File size: 4,797 Bytes
bc4ad42 e0e48f1 f5a05f8 e0e48f1 f5a05f8 6c430ea e0e48f1 f5a05f8 e0e48f1 |
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 |
import spacy
from spacy.language import Language
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
@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
# ----- lookup_lemmatizer ----- #
from spacy.language import Language
from spacy.lookups import load_lookups
from spacy.tokens import Token
from spacy.lookups import Lookups
import string
blank_nlp = spacy.blank("la")
lookups = Lookups()
lookups_data = load_lookups(lang=blank_nlp.vocab.lang, tables=["lemma_lookup"])
LOOKUPS = lookups_data.get_table("lemma_lookup")
predicted_lemma_getter = lambda token: token.lemma_
Token.set_extension(
"predicted_lemma", getter=predicted_lemma_getter
) # TODO: test that this works
@Language.component(name="lookup_lemmatizer")
def make_lookup_lemmatizer_function(doc):
for token in doc:
# Handle punctuation
if token.text in string.punctuation:
token.lemma_ = token.text
token.pos_ = "PUNCT"
token.tag_ = "punc"
# Handle "que" enclitics
if token.text == "que" and (
token.pos_ == "CCONJ" or token.tag_ == "conjunction"
):
token.lemma_ = token.text
# Lookup lemmatizer
token.lemma_ = LOOKUPS.get(token.text, token.lemma_)
# Better handle capitalization
if token.text[0].isupper() and token.text not in LOOKUPS:
token.lemma_ = LOOKUPS.get(token.text.lower(), token.lemma_)
return doc
# ---------- #
|