-
Notifications
You must be signed in to change notification settings - Fork 33
/
syntagrus.py
executable file
·250 lines (222 loc) · 6.39 KB
/
syntagrus.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
#!/usr/bin/env python3
'''
Created on Nov 21, 2011
@author: alexpak
'''
import os
import sqlite3
import xml.parsers.expat
import glob
from optparse import OptionParser
from collections import namedtuple
word_t = namedtuple('word_t', ['lemma', 'pos', 'feat', 'id', 'dom', 'link'])
feat_ru_en = {
'ЕД': 'sg',
'МН': 'pl',
'ЖЕН': 'f',
'МУЖ': 'm',
'СРЕД': 'n',
'ИМ': 'nom',
'РОД': 'gen',
'ДАТ': 'dat',
'ВИН': 'acc',
'ТВОР': 'ins',
'ПР': 'prep',
'ПАРТ': 'gen2',
'МЕСТН': 'loc',
'ОД': 'anim',
'НЕОД': 'inan',
'ИНФ': 'inf',
'ПРИЧ': 'adjp',
'ДЕЕПР': 'advp',
'ПРОШ': 'pst',
'НЕПРОШ': 'npst',
'НАСТ': 'prs',
'1-Л': '1p',
'2-Л': '2p',
'3-Л': '3p',
'ИЗЪЯВ': 'real',
'ПОВ': 'imp',
'КР': 'shrt',
'НЕСОВ': 'imperf',
'СОВ': 'perf',
'СТРАД': 'pass',
'СЛ': 'compl',
'СМЯГ': 'soft',
'СРАВ': 'comp',
'ПРЕВ': 'supl',
}
link_ru_en = {
'предик': 'subj',
'1-компл': 'obj',
'2-компл': 'obj',
'3-компл': 'obj',
'4-компл': 'obj',
'5-компл': 'obj',
'опред': 'amod',
'предл': 'prep',
'обст': 'pobj',
}
{
'огранич': '',
'квазиагент': '',
'сочин': '',
'соч-союзн': '',
'атриб': '',
'аппоз': '',
'подч-союзн': '',
'вводн': '',
'сент-соч': '',
'количест': '',
'разъяснит': '',
'присвяз': '',
'релят': '',
'сравн-союзн': '',
'примыкат': '',
'сравнит': '',
'соотнос': '',
'эксплет': '',
'аналит': '',
'пасс-анал': '',
'вспом': '',
'агент': '',
'кратн': '',
'инф-союзн': '',
'электив': '',
'композ': '',
'колич-огран': '',
'неакт-компл': '',
'пролепт': '',
'суб-копр': '',
'дат-субъект': '',
'длительн': '',
'об-аппоз': '',
'изъясн': '',
'компл-аппоз': '',
'оп-опред': '',
'1-несобст-компл': '',
'распред': '',
'уточн': '',
'нум-аппоз': '',
'ном-аппоз': '',
'2-несобст-компл': '',
'аппрокс-колич': '',
'колич-вспом': '',
'колич-копред': '',
'кратно-длительн': '',
'об-копр': '',
'эллипт': '',
'3-несобст-компл': '',
'4-несобст-компл': '',
'fictit': '',
'авт-аппоз': '',
'аддит': '',
'адр-присв': '',
'дистанц': '',
'несобст-агент': '',
'об-обст': '',
'обст-тавт': '',
'презентат': '',
'сент-предик': '',
'суб-обст': '',
}
class Reader:
def __init__(self):
self._parser = xml.parsers.expat.ParserCreate()
self._parser.StartElementHandler = self.start_element
self._parser.EndElementHandler = self.end_element
self._parser.CharacterDataHandler = self.char_data
def start_element(self, name, attr):
if name == 'W':
features = attr['FEAT'].split(' ') if 'FEAT' in attr else ['UNK']
for i in range(0, len(features)):
if features[i] in feat_ru_en:
features[i] = feat_ru_en[features[i]]
lemma = lemma=attr['LEMMA'].lower() if 'LEMMA' in attr else ''
link = attr['LINK'] if 'LINK' in attr else None
# if link in link_ru_en:
# link = link_ru_en[link]
dom = int(attr['DOM']) if attr['DOM'] != '_root' else 0
pos = features[0]
feat = set(features[1:])
if 'adjp' in feat:
pos = 'VADJ'
feat -= {'adjp'}
if 'advp' in feat:
pos = 'VADV'
feat -= {'advp'}
if 'inf' in feat:
pos = 'VINF'
feat -= {'inf'}
self._info = word_t(lemma=lemma, pos=pos, feat=feat, id=int(attr['ID']), dom=dom, link=link)
self._cdata = ''
def end_element(self, name):
if name == 'S':
self._sentences.append(self._sentence)
self._sentence = []
elif name == 'W':
self._sentence.append((self._cdata, self._info))
self._cdata = ''
def char_data(self, content):
self._cdata += content
def read(self, filename):
f = open(filename, encoding='windows-1251')
content = f.read()
f.close()
content = content.replace('encoding="windows-1251"', 'encoding="utf-8"')
self._sentences = []
self._sentence = []
self._cdata = ''
self._info = ''
self._parser.Parse(content)
return self._sentences
class Lexicon:
def __init__(self, dbname):
self.dbname = dbname
db_exists = os.path.isfile(dbname)
self.con = sqlite3.connect(dbname)
self.cur = self.con.cursor()
if not db_exists:
self.create_db()
def create_db(self):
sql = '''
create table words(
id integer primary key autoincrement,
lemma text,
pos text,
form text,
info text,
freq integer
);
create index words_lemma_form_info on words(lemma, form, info);
'''
[self.cur.execute(st) for st in sql.split(';') if len(st.strip())]
def index(self, filename):
sentences = Reader().read(filename)
for sentence in sentences:
for word in sentence:
feat = ' '.join(word[1].feat)
self.cur.execute('select id from words where lemma = ? and form = ? and pos = ? and info = ?', (word[1].lemma, word[0], word[1].pos, feat))
row = self.cur.fetchone()
if row is None:
self.cur.execute('insert into words (lemma, pos, form, info, freq) values (?, ?, ?, ?, 1)', (word[1].lemma, word[1].pos, word[0], feat))
else:
self.cur.execute('update words set freq = freq + 1 where id = ?', row)
def close(self):
self.con.commit()
self.con.close()
if __name__ == '__main__':
parser = OptionParser()
parser.usage = '%prog [options] inputfile'
parser.add_option('-L', '--construct-lexicon', action = 'store_const', const = True , dest = 'lexicon', help = 'construct lexicon')
(options, args) = parser.parse_args()
if options.lexicon:
L = Lexicon('tmp/lexicon')
files = glob.glob('res/*/*/*.tgt')
for file in files:
L.index(file)
L.close()
#R = Reader()
#sentences = R.read(args[0])
#print(len(sentences))
#print(sentences[0])