-
-
Notifications
You must be signed in to change notification settings - Fork 5
/
tokenizer.cpp
1621 lines (1619 loc) · 80.8 KB
/
tokenizer.cpp
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
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
/**
* author: Yuriy Lobarev
* telegram: @forman
* phone: +7(910)983-95-90
* email: forman@anyks.com
* site: https://anyks.com
*/
#include <tokenizer.hpp>
/**
* isOption Метод проверки наличия опции
* @param option опция для проверки
* @return результат проверки
*/
const bool anyks::Tokenizer::isOption(const options_t option) const noexcept {
// Выполняем проверку наличия опции
const bool result = this->options.test((u_short) option);
// Если флаг дал положительный результат и это режим отладки
if(result && (option == options_t::debug)) this->logfile = nullptr;
// Выводим результат
return result;
}
/**
* restore Метод восстановления текста из контекста
* @param first текущее слово для проверки
* @param second следующее слово для проверки
* @param text текст для сборки контекста
* @param context контекст типов токенов
*/
void anyks::Tokenizer::restore(const wstring & first, const wstring & second, wstring & text, stack <type_t> & context) const noexcept {
// Если слово передано
if(!first.empty()){
/**
* typeFn Функция определения типа токена
* @param word слово для определения токена
* @return тип токена в контексте
*/
auto typeFn = [this](const wstring & word) noexcept {
// Результат работы функции
type_t result = type_t::null;
// Если слово передано
if(!word.empty()){
// Если длина слова больше 1-го символа, значит это слово
if(word.length() > 1){
// Определяем, число это или нет
result = (this->alphabet->isNumber(word) || this->alphabet->isDecimal(word) ? type_t::num : type_t::word);
// Если это всего один символ
} else {
// Получаем символ токена в нижнем регистре
const wchar_t letter = this->alphabet->toLower(word.front());
// Если - это математическая операция
if(this->alphabet->isMath(letter)) result = type_t::math;
// Если - это символ пробела
else if(this->alphabet->isSpace(letter)) result = type_t::space;
// Если - это знак пунктуации
else if(this->alphabet->isPunct(letter)) result = type_t::punct;
// Если - это символ греческого алфавита
else if(this->alphabet->isGreek(letter)) result = type_t::greek;
// Если - это символ направления (стрелки)
else if(this->alphabet->isRoute(letter)) result = type_t::route;
// Если - это спец-символ
else if(this->alphabet->isSpecial(letter)) result = type_t::specl;
// Если - это символ игральных карт
else if(this->alphabet->isPlayCards(letter)) result = type_t::pcards;
// Если - это символ мировой валюты
else if(this->alphabet->isCurrency(letter)) result = type_t::currency;
// Если - это арабское число
else if(this->alphabet->isNumber(wstring(1, letter))) result = type_t::num;
// Если - это изоляционный символ
else if(this->alphabet->isIsolation(letter)) {
// Определяем тип изоляционных знаков
const u_short type = (
(letter == L'(') || (letter == L'[') ||
(letter == L'{') || (letter == L'«') ||
(letter == L'„') || (letter == L'‹') ||
(letter == L'⌈') || (letter == L'⌊') ||
(letter == L'<') || (letter == L'〈') ? 1 :
((letter == L')') || (letter == L']') ||
(letter == L'}') || (letter == L'»') ||
(letter == L'“') || (letter == L'›') ||
(letter == L'⌉') || (letter == L'⌋') ||
(letter == L'>') || (letter == L'〉') ? 2 : 0)
);
// Определяем тип изоляционного символа
switch(type){
// Если это просто изоляционный символ
case 0: result = type_t::isolat; break;
// Если это изоляционный символ открытия
case 1: result = type_t::open; break;
// Если это изоляционный символ закрытия
case 2: result = type_t::close; break;
}
// Если - это разрешённая буква алфавита
} else if(this->alphabet->isLetter(letter)) result = type_t::allow;
}
}
// Выводим результат
return result;
};
// Тип текущего токена контекста
type_t next = type_t::null, token = typeFn(first);
// Если это начало предложения
if(text.empty()) text.append(first);
// Иначе выполняем основную обработку
else {
// Определяем тип токена
switch((u_short) token){
// Если это неизвестный символ
case (u_short) type_t::null:
// Если это просто слово
case (u_short) type_t::word:
// Если это открытый изоляционный символ
case (u_short) type_t::open:
// Если это нормальная буква
case (u_short) type_t::allow:
// Если это символ греческого алфавита
case (u_short) type_t::greek: {
// Если предыдущий символ не является открытым изоляционнмы символом
if((context.empty() ||
(context.top() != type_t::open)) &&
(text.back() != L'´') &&
(text.back() != L'¸') &&
(text.back() != L'\x301') &&
(text.back() != L'\x311') &&
!this->alphabet->isSpace(text.back()) &&
(!this->alphabet->isNumber(first.substr(0, 1)) ||
!this->alphabet->isMath(text.back()) ||
(text.back() == L'='))) text.append(1, L' ');
// Устанавливаем регистр у первой буквы в тексте
if(this->isOption(options_t::uppers) && (text.empty() || this->alphabet->isSpace(text.back()))){
// Сбрасываем флаг регистра
bool uppers = false;
// Если текст не пустой
if(!text.empty()){
// Получаем длину собранного текста
const size_t length = text.length();
// Если последний символ является точка
if(text.at(length - 2) == L'.'){
// Если размер текста больше 4-х символов
if(length >= 4){
// Если последние символы не многоточие, разрешаем увеличение регистра
if(text.substr(length - 4, 3).compare(L"...") != 0) uppers = true;
// Если это короткое слово, разрешаем увеличение регистра
} else uppers = true;
// Если последний символ является знаком вопроса или восклицания, разрешаем увеличение регистра
} else if((text.at(length - 2) == L'!') || (text.at(length - 2) == L'?') || (text.at(length - 2) == L'¡') || (text.at(length - 2) == L'¿')) uppers = true;
// Разрешаем увеличение регистра
} else uppers = true;
// Если флаг увеличения регистра установлен
if(uppers) const_cast <wstring *> (&first)->front() = this->alphabet->toUpper(first.front());
}
// Добавляем слово
text.append(first);
} break;
// Если это число
case (u_short) type_t::num:
// Если это математическая операция
case (u_short) type_t::math: {
// Если предыдущий символ не является математической операцией и пробелом
if((context.empty() ||
((first.front() == L'=') && (text.back() != L'=')) ||
((first.front() != L'=') && (text.back() == L'=')) ||
((context.top() != type_t::open) &&
(context.top() != type_t::space))) &&
(!this->alphabet->isSpace(text.back()))) text.append(1, L' ');
// Добавляем слово
text.append(first);
} break;
// Если это символ мировых валют
case (u_short) type_t::currency: {
// Если предыдущий символ не является числом и пробелом
if((context.empty() ||
((context.top() != type_t::open) &&
(context.top() != type_t::space))) &&
(!this->alphabet->isSpace(text.back()))) text.append(1, L' ');
// Добавляем слово
text.append(first);
} break;
// Если это спец-символ
case (u_short) type_t::specl: {
// Если предыдущий символ не является спец-символом и пробелом
if((context.empty() ||
((context.top() != type_t::specl) &&
(context.top() != type_t::open) &&
(context.top() != type_t::space))) &&
(!this->alphabet->isSpace(text.back()))) text.append(1, L' ');
// Добавляем слово
text.append(first);
} break;
// Если это символ направления (стрелки)
case (u_short) type_t::route: {
// Если предыдущий символ не является символом направления и пробелом
if((context.empty() ||
((context.top() != type_t::route) &&
(context.top() != type_t::open) &&
(context.top() != type_t::space))) &&
(!this->alphabet->isSpace(text.back()))) text.append(1, L' ');
// Добавляем слово
text.append(first);
} break;
// Если это символ игральных карт
case (u_short) type_t::pcards: {
// Если предыдущий символ не является символом игральных карт и пробелом
if((context.empty() ||
((context.top() != type_t::pcards) &&
(context.top() != type_t::open) &&
(context.top() != type_t::space))) &&
(!this->alphabet->isSpace(text.back()))) text.append(1, L' ');
// Добавляем слово
text.append(first);
} break;
// Если это закрытый изоляционный символ
case (u_short) type_t::close:
// Если это знак-пунктуации
case (u_short) type_t::punct: {
// Получаем тип токена
next = (!second.empty() ? typeFn(second) : type_t::end);
// Добавляем слово
text.append(first);
// Если следующий символ не является знаком пунктуации
if((text.back() != L'´') &&
(text.back() != L'¸') &&
(text.back() != L'\x301') &&
(text.back() != L'\x311') &&
(next != type_t::punct) &&
(next != type_t::end) &&
(next != type_t::space) &&
(next != type_t::close)) text.append(1, L' ');
} break;
// Если это изоляционный символ
case (u_short) type_t::isolat: {
// Получаем тип токена
next = (!second.empty() ? typeFn(second) : type_t::end);
// Если предыдущий символ не является изоляционным символом
if((context.empty() || (context.top() != type_t::space)) &&
(!this->alphabet->isSpace(text.back()))) text.append(1, L' ');
// Добавляем слово
text.append(first);
// Если следующий символ является любым из слов кроме изоляционного символа и конца текста
if((next != type_t::end) &&
(next != type_t::space) &&
(next != type_t::punct)) text.append(1, L' ');
} break;
}
}
// Добавляем тип токена в контекст токенов
context.push(token);
}
}
/**
* addAbbr Метод добавления аббревиатуры
* @param idw идентификатор слова для добавления
*/
void anyks::Tokenizer::addAbbr(const size_t idw) noexcept {
// Устанавливаем идентификатор слова
if((idw > 0) && (idw != idw_t::NIDW)) this->abbrs.emplace(idw);
}
/**
* addAbbr Метод добавления аббревиатуры
* @param word слово для добавления
*/
void anyks::Tokenizer::addAbbr(const string & word) noexcept {
// Если слово передано, добавляем его в список аббревиатур
if(word.size() > 2) this->addAbbr(this->idw(this->alphabet->convert(word)));
}
/**
* addAbbr Метод добавления аббревиатуры
* @param word слово для добавления
*/
void anyks::Tokenizer::addAbbr(const wstring & word) noexcept {
// Если слово передано, добавляем его в список аббревиатур
if(word.size() > 2) this->addAbbr(this->idw(word));
}
/**
* setAbbrs Метод установки списка аббревиатур
* @param abbrs список аббревиатур
*/
void anyks::Tokenizer::setAbbrs(const set <size_t> & abbrs) noexcept {
// Если список аббревиатур передан
if(!abbrs.empty()) this->abbrs = move(abbrs);
}
/**
* setLogfile Метод установки файла для вывода логов
* @param logifle адрес файла для вывода отладочной информации
*/
void anyks::Tokenizer::setLogfile(const char * logfile) noexcept {
// Устанавливаем адрес log файла
this->logfile = logfile;
}
/**
* setOption Метод установки опций модуля
* @param option опция для установки
*/
void anyks::Tokenizer::setOption(const options_t option) noexcept {
// Устанавливаем опции
this->options.set((u_short) option);
}
/**
* unsetOption Метод отключения опции модуля
* @param option опция для отключения
*/
void anyks::Tokenizer::unsetOption(const options_t option) noexcept {
// Устанавливаем опции
this->options.reset((u_short) option);
}
/**
* setAlphabet Метод установки алфавита
* @param alphabet объект алфавита
*/
void anyks::Tokenizer::setAlphabet(const alphabet_t * alphabet) noexcept {
// Устанавливаем алфавит
this->alphabet = alphabet;
// Выполняем обновление параметров
this->update();
}
/**
* addSuffix Метод установки суффикса цифровой аббревиатуры
* @param idw идентификатор суффикса цифровой аббревиатуры
*/
void anyks::Tokenizer::addSuffix(const size_t idw) const noexcept {
// Если суффикс передан
if(idw > 0) this->suffix.emplace(idw);
}
/**
* setSuffixes Метод установки списка суффиксов цифровых аббревиатур
* @param suffix список суффиксов цифровых аббревиатур
*/
void anyks::Tokenizer::setSuffixes(const set <size_t> & suffix) const noexcept {
// Если список аббревиатур передан
if(!suffix.empty()) this->suffix = suffix;
}
/**
* addSuffix Метод извлечения суффикса из цифровой аббревиатуры
* @param word слово для извлечения суффикса аббревиатуры
* @param idw идентификатор обрабатываемого слова
*/
void anyks::Tokenizer::addSuffix(const wstring & word, const size_t idw) const noexcept {
// Если слово передано и оно является аббревиатурой
if(!word.empty() && (word.back() != L'-')){
// Если проверка пройедна
if(((idw == idw_t::NIDW) || (idw == size_t(token_t::abbr))) &&
this->alphabet->isNumber(wstring(1, word.front())) &&
!this->alphabet->isNumber(wstring(1, word.back()))){
// Выполняем поиск дефиса
const size_t pos = word.rfind(L'-');
// Если дефис найден
if((pos != wstring::npos) && this->alphabet->isNumber(word.substr(0, pos))){
// Получаем новое слово
const wstring & suffix = word.substr(pos + 1);
// Получаем установленный алфавит
const wstring & alphabet = this->alphabet->wget();
// Выполняем проверку на соответствие символов
for(auto & letter : suffix){
// Если буква не соответствует алфавиту, выходим
if(alphabet.find(letter) == wstring::npos) return;
}
// Получаем идентификатор слова
const size_t idw = this->idw(suffix);
// Если идентификатор получен
if(idw > 0) this->suffix.emplace(idw);
}
}
}
}
/**
* getAbbrs Метод извлечения списка аббревиатур
* @return список аббревиатур
*/
const set <size_t> & anyks::Tokenizer::getAbbrs() const noexcept {
// Выводим список аббревиатур
return this->abbrs;
}
/**
* getSuffixes Метод извлечения списка суффиксов цифровых аббревиатур
* @return список цифровых аббревиатур
*/
const set <size_t> & anyks::Tokenizer::getSuffixes() const noexcept {
// Выводим список суффиксов цифровых аббревиатур
return this->suffix;
}
/**
* fti Метод удаления дробной части числа
* @param num число для обработки
* @param count количество символов после запятой
* @return число без дробной части
*/
const size_t anyks::Tokenizer::fti(const double num, const u_short count) const noexcept {
// Результат работы функции
size_t result = 0;
// Если число больше 0
if(num > 0.0){
// Если количество знаков после запятой не нулевой
if(count > 0) result = (num * pow(10, floor(count)));
// Если размер не указан
else {
// Определяем количество знаков после запятой
u_short count = 0;
// Расчёт текущего числа
size_t number = 0;
// Получаем текущее число
const double tmp = fmod(num, 1);
// Выполняем перебор чисел после запятой до нулей
for(size_t i = 10;; i *= 10){
// Выполняем смещение по числам после запятой
number = ((size_t) (tmp * i) % 10);
// Если число является нулём, выходим
if((number <= 0) || (count >= 9)) break;
// Считаем количество чисел после запятой
else count++;
}
// Выполняем основной расчёт
result = (num * (count > 0 ? pow(10, floor(count)) : pow(10, floor(log10(num)))));
}
}
// Выводим результат
return result;
}
/**
* abbrEmpty Метод проверки на существование буквенных аббревиатур
* @return результат проверки
*/
const bool anyks::Tokenizer::abbrEmpty() const noexcept {
// Выводим результат проверки
return this->abbrs.empty();
}
/**
* suffixEmpty Метод проверки на существование суффиксов цифровых аббревиатур
* @return результат проверки
*/
const bool anyks::Tokenizer::suffixEmpty() const noexcept {
// Выводим результат проверки
return this->suffix.empty();
}
/**
* isToken Метод проверки идентификатора на токен
* @param idw идентификатор слова для проверки
* @return результат проверки
*/
const bool anyks::Tokenizer::isToken(const size_t idw) const noexcept {
// Выводим результат првоерки
return (idw < size_t(token_t::endtoken));
}
/**
* isIdWord Метод проверки на соответствие идентификатора слову
* @param idw идентификатор слова для проверки
* @return результат проверки идентификатора
*/
const bool anyks::Tokenizer::isIdWord(const size_t idw) const noexcept {
// Результат работы функции
bool result = false;
// Если токен передан и он валиден
if((idw > 0) && (idw != idw_t::NIDW)){
// Выполняем проверку, является ли токен - нормальным словом
result = !this->isToken(idw);
// Если это системный токен
if(!result){
// Получаем идентификатор системного токена
const token_t idt = (token_t) idw;
// Проверяем, является ли токен разрешённым
result = (
(idt == token_t::num) ||
(idt == token_t::url) ||
(idt == token_t::unk) ||
(idt == token_t::abbr) ||
(idt == token_t::date) ||
(idt == token_t::time) ||
(idt == token_t::anum) ||
(idt == token_t::rnum) ||
(idt == token_t::greek) ||
(idt == token_t::specl) ||
(idt == token_t::aprox) ||
(idt == token_t::range) ||
(idt == token_t::score) ||
(idt == token_t::dimen) ||
(idt == token_t::fract) ||
(idt == token_t::currency)
);
}
}
// Выводим результат проверки
return result;
}
/**
* isAbbr Метод проверки слова на соответствие аббревиатуры
* @param idw идентификатор слова для проверки
* @return результат проверки
*/
const bool anyks::Tokenizer::isAbbr(const size_t idw) const noexcept {
// Результат работы функции
bool result = false;
// Если слово передано
if((idw > 0) && (idw != idw_t::NIDW) && !this->abbrs.empty()){
// Выполняем проверку сущестования аббревиатуры
result = (this->abbrs.count(idw) > 0);
}
// Выводим результат
return result;
}
/**
* isAbbr Метод проверки слова на соответствие аббревиатуры
* @param word слово для проверки
* @return результат проверки
*/
const bool anyks::Tokenizer::isAbbr(const wstring & word) const noexcept {
// Результат работы функции
bool result = false;
// Если слово передано
if(!word.empty()){
// Если - это сборка данных, детектируем аббревиатуры только через модуль алфавита
if(this->isOption(options_t::collect)) result = this->alphabet->isAbbr(word);
// Иначе выполняем детектирование аббревиатуры на основе собранных данных
else {
// Если проверка пройедна
if(this->alphabet->isNumber(wstring(1, word.front())) && !this->alphabet->isNumber(wstring(1, word.back()))){
// Если список суффиксов цифровых аббревиатур передан
if(!this->suffix.empty()){
// Выполняем поиск дефиса
const size_t pos = word.rfind(L'-');
// Если дефис найден
if((pos != wstring::npos) && this->alphabet->isNumber(word.substr(0, pos))){
// Получаем идентификатор слова
const size_t idw = this->idw(word.substr(pos + 1));
// Если идентификатор получен
if(idw > 0) result = (this->suffix.count(idw) > 0);
}
// Иначе проверяем на аббревиатуру с помощью алфавита
} else result = this->alphabet->isAbbr(word);
// Если список буквенных аббревиатур передан
} else if(!this->abbrs.empty()){
// Идентификатор слова
size_t idw = idw_t::NIDW;
// Если последний символ является точкой
if(word.back() == L'.'){
// Получаем слово для провеки
const wstring tmp(word.begin(), word.end() - 1);
// Получаем идентификатор слова
idw = this->idw(tmp);
// Если точка в слове не найдена
} else idw = this->idw(word);
// Выполняем проверку сущестования аббревиатуры
result = (this->abbrs.count(idw) > 0);
// Если аббревиатура не найдена, проверяем слово по словарю
if(!result) result = this->alphabet->isAbbr(word);
// Иначе проверяем на аббревиатуру с помощью алфавита
} else result = this->alphabet->isAbbr(word);
}
}
// Выводим результат
return result;
}
/**
* isSuffix Метод проверки слова на суффикс цифровой аббревиатуры
* @param word слово для проверки
* @return результат проверки
*/
const bool anyks::Tokenizer::isSuffix(const wstring & word) const noexcept {
// Результат работы функции
bool result = false;
// Если слово передано
if(!word.empty() && !this->suffix.empty()){
// Если проверка пройедна
if(this->alphabet->isNumber(wstring(1, word.front())) && !this->alphabet->isNumber(wstring(1, word.back()))){
// Выполняем поиск дефиса
const size_t pos = word.rfind(L'-');
// Если дефис найден
if((pos != wstring::npos) && this->alphabet->isNumber(word.substr(0, pos))){
// Получаем идентификатор слова
const size_t idw = this->idw(word.substr(pos + 1));
// Если идентификатор получен
if(idw > 0) result = (this->suffix.count(idw) > 0);
}
}
}
// Выводим результат
return result;
}
/**
* idt Метод извлечения идентификатора токена
* @param word слово для получения идентификатора
* @return идентификатор токена
*/
const anyks::token_t anyks::Tokenizer::idt(const wstring & word) const noexcept {
// Результат работы функции
token_t result = token_t::null;
// Если слово передано
if(!word.empty()){
// Длина переданного слова
const size_t size = word.size();
// Переводим слово в нижний регистр
const wstring & wrd = this->alphabet->toLower(word);
// Если это не одна буква
if(size > 1){
// Значение текущей буквы
wchar_t letter = 0;
// Получаем первый символ слова
const wchar_t first = wrd.front();
// Получаем последний символ слова
const wchar_t second = wrd.back();
// Проверяем является ли первый символ числом
const bool frontNum = this->alphabet->isNumber(wstring(1, first));
// Определяем является ли последний символ числом
const bool backNum = this->alphabet->isNumber(wstring(1, second));
// Если первый символ не является числом а второй является (+42, +22.84, -12, -15.64, -18,22, ~25, ~845.53, ~12,46, ±43, ±44.22)
if(!frontNum && backNum){
// Проверяем является ли первый символ (-/+ или ~)
if((first == L'-') || (first == L'−') || (first == L'~') || (first == L'∼') || (first == L'+') || (first == L'±')){
// Получаем оставшуюся часть слова
const wstring & tmp = wrd.substr(1);
// Проверяем оставшуюся часть слова является числом
if(this->alphabet->isNumber(tmp) || this->alphabet->isDecimal(tmp)){
// Определяем тип токена
switch(first){
// Это положительно-отрицательное число
case L'±':
// Это положительное число
case L'+':
// Это отрицательное число
case L'-':
// Это отрицательное число
case L'−': result = token_t::num; break;
// Это приблизительное число
case L'~':
// Это приблизительное число
case L'∼': result = token_t::aprox; break;
}
// Сообщаем что это псевдо-число
} else result = token_t::anum;
// Если слово не идентифицируемо, проверяем является ли оно url-адресом
} else if(this->alphabet->isUrl(wrd)) result = token_t::url;
// Если это не отрицательное и не приблизительное число (Дом-2)
else {
// Ищем дефис в конце слова
size_t pos = wrd.rfind(L'-');
// Если дефис не найден и не найдено завершение слова в виде числа
if((pos == wstring::npos) || !this->alphabet->isNumber(wrd.substr(pos + 1))){
// Сообщаем что это псевдо-число
result = token_t::anum;
}
}
// Если первый символ является числом а последний нет (2-й, 13-летний, 12$, 30°)
} else if(frontNum && !backNum) {
// Проверяем является ли первый символ числом со значением
if((second == L'°') || (second == L'%') || (second == L'¹') || (second == L'²') ||
(second == L'³') || (second == L'½') || (second == L'⅓') || (second == L'¼') || (second == L'¾')){
// Получаем оставшуюся часть слова
const wstring & tmp = wrd.substr(0, wrd.length() - 1);
// Проверяем оставшуюся часть слова является числом
if(this->alphabet->isNumber(tmp) || this->alphabet->isDecimal(tmp))
// Запоминаем, что это число
result = token_t::num;
// Сообщаем что это псевдо-число
else result = token_t::anum;
// Если последний символ, является символом валюты
} else if(this->alphabet->isCurrency(second)) {
// Получаем оставшуюся часть слова
const wstring & tmp = wrd.substr(0, wrd.length() - 1);
// Проверяем оставшуюся часть слова является числом
if(this->alphabet->isNumber(tmp) || this->alphabet->isDecimal(tmp))
// Запоминаем, что это мировая валюта
result = token_t::currency;
// Сообщаем что это псевдо-число
else result = token_t::anum;
// Если это аббревиатура, запоминаем тип токена
} else if(this->isAbbr(wrd))
// Запоминаем что это аббревиатура
result = token_t::abbr;
// Если слово не идентифицируемо, проверяем является ли оно url-адресом
else if(this->alphabet->isUrl(wrd)) result = token_t::url;
// Иначе - это просто, псевдо-число
else result = token_t::anum;
// Если оба символа являются числом (5353, 5353.243, 3:4, 18:00, 18:00:01, 18.02.2012, 18/02/2012, 2/3, 3х10, 3~4)
} else if(frontNum && backNum) {
// Если это число
if(this->alphabet->isNumber(wrd)) result = token_t::num;
// Если это псевдо-число
else {
// Разделитель слова найден
bool delim = false;
// Запоминаем что это псевдо-число
result = token_t::anum;
// Переходим по всем символам слова
for(size_t i = 0; i < size; i++){
// Получаем значение текущей буквы
letter = wrd.at(i);
// Если плавающая точка найдена
if((letter == L'.') || (letter == L',') || (letter == L':') || (letter == L'/') || (letter == L'x') ||
(letter == L'х') || (letter == L'×') || (letter == L'~') || (letter == L'∼') || (letter == L'-') || (letter == L'−')){
// Проверяем правые и левую части
delim = (this->alphabet->isNumber(wrd.substr(0, i)) && this->alphabet->isNumber(wrd.substr(i + 1)));
// Если число собрано
if(delim){
// Определяем тип разделителя
switch(letter){
case L',':
case L'.': result = token_t::num; break;
case L'~':
case L'∼': result = token_t::aprox; break;
case L'-':
case L'−': result = token_t::range; break;
case L'/': result = token_t::fract; break;
case L'x':
case L'х':
case L'×': result = token_t::dimen; break;
case L':': result = token_t::score; break;
}
// Если число не собрано а являетс временем или датой
} else if((letter == L':') || (letter == L'.') || (letter == L'/')) {
// Список элементов слова
vector <wstring> words;
// Выполняем разбивку на составляющие
this->alphabet->split(wrd, {letter}, words);
// Если список разбит правильно
if(words.size() == 3){
// Переходим по всему списку слова
for(auto & word : words){
// Если слово не является числом
if(!this->alphabet->isNumber(word)) return token_t::null;
}
// Определяем тип разделителя
switch(letter){
case L'/':
case L'.': result = token_t::date; break;
case L':': result = token_t::time; break;
}
// Если это точка, количество элементов в списке 4, предполагаем что это ip адрес
} else if((letter == L'.') && (words.size() == 4)) result = token_t::null;
}
// Выходим из цикла
break;
}
}
// Если слово не идентифицируемо, проверяем является ли оно url-адресом
if((result == token_t::null) && this->alphabet->isUrl(wrd)) result = token_t::url;
}
// Если это вообще не число, проверяем может это римское число
} else if(!frontNum && !backNum) {
// Проверяем является ли первый символ (-/+ или ~)
if((wrd.length() > 2) && ((first == L'-') || (first == L'−') || (first == L'~') || (first == L'∼') || (first == L'+') || (first == L'±'))){
// Проверяем является ли первый символ числом со значением
if((second == L'°') || (second == L'%') || (second == L'¹') || (second == L'²') ||
(second == L'³') || (second == L'½') || (second == L'⅓') || (second == L'¼') || (second == L'¾')){
// Получаем оставшуюся часть слова
const wstring & tmp = wrd.substr(1, wrd.length() - 2);
// Проверяем оставшуюся часть слова является числом
if(this->alphabet->isNumber(tmp) || this->alphabet->isDecimal(tmp))
// Запоминаем, что это число
result = token_t::num;
// Сообщаем что это псевдо-число
else result = token_t::anum;
// Если последний символ, является символом валюты
} else if(this->alphabet->isCurrency(second)) {
// Получаем оставшуюся часть слова
const wstring & tmp = wrd.substr(1, wrd.length() - 2);
// Проверяем оставшуюся часть слова является числом
if(this->alphabet->isNumber(tmp) || this->alphabet->isDecimal(tmp))
// Запоминаем, что это мировая валюта
result = token_t::currency;
// Сообщаем что это псевдо-число
else result = token_t::anum;
// Сообщаем что это псевдо-число
} else result = token_t::anum;
// Если - это обычное слово, проверяем его
} else {
// Если - это аббревиатура
if(this->isAbbr(wrd)) result = token_t::abbr;
// Проверяем, является ли слово url-адресом
else if(this->alphabet->isUrl(wrd)) result = token_t::url;
// Определяем является ли слово, псевдо-числом
else if(this->alphabet->isANumber(wrd)) result = token_t::anum;
// Запоминаем что это число
else if(this->alphabet->roman2Arabic(wrd) > 0) result = token_t::num;
}
}
// Если это число то выводим токен числа
} else if(this->alphabet->isNumber(wrd)) result = token_t::num;
// Если это математический символ
else if(this->alphabet->isMath(wrd.front())) result = token_t::math;
// Если это символ знака пунктуации
else if(this->alphabet->isPunct(wrd.front())) result = token_t::punct;
// Если это символ греческого алфавита
else if(this->alphabet->isGreek(wrd.front())) result = token_t::greek;
// Если это символ направления (стрелка)
else if(this->alphabet->isRoute(wrd.front())) result = token_t::route;
// Если это спец-символ
else if(this->alphabet->isSpecial(wrd.front())) result = token_t::specl;
// Если это символ изоляции
else if(this->alphabet->isIsolation(wrd.front())) result = token_t::isolat;
// Если это символ игральных карт
else if(this->alphabet->isPlayCards(wrd.front())) result = token_t::pcards;
// Если это символ мировой валюты
else if(this->alphabet->isCurrency(wrd.front())) result = token_t::currency;
// Если слово не идентифицируемо и не разрешено, устанавливаем неизвестное слово
if((result == token_t::null) && (!this->alphabet->isAllowed(wrd) && !this->alphabet->isLatian(wrd))) result = token_t::unk;
}
// Выводим результат
return result;
}
/**
* idw Метод извлечения идентификатора слова
* @param word слово для получения идентификатора
* @return идентификатор слова
*/
const size_t anyks::Tokenizer::idw(const wstring & word) const noexcept {
// Формируем идентификатор слова
return this->wrdId.get(word);
}
/**
* ids Метод извлечения идентификатора последовательности
* @param seq последовательность для получения идентификатора
* @return идентификатор последовательности
*/
const size_t anyks::Tokenizer::ids(const vector <size_t> & seq) const noexcept {
// Формируем идентификатор последовательности
return this->wrdId.get(seq);
}
/**
* readline Метод извлечения строки из текста
* @param is файловый поток для чтения данных
* @param str строка для извлечения текста
* @return файловый поток с текущий позиции
*/
istream & anyks::Tokenizer::readline(istream & is, string & str) const noexcept {
// Очищаем строку
str.clear();
// Создаем сторожа файлового потока
istream::sentry se(is, true);
// Создаем буфер чтения данных
streambuf * sb = is.rdbuf();
// Выполняем перебор всех входящих данных
while(true){
// Считываем символ из строки
char c = sb->sbumpc();
// Определяем тип символа
switch(c){
// Если это символ переноса строки
case '\n': return is;
// Если это символ возврата каретки
case '\r': {
// Проверяем следующий символ, если это перенос каретки, выходим
if(sb->sgetc() == '\n') sb->sbumpc();
// Выводим позицию файлового потока
return is;
}
// Если это символ завершения файла
case streambuf::traits_type::eof(): {
// Если это конец, файла устанавливаем символ конца строки
if(str.empty()) is.setstate(ios::eofbit);
// Выводим позицию файлового потока
return is;
}
// Если это любой другой символ, собираем строку
default: str += c;
}
}
}
/**
* restore Метод восстановления текста из контекста
* @param context токенизированный контекст
* @return результирующий текст
*/
const string anyks::Tokenizer::restore(const vector <string> & context) const noexcept {
// Результат работы функции
string result = "";
// Если контекст передан
if(!context.empty() && (this->alphabet != nullptr)){
// Собранный текст
wstring text = L"";
// Стек типов собранного контекста
stack <type_t> types;
// Получаем количество слов в контексте
const size_t count = context.size();
// Переходим по всем токенам
for(size_t i = 0; i < count; ++i){
// Выполняем формирование контекста
this->restore(this->alphabet->convert(context[i]), ((i + 1) < count ? this->alphabet->convert(context[i + 1]) : L""), text, types);
}
// Устанавливаем регистр у первой буквы в тексте
if(this->isOption(options_t::uppers)) text.front() = this->alphabet->toUpper(text.front());
// Формируем результат
result = this->alphabet->convert(text);
}
// Выводим результат
return result;
}
/**
* restore Метод восстановления текста из контекста
* @param context токенизированный контекст
* @return результирующий текст
*/
const wstring anyks::Tokenizer::restore(const vector <wstring> & context) const noexcept {
// Результат работы функции
wstring result = L"";
// Если контекст передан
if(!context.empty() && (this->alphabet != nullptr)){
// Стек типов собранного контекста
stack <type_t> types;
// Получаем количество слов в контексте
const size_t count = context.size();
// Переходим по всем токенам
for(size_t i = 0; i < count; ++i){
// Выполняем формирование контекста
this->restore(context[i], ((i + 1) < count ? context[i + 1] : L""), result, types);
}
// Устанавливаем регистр у первой буквы в тексте
if(this->isOption(options_t::uppers)) result.front() = this->alphabet->toUpper(result.front());
}
// Выводим результат
return result;
}
/**
* clear Метод очистки собранных данных
*/
void anyks::Tokenizer::clear() noexcept {
// Очищаем список аббревиатур
this->abbrs.clear();
// Очищаем список суффиксов цифровых аббревиатур
this->suffix.clear();
}
/**
* update Метод обновления параметров
*/
void anyks::Tokenizer::update() noexcept {
// Устанавливаем алфавит и смещение в 23 позиций (количество системных токенов arpa)
this->wrdId.set(this->alphabet, u_short(token_t::endtoken));
}
/**
* setExternal Метод установки внешней функции токенизатора
* @param fn внешняя функция токенизатора
*/
void anyks::Tokenizer::setExternal(tokenz_t fn) noexcept {
// Устанавливаем функцию внешнего токенизатора
this->extFn = fn;
}
/**
* jsonToText Метод преобразования текста в формате json в текст
* @param text текст для преобразования в формате json
* @param callback функция обратного вызова, на каждой итерации
*/
void anyks::Tokenizer::jsonToText(const string & text, function <void (const string &)> callback) const noexcept {
// Если текст передан, и текст не больше 100Mb в одну строку
if(!text.empty() && (this->alphabet != nullptr)){
try {
// Получаем данные в виде json
json obj = json::parse(text);
// Если это массив
if(obj.is_array()){
// Слово в контексте
string word = "";
// Список полученных слов
vector <string> context;
// Переходим по всем элементам объекта
for(auto & item : obj.items()){
// Если значение является массивом
if(item.value().is_array()){
// Переходим по всем словам контекста
for(auto & elem : item.value().items()){
// Если это строка
if(elem.value().is_string()) elem.value().get_to(word);
// Если слово получено, добавляем в контекст
if(!word.empty()) context.push_back(word);
}
// Если список токенов получен
if(!context.empty()) callback(this->restore(context));
}
// Очищаем полученный контекст
context.clear();
}
}
// Если возникает ошибка, ничего не делаем
} catch(const exception & e) {}
}
}
/**
* textToJson Метод преобразования текста в json
* @param text текст для преобразования
* @param callback функция обратного вызова, на каждой итерации
*/
void anyks::Tokenizer::textToJson(const string & text, function <void (const string &)> callback) const noexcept {
// Если текст передан, и текст не больше 100Mb в одну строку
if(!text.empty() && (text.size() <= MAX_STRING_BYTES) && (this->alphabet != nullptr)){
// Формируем результат
vector <string> tokens;
// Результирующий объект
vector <vector <string>> result;
// Выполняем разбивку на токенизацию
this->run(text, [&result, &tokens, this](const wstring & word, const vector <string> & context, const bool reset, const bool end) noexcept {
// Если это сброс контекста
if(reset || end){
// Формируем новый список токенов
if((!reset && end) && !word.empty()){
// Дополняем список токенов
tokens.push_back(this->alphabet->convert(word));
}
// Если список токенов получен
if(!tokens.empty()){
// Формируем строку результата
result.push_back(tokens);
// Очищаем список токенов
tokens.clear();