File size: 3,902 Bytes
7cd9f6d |
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 |
import spacy
from spacy.language import Language
import string
from typing import List
from spacy.util import registry, compile_suffix_regex
que_exceptions = [] # type: List[str]
# quisque / quique
que_exceptions += [
"quisque",
"quidque",
"quicque",
"quodque",
"cuiusque",
"cuique",
"quemque",
"quamque",
"quoque",
"quaque",
"quique",
"quaeque",
"quorumque",
"quarumque",
"quibusque",
"quosque",
"quasque",
]
# uterque
que_exceptions += [
"uterque",
"utraque",
"utrumque",
"utriusque",
"utrique",
"utrumque",
"utramque",
"utroque",
"utraque",
"utrique",
"utraeque",
"utrorumque",
"utrarumque",
"utrisque",
"utrosque",
"utrasque",
]
# quiscumque
que_exceptions += [
"quicumque",
"quidcumque",
"quodcumque",
"cuiuscumque",
"cuicumque",
"quemcumque",
"quamcumque",
"quocumque",
"quacumque",
"quicumque",
"quaecumque",
"quorumcumque",
"quarumcumque",
"quibuscumque",
"quoscumque",
"quascumque",
]
# unuscumque
que_exceptions += [
"unusquisque",
"unaquaeque",
"unumquodque",
"unumquidque",
"uniuscuiusque",
"unicuique",
"unumquemque",
"unamquamque",
"unoquoque",
"unaquaque",
]
# plerusque
que_exceptions += [
"plerusque",
"pleraque",
"plerumque",
"plerique",
"pleraeque",
"pleroque",
"pleramque",
"plerorumque",
"plerarumque",
"plerisque",
"plerosque",
"plerasque",
]
# misc
que_exceptions += [
"absque",
"abusque",
"adaeque",
"adusque",
"aeque",
"antique",
"atque",
"circumundique",
"conseque",
"cumque",
"cunque",
"denique",
"deque",
"donique",
"hucusque",
"inique",
"inseque",
"itaque",
"longinque",
"namque",
"neque",
"oblique",
"peraeque",
"praecoque",
"propinque",
"qualiscumque",
"quandocumque",
"quandoque",
"quantuluscumque",
"quantumcumque",
"quantuscumque",
"quinque",
"quocumque",
"quomodocumque",
"quomque",
"quotacumque",
"quotcumque",
"quotienscumque",
"quotiensque",
"quotusquisque",
"quousque",
"relinque",
"simulatque",
"torque",
"ubicumque",
"ubique",
"undecumque",
"undique",
"usque",
"usquequaque",
"utcumque",
"utercumque",
"utique",
"utrimque",
"utrique",
"utriusque",
"utrobique",
"utrubique",
]
@Language.component("normer")
def normer(doc):
def norm(text):
return (
text.replace("v", "u").replace("j", "i").replace("V", "U").replace("J", "I")
)
for token in doc:
token.norm_ = norm(token.norm_)
return doc
@Language.component("lemma_fixer")
def lemma_fixer(doc):
for token in doc:
if token.text == "que" and (
token.pos_ == "CCONJ" or token.tag_ == "conjunction"
):
token.lemma_ = token.text
if token.text in string.punctuation:
token.lemma_ = token.text
token.pos_ = "PUNCT"
token.tag_ = "punc"
return doc
@registry.callbacks("customize_tokenizer")
def make_customize_tokenizer():
def customize_tokenizer(nlp):
suffixes = nlp.Defaults.suffixes + [
"que",
"qve",
]
suffix_regex = compile_suffix_regex(suffixes)
nlp.tokenizer.suffix_search = suffix_regex.search
for item in que_exceptions:
nlp.tokenizer.add_special_case(item, [{"ORTH": item}])
nlp.tokenizer.add_special_case(item.lower(), [{"ORTH": item.lower()}])
nlp.tokenizer.add_special_case(item.title(), [{"ORTH": item.title()}])
nlp.tokenizer.add_special_case(item.upper(), [{"ORTH": item.upper()}])
return customize_tokenizer
|