-
Notifications
You must be signed in to change notification settings - Fork 0
/
sentence_parser.py
325 lines (310 loc) · 7.16 KB
/
sentence_parser.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
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
# -*- coding: utf-8 -*-
#! /usr/bin/python3
# INL 2016
# Podział tekstu na zdania
import sys
import codecs
abbrevs = [
'a',
'alb',
'amer',
'anat',
'ang',
'antr',
'ar',
'archeol',
'archit',
'astr',
'austr',
'austral',
'B',
'białorus',
'biol',
'blm',
'blp',
'bot',
'bułg',
'C',
'celt',
'chem',
'chiń',
'chrześc',
'cz',
'czas',
'czes',
'D',
'daw',
'dk',
'druk',
'dziec',
'e',
'egip',
'ekon',
'elektr',
'etn',
'euf',
'film',
'filoz',
'fiń',
'fiz',
'fizjol',
'fot',
'fr',
'fraz',
'fragm',
'genet',
'geogr',
'geol',
'geom',
'godz'
'gr',
'gw',
'hand',
'hebr',
'hind',
'hist',
'hiszp',
'hol',
'im',
'imiesł',
'in',
'inf',
'inform',
'inż',
'irl',
'iron',
'isl',
'itd',
'itp',
'jap',
'jęz',
'kg',
'km',
'lit',
'lm',
'łac',
'M',
'm',
'mat',
'med',
'meteor',
'min',
'm',
'miner',
'mit',
'mit',
'mit',
'mit',
'mors',
'm',
'Ms',
'muz',
'N',
'n',
'ndk',
'ndm',
'n',
'nieos',
'niem',
'nm',
'norw',
'np',
'obelż',
'odm',
'ok',
'os',
'p',
'płd',
'płn',
'p',
'pocz',
'poet',
'pol',
'polit',
'poł',
'popr',
'por',
'port',
'posp',
'pot',
'praw',
'prof',
'przen',
'przestarz',
'przesz',
'przym',
'przysł',
'przysłów',
'przysz',
'psychol',
'r',
'reg',
'rel',
'rodz',
'roln',
'ros',
'rub',
'rum',
'rzad',
'rzecz',
'rzym',
'sek',
'skand',
'skrót',
'słowac',
'socjol',
'sport',
'st',
'starop',
'staroż',
'szt',
'szwedz',
'śr',
'środ',
'św',
'Św',
't',
'teatr',
'techn',
'temp',
'ter',
'tj',
'tur',
'tur',
'tys',
'tzn',
'uczn',
'ukr',
'ur',
'urb',
'W',
'w',
'węg',
'wg',
'wł',
'wojsk',
'wsch',
'wsp',
'współ',
'wulg',
'wym',
'zach',
'zdr',
'zgr',
'zm',
'zn',
'zool',
'zwł',
'ż',
'żart',
'żegl'
]
if len(sys.argv) < 2:
exit('''Musisz podać ścieżkę do pliku z tekstem. Ścieżka wyjściowego
pliku XML jest opcjonalna. W przypadku braku podania wynik
zostanie wypisany na standardowe wyjście.\n
Użycie:\n
python sentence_parser.py <plik wejściowy> [plik wyjściowy]''')
text_path = sys.argv[1]
xml_path = sys.argv[2] if len(sys.argv) >= 3 else None
try:
with open(text_path, encoding='utf-8') as f:
text = f.read()
except:
exit('Nie można było otworzyć pliku.')
def parse_paragraphs(text):
'''Funkcja dzieli tekst na paragrafy i zwraca listę, w której,
każdy element jest paragrafem.'''
paragraphs = []
lines = [line.strip() for line in text.split('\n')]
for line in lines:
# jeżeli jest to pierwszy paragraf, pusta linia lub poprzednia
# linia była pusta dodaj nowy paragraf
if len(paragraphs) == 0 or line == '' or paragraphs[-1] == '':
paragraphs.append(line)
# jeśli linia zaczyna się z małej litery połącz ją z poprzednim
# paragrafem
elif line[0].islower(): # or ('.' in paragraphs[-1]): ?
paragraphs[-1] += ' ' + line
# w przeciwnym przypadku dodaj linię do poprzedniego paragrafu
else:
paragraphs[-1] += '\n' + line
# usuń puste linie
paragraphs = [p for p in paragraphs if p != '']
return paragraphs
def last_word(sentence):
'''Funkcja znajduje ostatnie słowo w zdaniu.
Szuka od końca znaku, który nie jest literą lub cyfrą'''
for i in range(-1, -len(sentence) - 1, -1):
if sentence[i] in ' ,./<>?;'':"[]{}\|-=_+()!@#$%^&*`‘~':
if i == -1:
return ''
return sentence[i + 1:]
return sentence
def parse_sentences(paragraphs):
'''Funkcja parsuje paragrafy na zdania.
Zwraca listę, której każdy element reprezentuje
paragraf - jest listą, zawierającą zdania'''
result = []
for p in paragraphs:
lines = p.split('\n')
result.append([])
for line in lines:
# jeśli nie ma kropki w zdaniu oznacza, że jest to tytuł
if '.' not in line:
result[-1].append(line)
continue
# upraszczamy, zamieniając zdania pytające i rozkazujące
# na zwykłe zdania
line.replace('!', '.')
line.replace('?', '.')
tokens = line.split('.')
for i, copy in enumerate(tokens):
token = copy.strip()
if token == '':
continue
if i == 0:
result[-1].append(token)
continue
# ostatnie słowo ostatniego zdania
last = last_word(result[-1][-1])
# jeżeli ostatnie słowo jest skrótem zdanie zostaje
# dołączone do poprzedniego
if last in abbrevs:
result[-1][-1] += '. ' + token
# jeżeli ostatnie słowo jest liczbą zostaje dołączone do
# poprzedniego
elif last.isdigit():
if copy[0].isdigit():
result[-1][-1] += '.' + token
else:
result[-1][-1] += '. ' + token
# jeżeli ostatnie słowo jest z dużej litery i ma 1 lub 2 litery
# oznacza to, że jest skrótem imienia lub nazwiska
elif last.istitle() and len(last) <= 2: # and token.istitle():
result[-1][-1] += '. ' + token
# w przeciwnym razie zdanie zostaje dodane jako nowe zdanie
else:
result[-1].append(token)
return result
def sentences_to_xml(paragraphs):
'''Funkcja zwraca tekst w formacie XML'''
result = '<?xml version="1.0" encoding="UTF-8"?>\n\
<text>\n'
for i, p in enumerate(paragraphs, start=1):
result += ' <p xml:id="{0}-p">\n'.format(i)
for j, s in enumerate(p, start=1):
result += ' <s xml:id="{0}-{1}-s">{2}.</s>\n'.format(i, j, s)
result += ' </p>\n'
result += '</text>'
return result
paragraphs = parse_paragraphs(text)
result = parse_sentences(paragraphs)
xml = sentences_to_xml(result)
if xml_path is None:
# sys.stdout = codecs.getwriter('utf-8')(sys.stdout.buffer, 'strict')
# print(xml)
print(xml.encode(sys.stdout.encoding, errors='replace'))
else:
with open(xml_path, mode='w', encoding='utf-8') as out:
out.write(xml)