-
Notifications
You must be signed in to change notification settings - Fork 1
/
tamil_parser.py
209 lines (178 loc) · 12.8 KB
/
tamil_parser.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
# -*- coding: utf-8 -*-
from pyparsing import Word, Literal, ParseException, Combine, OneOrMore, Group, StringEnd, White, NotAny, Suppress, FollowedBy, Optional, ZeroOrMore
def u(utf8_str):
"""
Shorthand for decoding utf-8 string literal to unicode
"""
return utf8_str.decode('utf-8')
uyir_kuril = u("அஇஉஎஒ") # உயிர்குறில்
uyir_nedil = u("ஆஈஊஏஐஓஔ") # உயிர்நெடில்
uyir = uyir_kuril + uyir_nedil # உயிர்
combining_kuril = u("்ிுெொ") # புணரும் குறில் ( புணரும் அகரத்திற்கு பதில் ஒற்று )
combining_nedil = u("ாீூோோௌை") # புணரும் நெடில்
combining_uyir = combining_kuril + combining_nedil # புணரும் உயிர்
virama = u("்") # புள்ளி
mei = u("கஙசஞடணதநபமயரலவழளறன") # மெய்யெழுத்து (புள்ளி இல்லாமல் மெய்யாய் கொள்ளப்பட்டுள்ளது)
vallina_mei = u("கசடதபற")
aaytham = u("ஃ")
space = White() | StringEnd()
def swap_agaram(strg):
"""
Rationale:
Because the unicode defines codepoints for vowels ( separate as well as
combined ) and consonants ( defaulted with the vowel அ ). This complicates
the parsing process as we deal with உயிர் எழுத்துக்கள் and மெய் எழுத்துக்கள். So,
using this function will replace \u0b95(க) with \u0b95(க)\u0bcd(்)=க் and
\u0b95\u0bcd(க்) with \u0b95(க). Then, the codepoint of virama is borrowed
as the codepoint of combined அ and the codepoint of consonant is treated
as the codepoint of the மெய் எழுத்து.
>>> swap_agaram(u("கல்வி")) == u("க்லவி")
True
This function is self-inverse.
>>> swap_agaram(swap_agaram(u("கல்வி"))) == u("கல்வி")
True
"""
def process_form1(tokens):
return [tokens[0][0] + virama]
def process_form2(tokens):
return [tokens[0][0]]
form1 = Group(Word(mei, exact=1) + NotAny(Word(combining_uyir, exact=1))).setParseAction(process_form1)
form2 = Group(Word(mei, exact=1) + virama).setParseAction(process_form2)
swapped_strg = (form1 | form2).transformString(strg)
return swapped_strg
def token_swap_agaram(tokens):
for t in tokens:
t[0] = swap_agaram(t[0]).encode('utf-8')
### எழுத்து ###
# உயிரெழுத்து
thani_kuril_uyir_ezhuttu = Word(uyir_kuril, exact=1) # தனிக்குறில் உயிரெழுத்து
thani_nedil_uyir_ezhuttu = Word(uyir_nedil, exact=1) # தனிநெடில் உயிரெழுத்து
thani_uyir_ezhuttu = Word(uyir, exact=1) # தனி உயிரெழுத்து
combining_uyir_ezhuttu = Word(combining_uyir, exact=1) # புணரும் உயிரெழுத்து
# மெய்யெழுத்து
mei_ezhuttu = Word(mei, exact=1)
vallina_mei_ezhuttu = Word(vallina_mei, exact=1)
# ஆயுதம்
aaytha_ezhuttu = Word(aaytham, exact=1)
# உயிர்மெய் எழுத்து
kuril_uyir_mei_ezhuttu = Combine(mei_ezhuttu + Word(combining_kuril, exact=1))
nedil_uyir_mei_ezhuttu = Combine(mei_ezhuttu + Word(combining_nedil, exact=1))
uyir_mei_ezhuttu = Combine(mei_ezhuttu + combining_uyir_ezhuttu)
vallina_ugaram = Group(Combine(vallina_mei_ezhuttu + Word(u("ு"), exact=1)) + ZeroOrMore('#'))("வல்லின உகரம்")
vallina_ugaram.setParseAction(token_swap_agaram)
### அசை ###
# நேரசை
thani_kuril_ezhuttu = kuril_uyir_mei_ezhuttu | thani_kuril_uyir_ezhuttu # தனிக்குறில்
thani_nedil_ezhuttu = nedil_uyir_mei_ezhuttu | thani_nedil_uyir_ezhuttu # தனிநெடில்
kuril_otru = Combine(thani_kuril_ezhuttu + OneOrMore(mei_ezhuttu + NotAny(combining_uyir_ezhuttu))) # குறிலொற்று
nedil_otru = Combine(thani_nedil_ezhuttu + OneOrMore(mei_ezhuttu + NotAny(combining_uyir_ezhuttu))) # நெடிலொற்று
ner_asai = Group((nedil_otru | kuril_otru | thani_nedil_ezhuttu | (thani_kuril_ezhuttu + FollowedBy(space))) + ZeroOrMore('#'))("நேரசை") # hack: ZeroOrMore forces asai to become a pyparsing.Group rather than just a string
ner_asai.setParseAction(token_swap_agaram)
# நிரையசை
kuril_inai = Combine(thani_kuril_ezhuttu + thani_kuril_ezhuttu) # குறிலினை
kuril_nedil = Combine(thani_kuril_ezhuttu + thani_nedil_ezhuttu) # குறில் நெடில்
kuril_inai_otru = Combine(kuril_inai + OneOrMore(mei_ezhuttu + NotAny(combining_uyir_ezhuttu))) # குறிலினை ஒற்று
kuril_nedil_otru = Combine(kuril_nedil + OneOrMore(mei_ezhuttu + NotAny(combining_uyir_ezhuttu))) # குறில் நெடில் ஒற்று
nirai_asai = Group((kuril_nedil_otru | kuril_inai_otru | kuril_nedil | kuril_inai) + ZeroOrMore('#'))("நிரையசை") # hack: ZeroOrMore forces asai to become a pyparsing.Group rather than just a string
nirai_asai.setParseAction(token_swap_agaram)
#asai = (nirai_asai | ner_asai)("அசை")
### சீர் ###
## ஈரசைச்சீர்
# மாச்சீர்
te_maa = Group(ner_asai + ner_asai)("தேமா")
puli_maa = Group(nirai_asai + ner_asai)("புளிமா")
maa_cheer = ((puli_maa | te_maa) + FollowedBy(space))#("மாச்சீர்")
# விளச்சீர்
koo_vilam = Group(ner_asai + nirai_asai)("கூவிளம்")
karu_vilam = Group(nirai_asai + nirai_asai)("கருவிளம்")
vilam_cheer = ((karu_vilam | koo_vilam) + FollowedBy(space))#("விளச்சீர்")
eerasai_cheer = ((karu_vilam | puli_maa | koo_vilam | te_maa) + FollowedBy(space))#("ஈரசைச்சீர்")
#eerasai_cheer = (vilam_cheer | maa_cheer)("ஈரசைச்சீர்") #NOTE: Results in false grammar
## மூவசைச்சீர்
# காய்ச்சீர்
te_maa_kai = Group(ner_asai + ner_asai + ner_asai)("தேமாங்காய்")
puli_maa_kai = Group(nirai_asai + ner_asai + ner_asai)("புளிமாங்காய்")
karu_vilam_kai = Group(nirai_asai + nirai_asai + ner_asai)("கருவிளங்காய்")
koo_vilam_kai = Group(ner_asai + nirai_asai + ner_asai)("கூவிளங்காய்")
kai_cheer = ((karu_vilam_kai | puli_maa_kai | koo_vilam_kai | te_maa_kai) + FollowedBy(space))#("காய்ச்சீர்")
# கனிச்சீர்
te_maa_kani = Group(ner_asai + ner_asai + nirai_asai)("தேமாங்கனி")
puli_maa_kani = Group(nirai_asai + ner_asai + nirai_asai)("புளிமாங்கனி")
karu_vilam_kani = Group(nirai_asai + nirai_asai + nirai_asai)("கருவிளங்கனி")
koo_vilam_kani = Group(ner_asai + nirai_asai + nirai_asai)("கூவிளங்கனி")
kani_cheer = ((karu_vilam_kani | puli_maa_kani | koo_vilam_kani | te_maa_kani) + FollowedBy(space))#("கனிச்சீர்")
moovasai_cheer = ((karu_vilam_kani | karu_vilam_kai | puli_maa_kani | puli_maa_kai | koo_vilam_kani | koo_vilam_kai | te_maa_kani | te_maa_kai) + FollowedBy(space))#("மூவசைச்சீர்")
## நாலசைச்சீர்
# பூச்சீர்
te_maa_than_poo = Group(ner_asai + ner_asai + ner_asai + ner_asai)("தேமாந்தண்பூ")
puli_maa_than_poo = Group(nirai_asai + ner_asai + ner_asai + ner_asai)("புளிமாந்தண்பூ")
karu_vilam_than_poo = Group(nirai_asai + nirai_asai + ner_asai + ner_asai)("கருவிளந்தண்பூ")
koo_vilam_than_poo = Group(ner_asai + nirai_asai + ner_asai + ner_asai)("கூவிளந்தண்பூ")
te_maa_narum_poo = Group(ner_asai + ner_asai + nirai_asai + ner_asai)("தேமாநறும்பூ")
puli_maa_narum_poo = Group(nirai_asai + ner_asai + nirai_asai + ner_asai)("புளிமாநறும்பூ")
karu_vilam_narum_poo = Group(nirai_asai + nirai_asai + nirai_asai + ner_asai)("கருவிளநறும்பூ")
koo_vilam_narum_poo = Group(ner_asai + nirai_asai + nirai_asai + ner_asai)("கூவிளநறும்பூ")
poo_cheer = ((karu_vilam_narum_poo | karu_vilam_than_poo | puli_maa_narum_poo | puli_maa_than_poo | koo_vilam_narum_poo | koo_vilam_than_poo | te_maa_narum_poo | te_maa_than_poo) + FollowedBy(space))#("பூச்சீர்")
# நிழற்சீர்
te_maa_than_nizhal = Group(ner_asai + ner_asai + ner_asai + nirai_asai)("தேமாந்தண்ணிழல்")
puli_maa_than_nizhal = Group(nirai_asai + ner_asai + ner_asai + nirai_asai)("புளிமாந்தண்ணிழல்")
karu_vilam_than_nizhal = Group(nirai_asai + nirai_asai + ner_asai + nirai_asai)("கருவிளந்தண்ணிழல்")
koo_vilam_than_nizhal = Group(ner_asai + nirai_asai + ner_asai + nirai_asai)("கூவிளந்தண்ணிழல்")
te_maa_narum_nizhal = Group(ner_asai + ner_asai + nirai_asai + nirai_asai)("தேமாநறுநிழல்")
puli_maa_narum_nizhal = Group(nirai_asai + ner_asai + nirai_asai + nirai_asai)("புளிமாநறுநிழல்")
karu_vilam_narum_nizhal = Group(nirai_asai + nirai_asai + nirai_asai + nirai_asai)("கருவிளநறுநிழல்")
koo_vilam_narum_nizhal = Group(ner_asai + nirai_asai + nirai_asai + nirai_asai)("கூவிளநறுநிழல்")
nizhal_cheer = ((karu_vilam_narum_nizhal | karu_vilam_than_nizhal | puli_maa_narum_nizhal | puli_maa_than_nizhal | koo_vilam_narum_nizhal | koo_vilam_than_nizhal | te_maa_narum_nizhal | te_maa_than_nizhal) + FollowedBy(space))#("நிழற்சீர்")
naalasai_cheer = ((karu_vilam_narum_nizhal | karu_vilam_narum_poo | karu_vilam_than_nizhal | karu_vilam_than_poo | puli_maa_narum_nizhal | puli_maa_narum_poo | puli_maa_than_nizhal |
puli_maa_than_poo | koo_vilam_narum_nizhal | koo_vilam_narum_poo | koo_vilam_than_nizhal | koo_vilam_than_poo | te_maa_narum_nizhal | te_maa_narum_poo | te_maa_than_nizhal | te_maa_than_poo) + FollowedBy(space))#("நாலசைச்சீர்")
## ஈற்றுச்சீர்
naal = Group(ner_asai + StringEnd())("நாள்")
malar = Group(nirai_asai + StringEnd())("மலர்")
kaasu = Group(ner_asai + vallina_ugaram + StringEnd())("காசு")
pirappu = Group(nirai_asai + vallina_ugaram + StringEnd())("பிறப்பு")
eetru_cheer = (pirappu | kaasu | malar | naal)#("ஈற்றுச்சீர்")
cheer = ((eetru_cheer | eerasai_cheer | moovasai_cheer | naalasai_cheer ) + Optional(Suppress(".,!-_?")))#("சீர்")
# அடி
adi = Group(OneOrMore(cheer + Suppress(Optional(White(" \t")))) + Suppress(Optional(White("\n"))))("அடி")
def generateXML(parse_results):
from xml.dom.minidom import getDOMImplementation
impl = getDOMImplementation()
doc = impl.createDocument(None, "பா", None)
top_element = doc.documentElement
for adi in parse_results:
n_adi = doc.createElement("அடி")
for cheer in adi:
n_cheer = doc.createElement("சீர்")
for asai in cheer:
n_asai = doc.createElement("அசை")
a_asai_type = doc.createAttribute("வகை")
a_asai_type.value = asai.getName()
n_asai.setAttributeNode(a_asai_type)
a_porul = doc.createAttribute("பொருள்")
a_porul.value = ''.join(asai)
n_asai.setAttributeNode(a_porul)
n_cheer.appendChild(n_asai)
a_cheer_type = doc.createAttribute("வகை")
a_cheer_type.value = cheer.getName()
n_cheer.setAttributeNode(a_cheer_type)
n_adi.appendChild(n_cheer)
top_element.appendChild(n_adi)
return top_element.toprettyxml()
def analyzeVerse(instr):
swp = swap_agaram(unicode(instr))
parse_syntax = OneOrMore(adi).leaveWhitespace()
try:
result = parse_syntax.parseString(swp, parseAll=True)
return generateXML(result)
except Exception,e:
return None
if __name__ == "__main__":
str1 = u("தோடுடைய செவியன் விடையேறியோர் தூவெண் மதிசூடிக்\n" +
"காடுடைய சுடலைப் பொடிபூசியென் னுள்ளங் கவர்கள்வன்\n" +
"ஏடுடைய மலரான் முனைநாட்பணிந் தேத்த வருள்செய்த\n" +
"பீடுடைய பிரமா புரமேவிய பெம்மா னிவனன்றே")
str2 = u("அகர முதல எழுத்தெல்லாம் ஆதி\n" +
"பகவன் முதற்றே உலகு")
print analyzeVerse(str1)
with open("sample.xml","w") as f:
f.write(analyzeVerse(str2))