Return to cdliSplitter.py CVS log

Up to [Repository] / cdli

Annotation of cdli/cdliSplitter.py, revision 1.7.2.2

1.1       dwinter     1: """
1.7.2.2 ! casties     2: CDLI word and grapheme splitter
1.1       dwinter     3: """
                      4: 
                      5: from Products.ZCTextIndex.PipelineFactory import element_factory
                      6: 
                      7: import re
1.5       dwinter     8: import logging
1.1       dwinter     9: 
                     10: def getSupportedEncoding(encodings):
                     11:     for encoding in encodings:
                     12:         try:
                     13:             unicode('A', encoding)
                     14:             return encoding
                     15:         except:
                     16:             pass
                     17:     return 'utf-8'
                     18: 
                     19: 
                     20: 
                     21: """beta of a fulltext splitter for cdli
                     22: 
                     23: """
1.7       casties    24: ignoreLines=['$','@','#','&','>']
1.1       dwinter    25: separators=['']
1.7.2.2 ! casties    26: # kommas relevant for graphemes will not be deleted
        !            27: komma_exception="([^sStThH])," 
        !            28: # grapheme boundaries
        !            29: graphemeBounds="\{|\}|<|>|\(|\)|-|_|\#|,|\||\]|\[|\!|\?"
        !            30: # for words 
        !            31: wordBounds="<|>|\(|\)|_|\#|,|\||\]|\[|\!|\?"
        !            32: 
1.5       dwinter    33:            
                     34: class cdliSplitter:
1.7.2.2 ! casties    35:     """base class for splitter. 
        !            36:     the difference between word and grapheme splitter 
        !            37:     is the word boundary list."""
1.5       dwinter    38:     
1.1       dwinter    39:     default_encoding = "utf-8"
1.7.2.2 ! casties    40:     bounds=graphemeBounds
1.5       dwinter    41:     indexName="cdliSplitter"
                     42:     
1.2       dwinter    43:     
1.1       dwinter    44:     def process(self, lst):
1.7.2.2 ! casties    45:         """gets a list of strings and returns a list of words"""
        !            46:         
1.7.2.1   casties    47:         logging.debug("cdliSplitter") 
1.1       dwinter    48:         result = []
1.2       dwinter    49:         pNum=None
                     50:         lineNum=None
1.5       dwinter    51:     
1.1       dwinter    52:         for t in lst:
1.7.2.2 ! casties    53:             # normalise line breaks
        !            54:             t.replace("\r","\n")
        !            55:             # split lines
        !            56:             for s in t.split("\n"):
        !            57:                 if isinstance(s, str): 
        !            58:                     # not unicode
        !            59:                     s = unicode(s, self.default_encoding, 'replace')
        !            60:          
        !            61:                 if (s!=''):
        !            62:                     if s[0]=='&': 
        !            63:                         # store pNum
        !            64:                         pNum=s[1:8]
        !            65:                         logging.debug("%s processing: %s"%(indexName,pNum))
1.5       dwinter    66:                         
1.7.2.2 ! casties    67:                     elif not (s[0] in ignoreLines):
        !            68:                         # regular line
        !            69:                         lineparts=s.split(".")
        !            70:                         if len(lineparts)==1: 
        !            71:                             # no line number
        !            72:                             txt=s
        !            73:                         else:
        !            74:                             #store line number
        !            75:                             txt=lineparts[1]
        !            76:                             lineNum=lineparts[0] 
        !            77:                             
        !            78:                         # delete kommata except kommata relevant for graphemes
        !            79:                         txt = re.sub(komma_exception,r"\1",txt)
        !            80:                         # replace word boundaries by spaces
        !            81:                         txt = re.sub(self.bounds,' ',txt)
        !            82:                         # split words
        !            83:                         words = txt.split(" ")
        !            84:                         for w in words:
        !            85:                             w=w.strip()
        !            86:                             if not (w==''):
        !            87:                                 result.append(w)
        !            88: 
1.5       dwinter    89:         return result
1.2       dwinter    90: 
                     91: 
1.5       dwinter    92: class graphemeSplitter(cdliSplitter):
1.7.2.2 ! casties    93:     bounds=graphemeBounds
1.5       dwinter    94:     indexName="graphemeSplitter"
                     95:     
                     96: class wordSplitter(cdliSplitter):
1.7.2.2 ! casties    97:     bounds=wordBounds
1.5       dwinter    98:     indexName="wordSplitter"
                     99:       
                    100: try:
                    101:     element_factory.registerFactory('Word Splitter',
                    102:           'CDLI grapheme splitter', graphemeSplitter)
                    103: except:
                    104:     # in case the splitter is already registered, ValueError is raised
                    105:     pass
1.2       dwinter   106: 
1.5       dwinter   107: try:
                    108:     element_factory.registerFactory('Word Splitter',
                    109:           'CDLI word splitter', wordSplitter)
                    110: except:
                    111:     # in case the splitter is already registered, ValueError is raised
                    112:     pass
1.1       dwinter   113: