mirror of https://github.com/explosion/spaCy.git
75 lines
3.9 KiB
Python
75 lines
3.9 KiB
Python
# coding: utf8
|
||
from __future__ import unicode_literals
|
||
|
||
import re
|
||
|
||
from gensim.corpora.wikicorpus import extract_pages
|
||
|
||
|
||
regex = re.compile(r"==={{(\w+)\|el}}===")
|
||
regex2 = re.compile(r"==={{(\w+ \w+)\|el}}===")
|
||
|
||
# get words based on the Wiktionary dump
|
||
# check only for specific parts
|
||
|
||
# ==={{κύριο όνομα|el}}===
|
||
expected_parts = [
|
||
"μετοχή",
|
||
"ρήμα",
|
||
"επίθετο",
|
||
"επίρρημα",
|
||
"ουσιαστικό",
|
||
"κύριο όνομα",
|
||
"άρθρο",
|
||
]
|
||
|
||
unwanted_parts = """
|
||
{'αναγραμματισμοί': 2, 'σύνδεσμος': 94, 'απαρέμφατο': 1, 'μορφή άρθρου': 1, 'ένθημα': 1, 'μερική συνωνυμία': 57, 'ορισμός': 1, 'σημείωση': 3, 'πρόσφυμα': 3, 'ταυτόσημα': 8, 'χαρακτήρας': 51, 'μορφή επιρρήματος': 1, 'εκφράσεις': 22, 'ρηματικό σχήμα': 3, 'πολυλεκτικό επίρρημα': 2, 'μόριο': 35, 'προφορά': 412, 'ρηματική έκφραση': 15, 'λογοπαίγνια': 2, 'πρόθεση': 46, 'ρηματικό επίθετο': 1, 'κατάληξη επιρρημάτων': 10, 'συναφείς όροι': 1, 'εξωτερικοί σύνδεσμοι': 1, 'αρσενικό γένος': 1, 'πρόθημα': 169, 'κατάληξη': 3, 'υπώνυμα': 7, 'επιφώνημα': 197, 'ρηματικός τύπος': 1, 'συντομομορφή': 560, 'μορφή ρήματος': 68282, 'μορφή επιθέτου': 61779, 'μορφές': 71, 'ιδιωματισμός': 2, 'πολυλεκτικός όρος': 719, 'πολυλεκτικό ουσιαστικό': 180, 'παράγωγα': 25, 'μορφή μετοχής': 806, 'μορφή αριθμητικού': 3, 'άκλιτο': 1, 'επίθημα': 181, 'αριθμητικό': 129, 'συγγενικά': 94, 'σημειώσεις': 45, 'Ιδιωματισμός': 1, 'ρητά': 12, 'φράση': 9, 'συνώνυμα': 556, 'μεταφράσεις': 1, 'κατάληξη ρημάτων': 15, 'σύνθετα': 27, 'υπερώνυμα': 1, 'εναλλακτικός τύπος': 22, 'μορφή ουσιαστικού': 35122, 'επιρρηματική έκφραση': 12, 'αντώνυμα': 76, 'βλέπε': 7, 'μορφή αντωνυμίας': 51, 'αντωνυμία': 100, 'κλίση': 11, 'σύνθετοι τύποι': 1, 'παροιμία': 5, 'μορφή_επιθέτου': 2, 'έκφραση': 738, 'σύμβολο': 8, 'πολυλεκτικό επίθετο': 1, 'ετυμολογία': 867}
|
||
"""
|
||
|
||
|
||
wiktionary_file_path = (
|
||
"/data/gsoc2018-spacy/spacy/lang/el/res/elwiktionary-latest-pages-articles.xml"
|
||
)
|
||
|
||
proper_names_dict = {
|
||
"ουσιαστικό": "nouns",
|
||
"επίθετο": "adjectives",
|
||
"άρθρο": "dets",
|
||
"επίρρημα": "adverbs",
|
||
"κύριο όνομα": "proper_names",
|
||
"μετοχή": "participles",
|
||
"ρήμα": "verbs",
|
||
}
|
||
expected_parts_dict = {}
|
||
for expected_part in expected_parts:
|
||
expected_parts_dict[expected_part] = []
|
||
|
||
other_parts = {}
|
||
for title, text, pageid in extract_pages(wiktionary_file_path):
|
||
if text.startswith("#REDIRECT"):
|
||
continue
|
||
title = title.lower()
|
||
all_regex = regex.findall(text)
|
||
all_regex.extend(regex2.findall(text))
|
||
for a in all_regex:
|
||
if a in expected_parts:
|
||
expected_parts_dict[a].append(title)
|
||
|
||
|
||
for i in expected_parts_dict:
|
||
with open("_{0}.py".format(proper_names_dict[i]), "w") as f:
|
||
f.write("from __future__ import unicode_literals\n")
|
||
f.write('{} = set("""\n'.format(proper_names_dict[i].upper()))
|
||
words = sorted(expected_parts_dict[i])
|
||
line = ""
|
||
to_write = []
|
||
for word in words:
|
||
if len(line + " " + word) > 79:
|
||
to_write.append(line)
|
||
line = ""
|
||
else:
|
||
line = line + " " + word
|
||
f.write("\n".join(to_write))
|
||
f.write('\n""".split())')
|