Fixed bugs + Updated script to satisfy changes in new Solar3.0

master v1.0
Luka 2 years ago
parent b9f5868612
commit 8aae175395

2
.gitignore vendored

@ -1,5 +1,5 @@
.idea/
data/
data
__pycache__/
venv/
src/__pycache__/

@ -6,6 +6,84 @@ from conversion_utils.translate_conllu_jos import get_syn_map
from lxml import etree
labels_mapper = {
"B/GLAG/moči_morati": "B/GLAG/moči-morati",
"B/MEN/besedna_družina": "B/MEN/besedna-družina",
"B/MEN/glagol_bz": "B/MEN/glagol-bz",
"B/MEN/polnopomenska_v_zaimek": "B/MEN/polnopomenska-v-zaimek",
"B/MEN/prislov_pridevnik_bz": "B/MEN/prislov-pridevnik-bz",
"B/MEN/samostalnik_bz": "B/MEN/samostalnik-bz",
"B/MEN/veznik_zaimek": "B/MEN/veznik-zaimek",
"B/MEN/zaimek_v_polnopomensko": "B/MEN/zaimek-v-polnopomensko",
"B/PRED/glag_zveze": "B/PRED/glagolske-zveze",
"B/PRED/lokacijske_dvojnice": "B/PRED/lokacijske-dvojnice",
"B/PRED/neglag_zveze": "B/PRED/neglagolske-zveze",
"B/SAM/lastno_občno": "B/SAM/lastno-občno",
"B/SAM/napačno_lastno": "B/SAM/napačno-lastno",
"B/SAM/občno_besedišče": "B/SAM/občno-besedišče",
"B/VEZ/in_pa_ter": "B/VEZ/in-pa-ter",
"B/VEZ/sprememba_odnosa": "B/VEZ/sprememba-odnosa",
"B/ZAIM/ki_kateri": "B/ZAIM/ki-kateri",
"B/ZAIM/povratna_svojilnost": "B/ZAIM/povratna-svojilnost",
"Č/PREDL/sz": "Č/PRED/sz",
"N//necitljivo": "N//nečitljivo",
"O/DOD/besede-mati_hči": "O/DOD/besede-mati-hči",
"O/KAT/oblika_zaimka": "O/KAT/oblika-zaimka",
"O/PAR/glagolska_končnica": "O/PAR/glagolska-končnica",
"O/PAR/glagolska_osnova": "O/PAR/glagolska-osnova",
"O/PAR/neglagolska_končnica": "O/PAR/neglagolska-končnica",
"O/PAR/neglagolska_osnova": "O/PAR/neglagolska-osnova",
"O/PAR/neobstojni_vokal": "O/PAR/neobstojni-vokal",
"O/PAR/preglas_in_cč": "O/PAR/preglas-in-cč",
"P/ZAP/mala_velika": "P/ZAP/mala-velika",
"S/BR/naslonski_niz-prirednost_podrednost": "S/BR/naslonski-niz-prirednost-podrednost",
"S/BR/naslonski_niz-znotraj": "S/BR/naslonski-niz-znotraj",
"S/BR/povedek-prislovno_določilo": "S/BR/povedek-prislovno-določilo",
"S/BR/znotraj_stavčnega_člena": "S/BR/znotraj-stavčnega-člena",
"S/DOD/pomensko_prazni": "S/DOD/pomensko-prazni",
"S/IZPUST/samostalnik-lastno_ime": "S/IZPUST/samostalnik-lastno-ime",
"S/IZPUST/samostalnik-občno_ime": "S/IZPUST/samostalnik-občno-ime",
"S/ODVEČ/pomensko-prazni": "S/DOD/pomensko-prazni",
"S/ODVEČ/samostalnik-lastno_ime": "S/ODVEČ/samostalnik-lastno-ime",
"S/ODVEČ/samostalnik-občno_ime": "S/ODVEČ/samostalnik-občno-ime",
"S/ODVEČ/veznik-pa_drugo": "S/ODVEČ/veznik-pa-drugo",
"S/ODVEČ/veznik-pa_vezniki": "S/ODVEČ/veznik-pa-vezniki",
"S/ODVEČ/vsebina-drugo": "S/DOD/vsebina-drugo",
"S/STR/besedna_zveza_stavek": "S/STR/besedna-zveza-stavek",
"S/STR/deljenje_stavkov": "S/STR/deljenje-stavkov",
"S/STR/ločilo_veznik": "S/STR/ločilo-veznik",
"S/STR/preoblikovanje_stavka": "S/STR/preoblikovanje-stavka",
"S/STR/svojina_od": "S/STR/svojina-od",
"S/STR/svojina_rodilnik": "S/STR/svojina-rodilnik",
"S/STR/združevanje_stavkov": "S/STR/združevanje-stavkov",
"Z/LOC/clenek+veznik": "Z/LOČ/nerazvrščeno",
"Z/LOC/DRUGO": "Z/LOČ/nerazvrščeno",
"Z/LOC/glede": "Z/LOČ/nerazvrščeno",
"Z/LOC/hiperkorekcija": "Z/LOČ/nerazvrščeno",
"Z/LOC/NERAZ": "Z/LOČ/nerazvrščeno",
"Z/LOC/NEREL": "Z/LOČ/nerazvrščeno",
"Z/LOC/polstavek": "Z/LOČ/vzorec-vejica-pristavki",
"Z/LOC/pridevniski-niz": "Z/LOČ/vzorec-vejica-pridevniški-niz",
"Z/LOC/primerjavaKOT": "Z/LOČ/vzorec-vejica-kot",
"Z/LOC/primerjaveKOT": "Z/LOČ/vzorec-vejica-kot",
"Z/LOC/prirednaBZ": "Z/LOČ/vzorec-vejica-priredja-zvez",
"Z/LOC/priredni-odvisniki": "Z/LOČ/vzorec-vejica-priredja-odvisnikov",
"Z/LOC/se-posebej": "Z/LOČ/vzorec-vejica-pristavki",
"Z/LOC/VEJ-elipsa": "Z/LOČ/vzorec-vejica-elipsa-povedka",
"Z/LOC/VEJ-stavki": "Z/LOČ/vzorec-vejica-stavki",
"Z/LOC/VEJ-stclen": "Z/LOČ/vzorec-vejica-stavčni-členi",
"Z/LOC/VEJ-veznik": "Z/LOČ/vzorec-vejica-vezniki",
"Z/LOC/VEJ-vrivki": "Z/LOČ/vzorec-vejica-pristavki",
"Z/LOC/vrinjen-odvisnik": "Z/LOČ/vzorec-vejica-vrinjen-odvisnik",
"Z/LOC/z-imenom": "Z/LOČ/nerazvrščeno",
"Z/MV/hiperkorekcija_ločila": "Z/MV/hiperkorekcija-ločila",
"Z/MV/občna_imena": "Z/MV/občna-imena",
"Z/MV/osebna_imena": "Z/MV/osebna-imena",
"Z/MV/premi_govor": "Z/MV/premi-govor",
"Z/MV/stvarna_imena": "Z/MV/stvarna-imena",
"Z/MV/začetek_povedi": "Z/MV/začetek-povedi",
"Z/MV/zemljepisna_imena": "Z/MV/zemljepisna-imena"
}
class Sentence:
def __init__(self, _id, no_ud=False, is_source=None):
@ -175,7 +253,10 @@ def convert_bibl(bibl):
etree_bibl.set('n', bibl.get('n'))
for bibl_el in bibl:
etree_bibl_el = etree.Element(bibl_el.tag)
etree_bibl_el.text = bibl_el.text
if bibl_el.tag == 'note' and 'type' in bibl_el.attrib and bibl_el.attrib['type'] == 'errs' and bibl_el.text == 'DA-NEVNESENO':
etree_bibl_el.text = 'NEVNESENO'
else:
etree_bibl_el.text = bibl_el.text
for att, val in bibl_el.attrib.items():
if '{http://www.w3.org/XML/1998/namespace}' in att:
set_xml_attr(etree_bibl_el, att.split('{http://www.w3.org/XML/1998/namespace}')[-1], val)
@ -225,25 +306,41 @@ def build_links(all_edges):
s = etree.Element('linkGrp')
sentence_id = ''
corresp_source_id = ''
corresp_target_id = ''
corresp = []
for token_edges in sentence_edges:
if not sentence_id:
if len(token_edges['source_ids']) > 0:
random_source_id = token_edges['source_ids'][0]
sentence_id += '.'.join(random_source_id.split('.')[:3])
if len(token_edges['target_ids']) > 0:
random_target_id = token_edges['target_ids'][0]
if len(token_edges['source_ids']) > 0:
sentence_id += ' #'
sentence_id += '.'.join(random_target_id.split('.')[:3])
if not corresp_source_id and len(token_edges['source_ids']) > 0:
random_source_id = token_edges['source_ids'][0]
corresp_source_id = '#'
corresp_source_id += '.'.join(random_source_id.split('.')[:3])
corresp.append(corresp_source_id)
if not corresp_target_id and len(token_edges['target_ids']) > 0:
random_target_id = token_edges['target_ids'][0]
corresp_target_id = '#'
corresp_target_id += '.'.join(random_target_id.split('.')[:3])
corresp.append(corresp_target_id)
link = etree.Element('link')
labels = '|'.join(token_edges['labels']) if len(token_edges['labels']) > 0 else 'ID'
# translate labels
labels_list = []
for label in token_edges['labels']:
if label in labels_mapper:
labels_list.append(labels_mapper[label])
else:
labels_list.append(label)
labels = '|'.join(labels_list) if len(labels_list) > 0 else 'ID'
link.set('type', labels)
link.set('target', ' '.join(['#' + source for source in token_edges['source_ids']] + ['#' + source for source in token_edges['target_ids']]))
s.append(link)
s.set('type', 'CORR')
s.set('targFunc', 'orig reg')
s.set('corresp', f'#{sentence_id}')
targFunc = []
if corresp_source_id:
targFunc.append('orig')
if corresp_target_id:
targFunc.append('reg')
s.set('targFunc', f'{" ".join(targFunc)}')
s.set('corresp', f'{" ".join(corresp)}')
body.append(s)
return body

@ -59,7 +59,7 @@ def create_edges(svala_data, source_par, target_par):
if source_par[0][0]['id'] in SKIP_IDS:
return []
# print(source_par[0][0]['id'])
# if source_par[0][0]['id'] == 'solar2150s.4.14.1':
# if source_par[0][0]['id'] == 'solar17s.6.3.1':
# print('pause!')
# if target_par and target_par[0]:
# print(target_par[0][0]['id'])
@ -271,7 +271,31 @@ def create_edges(svala_data, source_par, target_par):
if edges:
sentence_edges.append(edges)
return sentence_edges
actual_sentence_edges = []
passed_sentence = []
for sent in sentence_edges:
ha_source = False
ha_target = False
for toke in sent:
if len(toke['target_ids']) > 0:
ha_target = toke['target_ids'][0]
if len(toke['source_ids']) > 0:
ha_source = toke['source_ids'][0]
if ha_target and ha_source:
break
if not ha_target or not ha_source:
passed_sentence.extend(sent)
else:
passed_sentence.extend(sent)
actual_sentence_edges.append(passed_sentence)
passed_sentence = []
if passed_sentence:
actual_sentence_edges.append(passed_sentence)
return actual_sentence_edges
def add_token(svala_i, source_i, target_i, el, source, target, edges, svala_data, sentence_string_id):
source_id = "s" + svala_i
@ -915,7 +939,7 @@ def tokenize(args):
print(f'{i*100/folders_count} % : {file_name}')
i += 1
# if file_name == 'S20-PI-slo-2-SG-D-2016_2017-30479-12.txt':
# if file_name == 'KUS-PI-slo-5-CE-E-2009-30137':
# if file_name == 'KUS-G-slo-4-GO-E-2009-10017':
# # # if i*100/folders_count > 40:
# filename_encountered = True
# # # # if i*100/folders_count > 41:
@ -948,7 +972,7 @@ def tokenize(args):
svala_i = 1
# read json
# if paragraph.attrib['{http://www.w3.org/XML/1998/namespace}id'] == 'solar5.7':
# if paragraph.attrib['{http://www.w3.org/XML/1998/namespace}id'] == 'solar17.6':
# print('here')
svala_file = os.path.join(svala_path, svala_dict[paragraph.attrib['{http://www.w3.org/XML/1998/namespace}id']])
corrected_svala_file = os.path.join(corrected_svala_path, svala_dict[paragraph.attrib['{http://www.w3.org/XML/1998/namespace}id']])

Loading…
Cancel
Save