def test__tokens_map2(self):
     str = japanese_normalize(test_str2)
     tokens = JapaneseTokenizer._tokenize(nlp(str))
     self.assertEqual(
         my_tokenizer._tokens_filter(
             tokens, my_tokenizer._token_map_callback
         ),
         [
             "一時期",
             ",",
             "エルサレム",
             "の",
             "近く",
             "の",
             "古代",
             "の",
             "トフェト",
             "で",
             "も",
             ",",
             "同様",
             "の",
             "儀式",
             "が",
             "行なわ",
             "れ",
             "て",
             "い",
             "まし",
             "た",
             ".",
         ],
     )
 def test_tokenize3(self):
     s = japanese_normalize(test_str3)
     tokens = my_tokenizer.tokenize(s)
     self.assertEqual(
         tokens,
         (
             [
                 "また",
                 ",",
                 "[ORG]",
                 "誌",
                 "に",
                 "掲載",
                 "さ",
                 "れ",
                 "た",
                 ",",
                 "日本",
                 "から",
                 "の",
                 "報道",
                 "は",
                 ",",
                 "日本",
                 "の",
                 "子供",
                 "たち",
                 "が",
                 "テレビ",
                 "で",
                 "「",
                 "ほとんど",
                 "際限",
                 "なく",
                 "流血",
                 "と",
                 "暴力",
                 "を",
                 "見せ",
                 "られ",
                 "て",
                 "いる",
                 "」",
                 "こと",
                 "を",
                 "示し",
                 "て",
                 "い",
                 "ます",
                 ".",
             ],
             [("アトラス", "ORG"), ("日本", "LOC"), ("日本", "LOC")],
         ),
     )
 def test__tokens_map3(self):
     str = japanese_normalize(test_str3)
     tokens = JapaneseTokenizer._tokenize(nlp(str))
     self.assertEqual(
         JapaneseTokenizer._tokens_filter(
             tokens, my_tokenizer._token_map_callback
         ),
         [
             "また",
             ",",
             "[ORG]",
             "誌",
             "に",
             "掲載",
             "さ",
             "れ",
             "た",
             ",",
             "日本",
             "から",
             "の",
             "報道",
             "は",
             ",",
             "日本",
             "の",
             "子供",
             "たち",
             "が",
             "テレビ",
             "で",
             "「",
             "ほとんど",
             "際限",
             "なく",
             "流血",
             "と",
             "暴力",
             "を",
             "見せ",
             "られ",
             "て",
             "いる",
             "」",
             "こと",
             "を",
             "示し",
             "て",
             "い",
             "ます",
             ".",
         ],
     )
 def test_tokenize(self):
     s = japanese_normalize(test_str)
     tokens = my_tokenizer.tokenize(s)
     self.assertEqual(
         tokens,
         (
             [
                 "その",
                 "後",
                 ",",
                 "国",
                 "が",
                 "立て",
                 "た",
                 "捕食",
                 "動物",
                 "抑制",
                 "計画",
                 "に",
                 "より",
                 ",",
                 "[DATE]",
                 "から",
                 "[DATE]",
                 "の",
                 "間",
                 "に",
                 "さらに",
                 "[NUM]",
                 "匹",
                 "の",
                 "コヨテ",
                 "が",
                 "殺さ",
                 "れ",
                 "まし",
                 "た",
                 ".",
             ],
             [("1955年", "DATE"), ("1964年", "DATE"), ("2万7,646", "NUM")],
         ),
     )
 def test__tokenize(self):
     str = japanese_normalize(test_str)
     tokens = JapaneseTokenizer._tokenize(nlp(str))
     self.assertEqual(
         tokens,
         [
             ("その", False, False, False, ""),
             ("後", False, False, False, ""),
             (",", False, False, False, ""),
             ("国", False, False, False, ""),
             ("が", False, False, False, ""),
             ("立て", False, False, False, ""),
             ("た", False, False, False, ""),
             ("捕食", False, False, False, ""),
             ("動物", False, False, False, ""),
             ("抑制", False, False, False, ""),
             ("計画", False, False, False, ""),
             ("に", False, False, False, ""),
             ("より", False, False, False, ""),
             (",", False, False, False, ""),
             ("1955", True, False, False, "DATE"),
             ("年", False, False, False, "DATE"),
             ("から", False, False, False, ""),
             ("1964", True, False, False, "DATE"),
             ("年", False, False, False, "DATE"),
             ("の", False, False, False, ""),
             ("間", False, False, False, ""),
             ("に", False, False, False, ""),
             ("さらに", False, False, False, ""),
             ("2万7,646", True, False, False, ""),  # 漢数字がしっかり数値として扱われるか確認する
             ("匹", False, False, False, ""),
             ("の", False, False, False, ""),
             ("コヨテ", False, False, False, ""),
             ("が", False, False, False, ""),
             ("殺さ", False, False, False, ""),
             ("れ", False, False, False, ""),
             ("まし", False, False, False, ""),
             ("た", False, False, False, ""),
             (".", False, False, False, ""),
         ],
     )
 def test__tokens_map(self):
     str = japanese_normalize(test_str)
     tokens = JapaneseTokenizer._tokenize(nlp(str))
     self.assertEqual(
         my_tokenizer._tokens_filter(
             tokens, my_tokenizer._token_map_callback
         ),
         [
             "その",
             "後",
             ",",
             "国",
             "が",
             "立て",
             "た",
             "捕食",
             "動物",
             "抑制",
             "計画",
             "に",
             "より",
             ",",
             "[DATE]",
             "から",
             "[DATE]",
             "の",
             "間",
             "に",
             "さらに",
             "[NUM]",
             "匹",
             "の",
             "コヨテ",
             "が",
             "殺さ",
             "れ",
             "まし",
             "た",
             ".",
         ],
     )
 def test__tokens_filter(self):
     str = japanese_normalize(test_str)
     tokens = JapaneseTokenizer._tokenize(nlp(str))
     self.assertEqual(
         JapaneseTokenizer._tokens_filter(tokens, lambda token: token),
         [
             ("その", False, False, False, ""),
             ("後", False, False, False, ""),
             (",", False, False, False, ""),
             ("国", False, False, False, ""),
             ("が", False, False, False, ""),
             ("立て", False, False, False, ""),
             ("た", False, False, False, ""),
             ("捕食", False, False, False, ""),
             ("動物", False, False, False, ""),
             ("抑制", False, False, False, ""),
             ("計画", False, False, False, ""),
             ("に", False, False, False, ""),
             ("より", False, False, False, ""),
             (",", False, False, False, ""),
             ("1955", True, False, False, "DATE"),  # 減っている
             ("から", False, False, False, ""),
             ("1964", True, False, False, "DATE"),  # 減っている
             ("の", False, False, False, ""),
             ("間", False, False, False, ""),
             ("に", False, False, False, ""),
             ("さらに", False, False, False, ""),
             ("2万7,646", True, False, False, ""),
             ("匹", False, False, False, ""),
             ("の", False, False, False, ""),
             ("コヨテ", False, False, False, ""),
             ("が", False, False, False, ""),
             ("殺さ", False, False, False, ""),
             ("れ", False, False, False, ""),
             ("まし", False, False, False, ""),
             ("た", False, False, False, ""),
             (".", False, False, False, ""),
         ],
     )
    def test__entity2(self):
        str = japanese_normalize(test_str2)
        entities = JapaneseTokenizer._entity(nlp(str))

        self.assertEqual(entities, [("エルサレム", "LOC")])
 def test__entity(self):
     str = japanese_normalize(test_str)
     entities = JapaneseTokenizer._entity(nlp(str))
     self.assertEqual(
         entities, [("1955年",  "DATE"), ("1964年", "DATE")]
     )
Esempio n. 10
0
 def test_japanese_normalize2(self):
     str = japanese_normalize(test_str2)
     self.assertEqual(
         str, "その後,国が立てた捕食動物抑制計画により,1955年から1964年の間にさらに2万7,646匹のコヨテが殺されました。")
Esempio n. 11
0
from tqdm import tqdm

from JapaneseTokenizer import JapaneseTokenizer
from normlizer import japanese_normalize

my_tokenizer = JapaneseTokenizer()

if __name__ == "__main__":

    num_lines = sum(1 for line in open("./raw/ja.txt", "r"))
    with open("./raw/ja.txt", "r") as f:
        with open("./mod/ja.txt", "w") as w:
            for line in tqdm(f, total=num_lines):
                w.write(japanese_normalize(line) + '\n')