Return to cdliSplitter.py CVS log

Up to [Repository] / cdli

Annotation of cdli/cdliSplitter.py, revision 1.7.2.3

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]
1.7.2.3 ! casties    65:                         logging.debug("%s processing: %s"%(self.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: