-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathparse_utils.py
195 lines (173 loc) · 5.59 KB
/
parse_utils.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
from fix_typos import fix_typos
import re
def comment_to_tokens(comment):
tokens = []
lines = comment.split('\n')
for line in lines:
line = line.strip()
if line:
line = line.lower()
line = fix_typos(line)
line_tokens = str_to_tokens(line)
if line_tokens:
tokens.extend(line_tokens)
tokens.append('<eol>')
if tokens and tokens[-1] != '<eoc>':
tokens.append('<eoc>')
return tokens
def str_to_tokens(s):
tokens = []
for token in s.split(' '):
process_token(token, tokens)
return tokens
def process_token(token, tokens):
token = token.strip()
if not token:
return False
token = token.strip()
if not token:
return False
if not re.search('[a-zа-яё0-9\-_–:()^=>$/]', token):
return False
if re.match('>+.', token):
tokens.append('>')
return process_token(re.sub('^>+', '', token), tokens)
if re.fullmatch('[a-fole0-9]{32,}', token):
return False
if re.fullmatch('[a-z0-9.\-]+@[a-z0-9.\-]+', token):
tokens.append('ti.hui@i.pidor.com')
return True
if token.startswith('chrome://flags'):
tokens.append(token)
return True
if re.fullmatch('(https?://)?[a-z0-9.\-]+\.(com|net|ru|onion|org)/?[a-zа-яё0-9:/\-.?=_#$%]+', token):
tokens.append(token)
return True
if re.fullmatch('т\.[еодп]\.?', token):
tokens.append(re.sub('\.?$', '.', token))
return True
if re.fullmatch('.*?[0-9]*т\.р\.?', token):
if re.search('[0-9]', token):
tokens.append('<n>т.р.')
else:
tokens.append('т.р.')
return True
if token == '9000':
tokens.append(token)
return True
if re.fullmatch('[0-9][\-+.0-9]*', token):
tokens.append('<n>')
return True
if re.match('[0-9][\-+.0-9]*[\-/$]*[a-zа-яё]+', token):
tokens.append('<n>')
sts = re.sub('^[\-+.0-9]*[0-9](-?)(\$?)(/?)', '\\1 \\2 \\3 ', token).split(' ')
for st in sts:
process_token(st, tokens)
return True
if token == '(нет)':
tokens.append(token)
return True
if re.fullmatch('.*?:\)+', token):
process_token(re.sub(':\)+$', '', token), tokens)
tokens.append(':)')
return True
if re.fullmatch('.*?:\(+', token):
process_token(re.sub(':\(+$', '', token), tokens)
tokens.append(':(')
return True
if re.fullmatch('.*?:d+', token):
process_token(re.sub(':d+$', '', token), tokens)
tokens.append(':d')
return True
if re.fullmatch('.*?xd+', token):
process_token(re.sub('xd+$', '', token), tokens)
tokens.append('xd')
return True
if re.fullmatch('.*?:[3з]', token):
process_token(re.sub(':[3з]+$', '', token), tokens)
tokens.append(':3')
return True
if re.fullmatch('.*?\^_\^', token):
process_token(re.sub('\^_\^+$', '', token), tokens)
tokens.append('^_^')
return True
if re.fullmatch('[a-zа-яё]+', token):
tokens.append(token)
return True
if re.fullmatch('.*?\)+0+[)0]*', token):
process_token(re.sub('\)+0+[)0]*$', '', token), tokens)
tokens.append('))0')
return True
if re.fullmatch('.*?\(+9+[(9]*', token):
process_token(re.sub('\(+9+[(9]*$', '', token), tokens)
tokens.append('((9')
return True
if re.fullmatch('.*?!*1+[!1]+', token):
process_token(re.sub('!*1+[!1]+$', '', token), tokens)
tokens.append('!!11')
return True
if re.fullmatch('.*?([a-zа-яё])1{3,}', token):
process_token(re.sub('1{3,}$', '', token), tokens)
tokens.append('111')
return True
if re.fullmatch('.*?((\?+)?(!+\?+)+)', token):
process_token(re.sub('(\?+)?(!+\?+)+$', '', token), tokens)
tokens.append('!?')
return True
if re.fullmatch('[a-zа-яё0-9]+', token):
tokens.append(token)
return True
if re.search('-+>+', token):
sts = re.split('-+>+', token)
for i, st in enumerate(sts):
process_token(st, tokens)
if i < len(sts) - 1:
tokens.append('->')
return True
token = re.sub('-{2,}', '–', token)
for char in ['.', ',', '!', '?', '(', ')', '-', '_', '+']:
if re.fullmatch('.*?' + re.escape(char) + '{2,}', token):
process_token(re.sub(re.escape(char) + '{2,}$', '', token), tokens)
tokens.append(char * 3)
return True
for char in ['.', ',', '!', '?', '(', ')', '-', '_', '+']:
if re.fullmatch(re.escape(char) + '{2,}.*?', token):
tokens.append(char * 3)
return process_token(re.sub('^' + re.escape(char) + '{2,}', '', token), tokens)
for char in ['.', ',', '!', '?', ':', ';', '-', '–', '*', '=', '~', '$']:
if re.fullmatch('.*?' + re.escape(char), token):
process_token(re.sub(re.escape(char) + '$', '', token), tokens)
tokens.append(char)
return True
for char in ['.', ',', '!', '?', ':', ';', '-', '–', '*', '=', '~', '$']:
if re.fullmatch(re.escape(char) + '.*', token):
tokens.append(char)
return process_token(re.sub('^' + re.escape(char), '', token), tokens)
for char in ['.', ',', '!', '?', ':', ';', '+', '*', '=', '–']:
if re.search(re.escape(char), token):
sts = re.split(re.escape(char), token)
for i, st in enumerate(sts):
if process_token(st, tokens) and i < len(sts) - 1:
tokens.append(char)
return True
if re.search('[a-zа-яё$]+/[a-zа-яё]+', token):
sts = token.split('/')
for i, st in enumerate(sts):
if process_token(st, tokens) and i < len(sts) - 1:
tokens.append('/')
return True
if re.fullmatch('[(\[\]][a-zа-яё0-9].*', token):
return process_token(re.sub('^[(\[\]]', '', token), tokens)
if re.fullmatch('.*?[a-zа-яё0-9][)\[\]]', token):
return process_token(re.sub('[)\[\]]$', '', token), tokens)
if re.search('[()]', token):
for st in re.split('[()]', token):
process_token(st, tokens)
return True
if re.search('[.,!?;]-', token):
sts = re.sub('([a-zа-яё0-9])([.,!?;])-([a-zа-яё0-9])', '\\1 \\2 - \\3', token).split(' ')
for st in sts:
process_token(st, tokens)
return True
tokens.append(token)
return True