-
Notifications
You must be signed in to change notification settings - Fork 5
/
NaiveTokenizer.py
282 lines (242 loc) · 13.5 KB
/
NaiveTokenizer.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
import re
import string
from collections import namedtuple
class NaiveTokenizer(object):
__digit = r'(\d)+'
__letter = r'[A-ZА-Я]'
emjoi_pattern = r'([\=\:\;8BX][\-\~\^oc]?[PD3\<\>\}\{\]\[\)\(\/]+)'
CURRENCY = '$€£¢¥₽'
OTHER_PUNCT = '#%^~±°'
PUNCT = string.punctuation
DIGIT = re.compile(__digit)
LETTER = re.compile(__letter, re.IGNORECASE)
NUMBER = re.compile(r'(-?' + __digit + r'([.,]' + __digit + r')?)')
ABBR_WITH_POINTS = re.compile(r'(' + __letter + r'\.){3,}')
NUMALPHA = re.compile(r'([/.\w-]+)')
EMJOI = re.compile(r'(' + emjoi_pattern + r')+')
EOS = '.?!'
INS = ',:;'
QUOTES = '\"\'\`'
LQUOTES = '«“‘'
RQUOTES = '»”’'
LBRACKETS = '<([{'
RBRACKETS = '>)]}'
def __init__(self):
with open('../russian/resources/tokenizer/abbreviations.txt', 'r', encoding='utf-8') as inf:
self.abbr = {
line.strip().lower() for line in inf
}
with open('../russian/resources/tokenizer/tlds-alpha-by-domain.txt', 'r') as inf:
self.tlds = [
line.strip().lower() for i, line in enumerate(inf) if i > 3
]
tld = r'(' + r'|'.join(self.tlds) + r')'
schema = r'(?:[^:\/]+:\/\/)'
email = r'(?:([A-Z0-9][\w-]+)@([\w\.-])+[A-Z0-9]\.)'
domain = r'(?:www\.)?(?:[A-Z0-9][A-Z0-9-]{0,61}[A-Z0-9]\.)+'
port = r'(?::(\d{1,5}))'
ip_address = r'(?:\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})'
any_path = r'(?:(\/\S+[^\.\,\s]))'
url = r'('
url += rf'{schema}?'
url += rf'((?:{email}|{domain})' + tld + rf'|{ip_address})'
url += rf'{port}?'
url += rf'{any_path}?'
url += r')'
self.URL = re.compile(url, re.IGNORECASE)
def tokenize(self, text):
def isnumalpha(s):
return self.LETTER.search(s) and self.DIGIT.search(s)
def get_sequence(cur_token):
START, CURRENCY, EOS, INS, WORD = range(5)
cur_tok = ''
state = START
for c in cur_token:
if c in self.QUOTES + self.LQUOTES + self.RQUOTES + self.LBRACKETS + self.RBRACKETS + self.INS:
if state == START:
state = INS
cur_tok += c
elif state in (EOS, INS, CURRENCY, WORD):
state = INS
if cur_tok:
yield cur_tok
cur_tok = c
else:
state = INS
cur_tok += c
elif c in self.EOS:
if state == START:
state = EOS
cur_tok += c
elif state == EOS:
cur_tok += c
elif state in (INS, CURRENCY):
state = EOS
if cur_tok:
yield cur_tok
cur_tok = c
elif state == WORD:
state = EOS
if cur_tok and ((cur_tok + c).lower() in self.abbr or len(cur_tok) <= 1):
cur_tok += c
else:
yield cur_tok
cur_tok = c
else:
state = EOS
cur_tok += c
elif c in self.CURRENCY or c in self.OTHER_PUNCT:
if state == START:
state = CURRENCY
cur_tok += c
elif state == CURRENCY:
cur_tok += c
elif state in (EOS, INS, WORD):
state = CURRENCY
if cur_tok:
yield cur_tok
cur_tok = c
else:
state = CURRENCY
cur_tok += c
elif c.isspace():
if cur_tok:
yield cur_tok
else:
if state == START:
state = WORD
cur_tok += c
elif state in (EOS, INS, CURRENCY):
state = WORD
if cur_tok:
yield cur_tok
cur_tok = c
elif state == WORD:
cur_tok += c
else:
state = WORD
cur_tok += c
if cur_tok:
yield cur_tok
def put_token(value):
token = namedtuple('Token', ('Value', 'Type'))
if value in self.LBRACKETS:
return token(value, 'LBR')
elif value in self.RBRACKETS:
return token(value, 'RBR')
elif value in self.LQUOTES:
return token(value, 'LQUOTE')
elif value in self.RQUOTES:
return token(value, 'RQUOTE')
elif value in self.QUOTES:
return token(value, 'QUOTE')
elif value in self.EOS + self.INS:
return token(value, 'PUNCT')
elif value in self.CURRENCY + self.OTHER_PUNCT + self.PUNCT:
return token(value, 'SYMB')
elif self.URL.search(value):
return token(value, 'URL')
elif self.NUMALPHA.search(value):
return token(value, 'WORD')
elif self.NUMBER.search(value):
return token(value, 'NUMBER')
elif self.EMJOI.search(value):
return token(value, 'EMJOI')
else:
return token(value, 'WORD')
for expected_token in text.split():
if self.URL.search(expected_token) or \
self.NUMBER.search(expected_token) or \
self.ABBR_WITH_POINTS.search(expected_token) or self.EMJOI.search(expected_token):
if self.URL.search(expected_token):
matched_pattern = self.URL.search(expected_token)
elif self.ABBR_WITH_POINTS.search(expected_token):
matched_pattern = self.ABBR_WITH_POINTS.search(expected_token)
elif self.EMJOI.search(expected_token):
matched_pattern = self.EMJOI.search(expected_token)
elif not isnumalpha(expected_token):
matched_pattern = self.NUMBER.search(expected_token)
else:
matched_pattern = self.NUMALPHA.search(expected_token)
start, end = matched_pattern.start(), matched_pattern.end()
first, middle, last = expected_token[:start], expected_token[start:end], expected_token[end:]
if first:
for tok in get_sequence(first):
yield put_token(tok)
yield put_token(middle)
if last:
for tok in get_sequence(last):
yield put_token(tok)
else:
for tok in get_sequence(expected_token):
yield put_token(tok)
if __name__ == '__main__':
tokenizer = NaiveTokenizer()
# print(list(tokenizer.tokenize('2 + 2 = 4, а 2*2 == 5!')))
assert [token.Value for token in list(tokenizer.tokenize(
'За окном -5 градусов. Хорошего дня!'
))] == ['За', 'окном', '-5', 'градусов', '.', 'Хорошего', 'дня', '!']
assert [token.Value for token in list(tokenizer.tokenize(
'Спешите приобрести последние автомобили Volvo XS60!'
))] == ['Спешите', 'приобрести', 'последние', 'автомобили', 'Volvo', 'XS60', '!']
assert [token.Value for token in list(tokenizer.tokenize(
'Последняя модель телефона марки Siemens C-60 вызвала большой интерес '
'у покупателей в течение пары дней с первого дня продажи.'
))] == ['Последняя', 'модель', 'телефона', 'марки', 'Siemens', 'C-60', 'вызвала', 'большой', 'интерес',
'у', 'покупателей', 'в', 'течение', 'пары', 'дней', 'с', 'первого', 'дня', 'продажи', '.']
assert [token.Value for token in list(tokenizer.tokenize(
'Курс доллара на сегодняшний день составляет 62.73₽, курс евро - 73,73 ₽.'
))] == ['Курс', 'доллара', 'на', 'сегодняшний', 'день', 'составляет', '62.73', '₽', ',',
'курс', 'евро', '-', '73,73', '₽', '.']
assert [token.Value for token in list(tokenizer.tokenize(
'В г. Санкт-Петербург ожидаются дожди с грозами, температура составит около 2-х градусов тепла.'
))] == ['В', 'г.', 'Санкт-Петербург', 'ожидаются', 'дожди', 'с', 'грозами', ',',
'температура', 'составит', 'около', '2-х', 'градусов', 'тепла', '.']
assert [token.Value for token in list(tokenizer.tokenize(
'В огороде бузина, а в Киеве - дядька.'
))] == ['В', 'огороде', 'бузина', ',', 'а', 'в', 'Киеве', '-', 'дядька', '.']
assert [token.Value for token in list(tokenizer.tokenize(
'Нефть стоит $50,67. А в деревне Гадюкино - снова дожди!'
))] == ['Нефть', 'стоит', '$', '50,67', '.', 'А', 'в', 'деревне', 'Гадюкино', '-', 'снова', 'дожди', '!']
assert [token.Value for token in list(tokenizer.tokenize(
'Нефть стоит $50,67 . А в Кишенёве (моём родном городе) гостит моя тётка ...'
))] == ['Нефть', 'стоит', '$', '50,67', '.', 'А', 'в', 'Кишенёве', '(', 'моём', 'родном',
'городе', ')', 'гостит', 'моя', 'тётка', '...']
assert [token.Value for token in list(tokenizer.tokenize(
'Следите за всеми новостями тут : facebook.com/zebrochka.'
))] == ['Следите', 'за', 'всеми', 'новостями', 'тут', ':', 'facebook.com/zebrochka', '.']
assert [token.Value for token in list(tokenizer.tokenize(
'Следите за всеми новостями тут: https://facebook.com/zebrochka.'
))] == ['Следите', 'за', 'всеми', 'новостями', 'тут', ':', 'https://facebook.com/zebrochka', '.']
assert [token.Value for token in list(tokenizer.tokenize(
'Пишите все письма на мой электронный ящик : [email protected].'
))] == ['Пишите', 'все', 'письма', 'на', 'мой', 'электронный', 'ящик', ':', '[email protected]', '.']
assert [token.Value for token in list(tokenizer.tokenize(
'Следите за моей страницей здесь : www.vk.com/id777. Подписывайтесь !!!'
))] == ['Следите', 'за', 'моей', 'страницей', 'здесь', ':', 'www.vk.com/id777', '.',
'Подписывайтесь', '!!!']
assert [token.Value for token in list(tokenizer.tokenize(
'Следите за новостями здесь : facebook.com/zebrochka.Подписывайтесь на наш "канал" и оставляйте лайки !!!'
))] == ['Следите', 'за', 'новостями', 'здесь', ':', 'facebook.com/zebrochka.Подписывайтесь',
'на', 'наш', '"', 'канал', '"', 'и', 'оставляйте', 'лайки', '!!!']
assert [token.Value for token in list(tokenizer.tokenize(
'Максимальная скорость ветра - 5 м/с.'
))] == ['Максимальная', 'скорость', 'ветра', '-', '5', 'м/с', '.']
assert [token.Value for token in list(tokenizer.tokenize(
'Пл. Ал.Невского, следующая станция Елизаровская.'
))] == ['Пл.', 'Ал.', 'Невского', ',', 'следующая', 'станция', 'Елизаровская', '.']
assert [token.Value for token in list(tokenizer.tokenize(
'Нефть за $27/барр. обеспечена!'
))] == ['Нефть', 'за', '$', '27/барр.', 'обеспечена', '!']
assert [token.Value for token in list(tokenizer.tokenize(
'Надо расти и развиваться и т. д. и т. п.'
))] == ['Надо', 'расти', 'и', 'развиваться', 'и', 'т.', 'д.', 'и', 'т.', 'п.']
assert [token.Value for token in list(tokenizer.tokenize(
'В графе надо указать свои Ф.И.О.'
))] == ['В', 'графе', 'надо', 'указать', 'свои', 'Ф.И.О.']
assert [token.Value for token in list(tokenizer.tokenize(
'Я очень -очень рада этому событию ;) :^3'
))] == ['Я', 'очень', '-очень', 'рада', 'этому', 'событию', ';)', ':^3']
assert [token.Value for token in list(tokenizer.tokenize(
'Я рада этому событию ;):^3'
))] == ['Я', 'рада', 'этому', 'событию', ';):^3']