mirror of https://github.com/explosion/spaCy.git
118 lines
2.9 KiB
Python
118 lines
2.9 KiB
Python
from ...attrs import LIKE_NUM, NORM, PREFIX, SUFFIX
|
||
|
||
|
||
_num_words = [
|
||
"нула",
|
||
"један",
|
||
"два",
|
||
"три",
|
||
"четири",
|
||
"пет",
|
||
"шест",
|
||
"седам",
|
||
"осам",
|
||
"девет",
|
||
"десет",
|
||
"једанаест",
|
||
"дванаест",
|
||
"тринаест",
|
||
"четрнаест",
|
||
"петнаест",
|
||
"шеснаест",
|
||
"седамнаест",
|
||
"осамнаест",
|
||
"деветнаест",
|
||
"двадесет",
|
||
"тридесет",
|
||
"четрдесет",
|
||
"педесет",
|
||
"шездесет",
|
||
"седамдесет",
|
||
"осамдесет",
|
||
"деведесет",
|
||
"сто",
|
||
"двеста",
|
||
"триста",
|
||
"четиристо",
|
||
"петсто",
|
||
"шестсто",
|
||
"седамсто",
|
||
"осамсто",
|
||
"деветсто",
|
||
"хиљаду",
|
||
"милион",
|
||
"милијарду",
|
||
"трилион",
|
||
"квадрилион",
|
||
"квинтилион",
|
||
]
|
||
|
||
|
||
def like_num(text):
|
||
if text.startswith(("+", "-", "±", "~")):
|
||
text = text[1:]
|
||
text = text.replace(",", "").replace(".", "")
|
||
if text.isdigit():
|
||
return True
|
||
if text.count("/") == 1:
|
||
num, denom = text.split("/")
|
||
if num.isdigit() and denom.isdigit():
|
||
return True
|
||
if text.lower() in _num_words:
|
||
return True
|
||
return False
|
||
|
||
|
||
def _cyr_to_latin_norm(text):
|
||
# fmt: off
|
||
# source: https://github.com/opendatakosovo/cyrillic-transliteration/blob/v1.1.1/cyrtranslit/mapping.py
|
||
SR_CYR_TO_LAT_DICT = {
|
||
u'А': u'A', u'а': u'a',
|
||
u'Б': u'B', u'б': u'b',
|
||
u'В': u'V', u'в': u'v',
|
||
u'Г': u'G', u'г': u'g',
|
||
u'Д': u'D', u'д': u'd',
|
||
u'Ђ': u'Đ', u'ђ': u'đ',
|
||
u'Е': u'E', u'е': u'e',
|
||
u'Ж': u'Ž', u'ж': u'ž',
|
||
u'З': u'Z', u'з': u'z',
|
||
u'И': u'I', u'и': u'i',
|
||
u'Ј': u'J', u'ј': u'j',
|
||
u'К': u'K', u'к': u'k',
|
||
u'Л': u'L', u'л': u'l',
|
||
u'Љ': u'Lj', u'љ': u'lj',
|
||
u'М': u'M', u'м': u'm',
|
||
u'Н': u'N', u'н': u'n',
|
||
u'Њ': u'Nj', u'њ': u'nj',
|
||
u'О': u'O', u'о': u'o',
|
||
u'П': u'P', u'п': u'p',
|
||
u'Р': u'R', u'р': u'r',
|
||
u'С': u'S', u'с': u's',
|
||
u'Т': u'T', u'т': u't',
|
||
u'Ћ': u'Ć', u'ћ': u'ć',
|
||
u'У': u'U', u'у': u'u',
|
||
u'Ф': u'F', u'ф': u'f',
|
||
u'Х': u'H', u'х': u'h',
|
||
u'Ц': u'C', u'ц': u'c',
|
||
u'Ч': u'Č', u'ч': u'č',
|
||
u'Џ': u'Dž', u'џ': u'dž',
|
||
u'Ш': u'Š', u'ш': u'š',
|
||
}
|
||
# fmt: on
|
||
return "".join(SR_CYR_TO_LAT_DICT.get(c, c) for c in text)
|
||
|
||
|
||
def norm(text):
|
||
return _cyr_to_latin_norm(text).lower()
|
||
|
||
|
||
def prefix(text):
|
||
return _cyr_to_latin_norm(text)[0]
|
||
|
||
|
||
def suffix(text):
|
||
return _cyr_to_latin_norm(text)[-3:]
|
||
|
||
|
||
LEX_ATTRS = {LIKE_NUM: like_num, NORM: norm, PREFIX: prefix, SUFFIX: suffix}
|