
171 lines
3.1 KiB
Python
171 lines
3.1 KiB
Python
import itertools
|
||
|
||
from ..char_classes import (
|
||
ALPHA,
|
||
ALPHA_LOWER,
|
||
ALPHA_UPPER,
|
||
CONCAT_QUOTES,
|
||
CURRENCY,
|
||
LIST_CURRENCY,
|
||
LIST_ELLIPSES,
|
||
LIST_ICONS,
|
||
LIST_PUNCT,
|
||
LIST_QUOTES,
|
||
PUNCT,
|
||
)
|
||
|
||
_list_icons = [x for x in LIST_ICONS if x != "°"]
|
||
_list_icons = [x.replace("\\u00B0", "") for x in _list_icons]
|
||
|
||
|
||
_ro_variants = {
|
||
"Ă": ["Ă", "A"],
|
||
"Â": ["Â", "A"],
|
||
"Î": ["Î", "I"],
|
||
"Ș": ["Ș", "Ş", "S"],
|
||
"Ț": ["Ț", "Ţ", "T"],
|
||
}
|
||
|
||
|
||
def _make_ro_variants(tokens):
|
||
variants = []
|
||
for token in tokens:
|
||
upper_token = token.upper()
|
||
upper_char_variants = [_ro_variants.get(c, [c]) for c in upper_token]
|
||
upper_variants = ["".join(x) for x in itertools.product(*upper_char_variants)]
|
||
for variant in upper_variants:
|
||
variants.extend([variant, variant.lower(), variant.title()])
|
||
return sorted(list(set(variants)))
|
||
|
||
|
||
# UD_Romanian-RRT closed class prefixes
|
||
# POS: ADP|AUX|CCONJ|DET|NUM|PART|PRON|SCONJ
|
||
_ud_rrt_prefixes = [
|
||
"a-",
|
||
"c-",
|
||
"ce-",
|
||
"cu-",
|
||
"d-",
|
||
"de-",
|
||
"dintr-",
|
||
"e-",
|
||
"făr-",
|
||
"i-",
|
||
"l-",
|
||
"le-",
|
||
"m-",
|
||
"mi-",
|
||
"n-",
|
||
"ne-",
|
||
"p-",
|
||
"pe-",
|
||
"prim-",
|
||
"printr-",
|
||
"s-",
|
||
"se-",
|
||
"te-",
|
||
"v-",
|
||
"într-",
|
||
"ș-",
|
||
"și-",
|
||
"ți-",
|
||
]
|
||
_ud_rrt_prefix_variants = _make_ro_variants(_ud_rrt_prefixes)
|
||
|
||
|
||
# UD_Romanian-RRT closed class suffixes without NUM
|
||
# POS: ADP|AUX|CCONJ|DET|PART|PRON|SCONJ
|
||
_ud_rrt_suffixes = [
|
||
"-a",
|
||
"-aceasta",
|
||
"-ai",
|
||
"-al",
|
||
"-ale",
|
||
"-alta",
|
||
"-am",
|
||
"-ar",
|
||
"-astea",
|
||
"-atâta",
|
||
"-au",
|
||
"-aș",
|
||
"-ați",
|
||
"-i",
|
||
"-ilor",
|
||
"-l",
|
||
"-le",
|
||
"-lea",
|
||
"-mea",
|
||
"-meu",
|
||
"-mi",
|
||
"-mă",
|
||
"-n",
|
||
"-ndărătul",
|
||
"-ne",
|
||
"-o",
|
||
"-oi",
|
||
"-or",
|
||
"-s",
|
||
"-se",
|
||
"-si",
|
||
"-te",
|
||
"-ul",
|
||
"-ului",
|
||
"-un",
|
||
"-uri",
|
||
"-urile",
|
||
"-urilor",
|
||
"-veți",
|
||
"-vă",
|
||
"-ăștia",
|
||
"-și",
|
||
"-ți",
|
||
]
|
||
_ud_rrt_suffix_variants = _make_ro_variants(_ud_rrt_suffixes)
|
||
|
||
|
||
_prefixes = (
|
||
["§", "%", "=", "—", "–", r"\+(?![0-9])"]
|
||
+ _ud_rrt_prefix_variants
|
||
+ LIST_PUNCT
|
||
+ LIST_ELLIPSES
|
||
+ LIST_QUOTES
|
||
+ LIST_CURRENCY
|
||
+ LIST_ICONS
|
||
)
|
||
|
||
|
||
_suffixes = (
|
||
_ud_rrt_suffix_variants
|
||
+ LIST_PUNCT
|
||
+ LIST_ELLIPSES
|
||
+ LIST_QUOTES
|
||
+ _list_icons
|
||
+ ["—", "–"]
|
||
+ [
|
||
r"(?<=[0-9])\+",
|
||
r"(?<=°[FfCcKk])\.",
|
||
r"(?<=[0-9])(?:{c})".format(c=CURRENCY),
|
||
r"(?<=[0-9{al}{e}{p}(?:{q})])\.".format(
|
||
al=ALPHA_LOWER, e=r"%²\-\+", q=CONCAT_QUOTES, p=PUNCT
|
||
),
|
||
r"(?<=[{au}][{au}])\.".format(au=ALPHA_UPPER),
|
||
]
|
||
)
|
||
|
||
_infixes = (
|
||
LIST_ELLIPSES
|
||
+ _list_icons
|
||
+ [
|
||
r"(?<=[0-9])[+\*^](?=[0-9-])",
|
||
r"(?<=[{al}{q}])\.(?=[{au}{q}])".format(
|
||
al=ALPHA_LOWER, au=ALPHA_UPPER, q=CONCAT_QUOTES
|
||
),
|
||
r"(?<=[{a}]),(?=[{a}])".format(a=ALPHA),
|
||
r"(?<=[{a}0-9])[:<>=](?=[{a}])".format(a=ALPHA),
|
||
]
|
||
)
|
||
|
||
TOKENIZER_PREFIXES = _prefixes
|
||
TOKENIZER_SUFFIXES = _suffixes
|
||
TOKENIZER_INFIXES = _infixes
|