dag_tools.py
33.7 KB
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
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
# -*- coding: utf-8 -*-
import os, io, argparse, re
from lxml import etree
# Lista frekwencyjna w trzech kolumnach rozdzielonych tabulacją: liczba wystąpień, lemat, pos
FREQLIST = '/home/dorota/projekty/korba-ameba/freq-nkjp1m.txt'
# Lista typów (elementów tekstu TEI), które zostaną pominięte w eksporcie do dag -
# wszystkie, które nie są interpretowane w anotacji bez 'foreign'.
OMITLIST = ['quote']
namespaces = {
'tei': 'http://www.tei-c.org/ns/1.0',
'xi': 'http://www.w3.org/2001/XInclude',
'nkjp': 'http://www.nkjp.pl/ns/1.0',
'xml': 'http://www.w3.org/XML/1998/namespace'
}
def new_segment(line_list):
seg = {'start': int(line_list[0]), 'end': int(line_list[1]), 'orth': line_list[2], 'disamb': True if line_list[-1] == 'disamb' else False}
if seg['disamb']:
seg['interpretation'] = line_list[3] + ':' + line_list[4]
return seg
def check_freq(last_lex, last_pos, new_lex, new_pos):
found = 0
last_f = 0
new_f = 0
for line in io.open(FREQLIST, 'r', encoding='utf-8'):
f, lex, pos = line.strip().split('\t')
if (last_lex == lex) and (last_pos == pos):
last_f = int(f)
found += 1
if (new_lex == lex) and (new_pos == pos):
new_f = int(f)
found += 1
if found == 2:
break
return last_f, new_f
# Przetwarza tekst po tagerze filtrując tylko interpretacje oznaczone disamb
# Uwaga na sytuacje, gdy jest kilka takich interpretacji dla segmentu - zdarza się
# to jeśli interpretacje różnią się tylko lematem a znaczniki są takie same.
def read_text(filename):
file_in = io.open(filename, 'r', encoding='utf-8')
seg_list = []
newpara = False
for line in file_in:
line_list = line.split()
if len(line_list) > 0:
if line_list[-1] == 'disamb':
if len(seg_list) and not newpara:
last_seg = seg_list[-1]
# Jeśli aktualnie czytany segment ma takie same 'start' i 'end', to sprawdź, który wybrać
# Na razie - zignoruj
if last_seg['start'] == int(line_list[0]) and last_seg['end'] == int(line_list[1]):
# pass
# print u"Kilka wybranych interpretacji: {}".format(line.strip()).encode('utf-8')
last_f, new_f = check_freq(last_seg['interpretation'].split(':',2)[0], last_seg['interpretation'].split(':',2)[1], line_list[3], line_list[4].split(':',1)[0])
if new_f > last_f:
print u"zmiana dla segmentu {}: {} {}:{} -> {} {}:{}".format(line_list[2], last_f, last_seg['interpretation'].split(':',2)[0], last_seg['interpretation'].split(':',2)[1], new_f, line_list[3], line_list[4].split(':',1)[0]).encode('utf-8')
seg_list.pop()
seg_list.append(new_segment(line_list))
else:
seg_list.append(new_segment(line_list))
# Jeszcze pusta lista segmentów lub był nowy akapit
else:
seg_list.append(new_segment(line_list))
newpara = False
# pusta linia w pliku - przestaw newpara
else:
newpara = True
file_in.close()
return seg_list
def print_dag_simple(seg_list):
for seg in seg_list:
print u"{}\t{}\t{}".format(seg['start'], seg['end'], seg['orth']).encode('utf-8')
# Przetwarza tekst po tagerze zbierając również choice'y
def process_text_choice(filename):
file_in = io.open(filename, 'r', encoding='utf-8')
seg_list = []
newpara = False
for line in file_in:
line_list = line.split()
if len(line_list) > 0:
if len(seg_list) and not newpara:
found = False
for seg_var in seg_list[-1]:
# Jeśli w którymś z wariantów na ostatnim miejscu jest segment o takim samym start i end - zaktualizuj go i zakończ
if seg_var[-1]['start'] == int(line_list[0]) and seg_var[-1]['end'] == int(line_list[1]):
if line_list[-1] == 'disamb':
seg_var[-1]['disamb'] = True
seg_var[-1]['interpretation'] = line_list[3] + ':' + line_list[4]
found = True
break
if not found:
# Jeśli segment zaczyna się jak inne warianty - dodaj nowy
if seg_list[-1][0][0]['start'] == int(line_list[0]):
seg_list[-1].append([new_segment(line_list)])
# Segment zaczyna się inaczej - jeśli wszystkie warianty mają ten sam end - dołóż nowy segment do listy,
# jeśli nie - znajdź wariant, do którego należy go dołożyć.
else:
endings = [seg_var[-1]['end'] for seg_var in seg_list[-1]]
if len(set(endings)) == 1:
if int(line_list[1]) > endings[0]:
seg_list.append([[new_segment(line_list)]])
else:
print u'Kolejny segment kończy się wcześniej niż poprzednie: {}'.format(line.strip())
else:
# print 'endings: {}'.format(endings)
seg_list[-1][endings.index(int(line_list[0]))].append(new_segment(line_list))
# Jeszcze pusta lista segmentów lub był nowy akapit
else:
seg_list.append([[new_segment(line_list)]])
newpara = False
# pusta linia w pliku - przestaw newpara
else:
newpara = True
file_in.close()
return seg_list
def print_dag_segs(seg_list):
seg_len = 0
for choice in seg_list:
for paren in choice:
seg_len += len(paren)
print u"Liczba segmentów: {}".format(seg_len).encode('utf-8')
for var in seg_list:
print var
def test_dag(seg_list, filename):
namespaces = {
'tei': 'http://www.tei-c.org/ns/1.0',
'xi': 'http://www.w3.org/2001/XInclude',
'nkjp': 'http://www.nkjp.pl/ns/1.0',
'xml': 'http://www.w3.org/XML/1998/namespace'
}
directory = os.path.dirname(filename)
seg_tree = etree.parse(os.path.join(directory, 'ann_segmentation.xml'))
sents = seg_tree.xpath("//tei:s", namespaces=namespaces)
tree_segs = []
for s in sents:
tree_segs.extend(s.getchildren())
if len(tree_segs) == len(seg_list):
print u">>>Folder {} - ta sama liczba elementów zdania".format(directory).encode("utf-8")
else:
print u"<<<Folder {} - różna liczba elementów zdania".format(directory).encode("utf-8")
for ind, tree_s in enumerate(tree_segs, start=0):
if ind >= len(seg_list):
print u"Plik DAG ma za mało segmentów - brak odpowiednika dla id={}".format(tree_s.get('{http://www.w3.org/XML/1998/namespace}id')).encode("utf-8")
else:
if tree_s.tag == '{http://www.tei-c.org/ns/1.0}seg':
if len(seg_list[ind]) != 1:
# print u"Podział na choice w DAG dla pojedynczego segmentu o id={}".format(tree_s.get('{http://www.w3.org/XML/1998/namespace}id')).encode("utf-8")
print u"{} - {}".format(etree.tostring(tree_s, method='text', encoding='unicode'), seg_list[ind]).encode("utf-8")
else:
# print u"{}".format(tree_s.xpath('.//tei:w/text()', namespaces = namespaces)).encode("utf-8")
if len(seg_list[ind][0]) != 1:
print u"Dla segmentu o id={} jest kilka segmentów w DAG".format(tree_s.get('{http://www.w3.org/XML/1998/namespace}id')).encode("utf-8")
# else: # w ann_segmentation jest wersja transliterowana - nie można tego sprawdzić
# if tree_s.xpath('.//tei:w/text()', namespaces = namespaces)[0] != seg_list[ind][0][0]['orth']:
# print u"Dla segmentu o id={} jest inny napis w DAG".format(tree_s.get('{http://www.w3.org/XML/1998/namespace}id')).encode("utf-8")
elif tree_s.tag == '{http://www.tei-c.org/ns/1.0}choice':
tree_choice = [len(elem.xpath('descendant-or-self::tei:seg', namespaces=namespaces)) for elem in tree_s]
tree_choice.sort()
seg_list_choice = [len(choice) for choice in seg_list[ind]]
seg_list_choice.sort()
# print "ind: {}, {} - {}".format(ind, tree_choice, seg_list_choice)
if tree_choice != seg_list_choice:
# print u"Niezgodność w DAG dla segmentu z choice od id={}".format(tree_s.xpath('descendant-or-self::tei:seg', namespaces=namespaces)[0].get('{http://www.w3.org/XML/1998/namespace}id')).encode("utf-8")
print u"{} - {}".format(etree.tostring(tree_s, method='text', encoding='unicode'), seg_list[ind]).encode("utf-8")
else:
print u"Nietypowy element w zdaniu: {}".format(tree_s).encode("utf-8")
def find_morph(seg_id, morph_index, morph_list):
m_index = morph_index
while (m_index < len(morph_list)) and (morph_list[m_index].get('corresp','') != "ann_segmentation.xml#{}".format(seg_id)):
m_index += 1
if m_index == len(morph_list):
return (morph_index, [])
else:
return (m_index, [morph_list[m_index]])
def tag_wo_ns(elem):
return elem.tag.rsplit("}", 1)[-1]
# Przystosowanie do nowego formatu Concrafta - dodatkowe cztery kolumny (dwie przed prawdopodobieństwem i dwie po)
def print_interps(dag_out, start, end, morph_seg, seg_type, rejected, disamb, last_in_sent):
orth = morph_seg.xpath('./tei:fs/tei:f[@name="orth"]/tei:string', namespaces = namespaces)[0].text
if last_in_sent:
eos = 'eos'
else:
eos = ''
if seg_type == 'foreign':
if disamb:
if rejected == '':
dag_out.write(u"{}\t{}\t{}\t{}\t{}\t\t\t1.000\t\t{}\tdisamb\n".format(start, end, orth, orth, 'xxx', eos))
else:
dag_out.write(u"{}\t{}\t{}\t{}\t{}\t\t\t0.000\t\t{}\t\n".format(start, end, orth, orth, 'xxx', eos))
else:
dag_out.write(u"{}\t{}\t{}\t{}\t{}\t\t\t0.000\t\t\n".format(start, end, orth, orth, 'xxx'))
else:
if disamb:
disamb_elems = morph_seg.xpath('./tei:fs/tei:f[@name="disamb"]/tei:fs[@type="tool_report"]/tei:f[@name="choice"]', namespaces = namespaces)
# if len(disamb_elems) == 0:
# print u"Brak ujednoznacznienia dla segmentu: {}".format(orth).encode("utf-8")
# return
if len(disamb_elems):
disamb_ids = [elem.get('fVal')[1:] for elem in disamb_elems] # trzeba powinąć początkowy # w fVal
else:
disamb_ids = []
for lex in morph_seg.xpath('./tei:fs/tei:f[@name="interps"]/tei:fs[@type="lex"]', namespaces = namespaces):
base = lex.xpath('./tei:f[@name="base"]/tei:string', namespaces = namespaces)[0].text
ctag = lex.xpath('./tei:f[@name="ctag"]/tei:symbol/@value', namespaces = namespaces)[0]
msds = lex.xpath('./tei:f[@name="msd"]//tei:symbol', namespaces = namespaces)
for m in msds:
msd = m.get('value')
msd_id = m.get('{http://www.w3.org/XML/1998/namespace}id')
msd = ctag + ':' + msd if msd else ctag
dag_out.write(u"{}\t{}\t{}\t{}\t{}".format(start, end, orth, base, msd))
if disamb:
if msd_id in disamb_ids:
dag_out.write(u"\t\t\t{0:.3f}\t\t{1}\tdisamb\n".format(1.0/len(disamb_elems), eos))
else:
dag_out.write(u"\t\t\t0.000\t\t{}\t\n".format(eos))
else:
dag_out.write(u"\t\t\t0.000\t\t\n")
def make_segdict(seglist):
pts = []
res = []
for s in seglist:
seg_corresp = s.get('corresp', '')
seg_type = s.get('type', '')
if seg_corresp:
corresp_elem, corresp_pos, corresp_len = seg_corresp.split('(',1)[1].split(')',1)[0].split(',')
res.append({'seg': s, 'corresp_elem': corresp_elem, 'corresp_pos': int(corresp_pos), 'corresp_len': corresp_len, 'seg_type': seg_type})
pts.append(int(corresp_pos))
else:
res.append({'seg': s, 'corresp_elem': '', 'corresp_pos': 0, 'corresp_len': '', 'seg_type': seg_type})
print u"Segment w choice bez correspa!!! corresp: {}".format(seg_corresp).encode("utf-8")
return (res, pts)
# directory - folder z tekstem
# full_corp - True, jeśli eksportuję z pełnego korpusu i nie biorę pod uwagę OMITLIST
# disamb - True, jeśli ma być do DAGa eksportowana informacja o wybranej interpretacji
def make_dag(directory, full_corp, disamb):
dag_out = io.open(os.path.join(directory, 'text_transcr.txt.morph'), 'w', encoding='utf-8')
seg_tree = etree.parse(os.path.join(directory, 'ann_segmentation.xml'))
morph_tree = etree.parse(os.path.join(directory, 'ann_morphosyntax.xml'))
morph_seg_list = morph_tree.xpath('/tei:teiCorpus/tei:TEI/tei:text/tei:body/tei:p/tei:s/tei:seg', namespaces = namespaces)
ab_pattern = re.compile("txt_\d+.\d+")
morph_index = 0
start = 0
last_ab = '0'
ab_id = 0
for para in seg_tree.xpath("//tei:p", namespaces=namespaces): # <p>: dla pełnego korpusu - akapit, dla próbki - próbka i trzeba znaleźć podział
for sentence in para.xpath("./tei:s", namespaces=namespaces):
last_in_sentence = False
sentence_list = sentence.xpath("./*", namespaces=namespaces)
sentence_len = len(sentence_list)
for sent_id, seg_entry in enumerate(sentence_list, start = 1):
if sent_id == sentence_len:
last_in_sentence = True
tag = tag_wo_ns(seg_entry)
if tag == 'seg':
i, morph_seg = find_morph(seg_entry.get('{http://www.w3.org/XML/1998/namespace}id'), morph_index, morph_seg_list)
ab_corresp = seg_entry.get('corresp')
seg_type = seg_entry.get('type', '')
# if not full_corp:
# if ab_corresp is not None: # Sprawdź, czy nie trzeba zacząć nowego akapitu
# ab_id = ab_pattern.search(ab_corresp).group(0)
# if ab_id != last_ab:
# if last_ab != '0':
# dag_out.write(u"\n")
# start = 0
if len(morph_seg):
if full_corp or (seg_type not in OMITLIST):
print_interps(dag_out, start, start + 1, morph_seg[0], seg_type, '', disamb, last_in_sentence)
start += 1
# if not full_corp and ab_corresp is not None:
# last_ab = ab_id
morph_index = i
elif tag == 'choice':
# Stwórz listę wariantów
variant_list = []
points = []
first_seg = seg_entry.xpath('.//tei:seg', namespaces=namespaces)[0]
if full_corp or (first_seg.get('type', '') not in OMITLIST): # jeśli segment na OMITLIST, to w ogóle odrzucamy taki choice
for var in seg_entry.iterchildren():
if tag_wo_ns(var) == 'seg':
if "-orig," in var.get('corresp', ''): # jeśli to pochodzi z korbowego choice i będzie odrzucone
continue
else:
varlst, pts = make_segdict([var])
variant_list.append(varlst)
points.extend(pts)
elif tag_wo_ns(var) == 'paren':
if "-orig," in list(var)[0].get('corresp', ''): # jeśli to pochodzi z korbowego choice i będzie odrzucone
continue
else:
varlst, pts = make_segdict(list(var))
variant_list.append(varlst)
points.extend(pts)
elif tag_wo_ns(var) == 'choice':
if "-orig," in var.xpath(".//tei:seg", namespaces=namespaces)[0].get('corresp', ''): # jeśli to pochodzi z korbowego choice i będzie odrzucone
continue
else:
for elem_choice in var.iterchildren():
if tag_wo_ns(elem_choice) == 'seg':
varlst, pts = make_segdict([elem_choice])
variant_list.append(varlst)
points.extend(pts)
elif tag_wo_ns(elem_choice) == 'paren':
varlst, pts = make_segdict(list(elem_choice))
variant_list.append(varlst)
points.extend(pts)
if variant_list:
# Zbierz wszystkie różne początki z correspów i posortuj -
# to będą kolejne węzły w DAG
points = list(set(points)) # wyeliminuj powtórzenia
points.sort()
last_end = len(points)
for v in variant_list:
for seg_ind, seg_dict in enumerate(v):
i, morph_seg = find_morph(seg_dict['seg'].get('{http://www.w3.org/XML/1998/namespace}id'), morph_index, morph_seg_list)
if "-orig," in seg_dict['corresp_elem']: # poprawiona wersja z oryginalnego <choice> w tekście XML - nie będzie brana pod uwagę przez tager
continue
# if not full_corp:
# if seg_dict['corresp_elem']: # Sprawdź, czy nie trzeba zacząć nowego akapitu
# ab_id = ab_pattern.search(seg_dict['corresp_elem']).group(0)
# if ab_id != last_ab:
# if last_ab != '0':
# dag_out.write(u"\n")
# start = 0
# v_start = 0
# last_ab = ab_id
if len(morph_seg):
if full_corp or (seg_dict['seg_type'] not in OMITLIST):
rejected = seg_dict['seg'].get('{http://www.nkjp.pl/ns/1.0}rejected', '')
if len(v) == seg_ind + 1: # ostatni element wariantu
print_interps(dag_out, start + points.index(seg_dict['corresp_pos']), start + last_end, morph_seg[0], seg_dict['seg_type'], rejected, disamb, last_in_sentence)
else:
print_interps(dag_out, start + points.index(seg_dict['corresp_pos']), start + points.index(v[seg_ind + 1]['corresp_pos']), morph_seg[0], seg_dict['seg_type'], rejected, disamb, False)
morph_index = i
start += last_end
# if full_corp and (start != 0):
if (start != 0):
dag_out.write(u"\n")
start = 0
# if not full_corp:
# dag_out.write(u"\n")
dag_out.close()
'''
Stare warianty przed wprowadzeniem oznaczenia końca zdania
'''
# Przystosowanie do nowego formatu Concrafta - dodatkowe cztery kolumny (dwie przed prawdopodobieństwem i dwie po)
def old_print_interps(dag_out, start, end, morph_seg, seg_type, disamb):
orth = morph_seg.xpath('./tei:fs/tei:f[@name="orth"]/tei:string', namespaces = namespaces)[0].text
if seg_type == 'foreign':
if disamb:
dag_out.write(u"{}\t{}\t{}\t{}\t{}\t\t\t1.000\t\t\tdisamb\n".format(start, end, orth, orth, 'xxx'))
else:
dag_out.write(u"{}\t{}\t{}\t{}\t{}\t\t\t0.000\t\t\n".format(start, end, orth, orth, 'xxx'))
else:
if disamb:
disamb_elems = morph_seg.xpath('./tei:fs/tei:f[@name="disamb"]/tei:fs[@type="tool_report"]/tei:f[@name="choice"]', namespaces = namespaces)
if len(disamb_elems) == 0:
print u"Brak ujednoznacznienia dla segmentu: {}".format(orth).encode("utf-8")
return
disamb_ids = [elem.get('fVal')[1:] for elem in disamb_elems] # trzeba powinąć początkowy # w fVal
for lex in morph_seg.xpath('./tei:fs/tei:f[@name="interps"]/tei:fs[@type="lex"]', namespaces = namespaces):
base = lex.xpath('./tei:f[@name="base"]/tei:string', namespaces = namespaces)[0].text
ctag = lex.xpath('./tei:f[@name="ctag"]/tei:symbol/@value', namespaces = namespaces)[0]
msds = lex.xpath('./tei:f[@name="msd"]//tei:symbol', namespaces = namespaces)
for m in msds:
msd = m.get('value')
msd_id = m.get('{http://www.w3.org/XML/1998/namespace}id')
msd = ctag + ':' + msd if msd else ctag
dag_out.write(u"{}\t{}\t{}\t{}\t{}".format(start, end, orth, base, msd))
if disamb:
if msd_id in disamb_ids:
dag_out.write(u"\t\t\t{0:.3f}\t\t\tdisamb\n".format(1.0/len(disamb_elems)))
else:
dag_out.write(u"\t\t\t0.000\t\t\t\n")
else:
dag_out.write(u"\t\t\t0.000\t\t\n")
# directory - folder z tekstem
# full_corp - True, jeśli eksportuję z pełnego korpusu (text_structure.xml) a nie próbki (text.xml)
# disamb - True, jeśli ma być do DAGa eksportowana informacja o wybranej interpretacji
def old_make_dag(directory, full_corp, disamb):
dag_out = io.open(os.path.join(directory, 'text_transcr.txt.old.morph'), 'w', encoding='utf-8')
seg_tree = etree.parse(os.path.join(directory, 'ann_segmentation.xml'))
morph_tree = etree.parse(os.path.join(directory, 'ann_morphosyntax.xml'))
morph_seg_list = morph_tree.xpath('/tei:teiCorpus/tei:TEI/tei:text/tei:body/tei:p/tei:s/tei:seg', namespaces = namespaces)
morph_index = 0
start = 0
last_ab = 0
ab_id = 0
for para in seg_tree.xpath("//tei:p", namespaces=namespaces): # <p>: dla pełnego korpusu - akapit, dla próbki - próbka i trzeba znaleźć podział
for seg_entry in para.xpath("./tei:s/*", namespaces=namespaces):
tag = tag_wo_ns(seg_entry)
if tag == 'seg':
i, morph_seg = find_morph(seg_entry.get('{http://www.w3.org/XML/1998/namespace}id'), morph_index, morph_seg_list)
ab_corresp = seg_entry.get('corresp')
seg_type = seg_entry.get('type', '')
if not full_corp:
if ab_corresp is not None: # Sprawdź, czy nie trzeba zacząć nowego akapitu
ab_id = ab_corresp[26:].split('.', 1)[1].split('-', 1)[0]
if ab_id != last_ab:
if last_ab != 0:
dag_out.write(u"\n")
start = 0
if len(morph_seg) and seg_type not in OMITLIST:
old_print_interps(dag_out, start, start + 1, morph_seg[0], seg_type, disamb)
start += 1
if ab_id:
last_ab = ab_id
morph_index = i
elif tag == 'choice':
# Stwórz listę wariantów
variant_list = []
first_seg = seg_entry.xpath('.//tei:seg', namespaces=namespaces)[0]
if first_seg.get('type', '') not in OMITLIST: # jeśli segment na OMITLIST, to w ogóle odrzucamy taki choice
for var in seg_entry.iterchildren():
if tag_wo_ns(var) == 'seg':
if "-orig," in var.get('corresp', ''): # jeśli to pochodzi z korbowego choice i będzie odrzucone
continue
else:
variant_list.append([var])
elif tag_wo_ns(var) == 'paren':
if "-orig," in list(var)[0].get('corresp', ''): # jeśli to pochodzi z korbowego choice i będzie odrzucone
continue
else:
variant_list.append(list(var))
elif tag_wo_ns(var) == 'choice':
if "-orig," in var.xpath(".//tei:seg", namespaces=namespaces)[0].get('corresp', ''): # jeśli to pochodzi z korbowego choice i będzie odrzucone
continue
else:
for elem_choice in var.iterchildren():
if tag_wo_ns(elem_choice) == 'seg':
variant_list.append([elem_choice])
elif tag_wo_ns(elem_choice) == 'paren':
variant_list.append(list(elem_choice))
if variant_list:
# Wylicz przesuniecie end ostatniego segmentu
last_end = sum([len(v) - 1 for v in variant_list]) + 1
v_end = start + 1
for v in variant_list:
v_start = start
for seg_ind, seg in enumerate(v):
i, morph_seg = find_morph(seg.get('{http://www.w3.org/XML/1998/namespace}id'), morph_index, morph_seg_list)
ab_corresp = seg.get('corresp', '')
if "-orig," in ab_corresp: # poprawiona wersja z oryginalnego <choice> w tekście XML - nie będzie brana pod uwagę przez tager
continue
seg_type = seg.get('type', '')
if not full_corp:
if ab_corresp: # Sprawdź, czy nie trzeba zacząć nowego akapitu
ab_id = ab_corresp[26:].split('.', 1)[1].split('-', 1)[0]
if ab_id != last_ab:
if last_ab != 0:
dag_out.write(u"\n")
start = 0
v_start = 0
v_end = 1
last_ab = ab_id
if len(morph_seg) and seg_type not in OMITLIST:
if len(v) == seg_ind + 1:
old_print_interps(dag_out, v_start, start + last_end, morph_seg[0], seg_type, disamb)
else:
old_print_interps(dag_out, v_start, v_end, morph_seg[0], seg_type, disamb)
v_start = v_end
v_end += 1
# else:
# print u"Segment w choice bez interpretacji!!! ab_corresp: {}, seg_type: {}".format(ab_corresp, seg_type).encode("utf-8")
morph_index = i
start += last_end
if full_corp and (start != 0):
dag_out.write(u"\n")
start = 0
if not full_corp:
dag_out.write(u"\n")
dag_out.close()
def insert_disamb(morph_seg, fVal, interp):
fs_elem = morph_seg[0]
new_f = etree.SubElement(fs_elem, '{http://www.tei-c.org/ns/1.0}f')
new_f.set("name", "disamb")
new_fs = etree.SubElement(new_f, '{http://www.tei-c.org/ns/1.0}fs')
new_fs.set("type", "tool_report")
new_f2 = etree.SubElement(new_fs, '{http://www.tei-c.org/ns/1.0}f')
new_f2.set("name", "choice")
new_f2.set("fVal", fVal)
new_f3 = etree.SubElement(new_fs, '{http://www.tei-c.org/ns/1.0}f')
new_f3.set("name", "interpretation")
new_string = etree.SubElement(new_f3, '{http://www.tei-c.org/ns/1.0}string')
new_string.text = interp
def process_seg(morph_seg, interp):
# interp = seg_list[seg_list_id]['interpretation']
if interp[0:2] == '::': # uwaga na base = ':'
interp_list = interp[2:].split(':', 1)
interp_list.insert(0, ':')
else:
interp_list = interp.split(':', 2)
base = """ if interp_list[0] == '"' else interp_list[0]
ctag = interp_list[1]
msd = interp_list[2] if len(interp_list) > 2 else ''
lex_list = morph_seg.xpath('./tei:fs/tei:f[@name="interps"]/tei:fs[@type="lex"][tei:f[@name="base"]/tei:string = "'+ base + '" and tei:f[@name="ctag"]/tei:symbol/@value="' + ctag + '"]', namespaces = namespaces)
if len(lex_list):
msd_list = lex_list[0].xpath('./tei:f[@name="msd"]//tei:symbol[@value="' + msd + '"]', namespaces=namespaces)
fVal = "#" + msd_list[0].get('{http://www.w3.org/XML/1998/namespace}id') if len(msd_list) > 0 else ""
insert_disamb(morph_seg, fVal, interp)
else:
# print u"Nie znalazłem base: {}, ctag: {} dla segmentu o id: {}".format(base, ctag, seg_entry.get('{http://www.w3.org/XML/1998/namespace}id')).encode('utf-8')
insert_disamb(morph_seg, "", interp)
def insert_rejected(seg):
# print u"rejected dla id: {}".format(seg.get('{http://www.w3.org/XML/1998/namespace}id')).encode('utf-8')
seg.set('{http://www.nkjp.pl/ns/1.0}rejected', "true")
def tag_tei(directory):
seg_list = read_text(os.path.join(directory, 'text_transcr.txt.morph.tagged'))
parser = etree.XMLParser(remove_blank_text=True)
seg_tree = etree.parse(os.path.join(directory, 'ann_segmentation.xml'), parser)
morph_tree = etree.parse(os.path.join(directory, 'ann_morphosyntax.xml'), parser)
morph_seg_list = morph_tree.xpath('/tei:teiCorpus/tei:TEI/tei:text/tei:body/tei:p/tei:s/tei:seg', namespaces = namespaces)
morph_index = 0
seg_list_id = 0
for seg_entry in seg_tree.xpath("//tei:s/*", namespaces=namespaces):
tag = tag_wo_ns(seg_entry)
if tag == 'seg':
if seg_entry.get('corresp'): # Jeśli segment nie ma "corresp", to nie będzie znakowany, więc go pomiń
i, morph_seg = find_morph(seg_entry.get('{http://www.w3.org/XML/1998/namespace}id'), morph_index, morph_seg_list)
if len(morph_seg):
if morph_seg[0].xpath('./tei:fs/tei:f[@name="orth"]/tei:string', namespaces = namespaces)[0].text == seg_list[seg_list_id]['orth']:
process_seg(morph_seg[0], seg_list[seg_list_id]['interpretation'])
seg_list_id += 1
morph_index = i
else:
print u"Niezgodność na segmencie o id: {}".format(seg_entry.get('{http://www.w3.org/XML/1998/namespace}id')).encode('utf-8')
return
else:
print u"Brak opisu w morphosyntax dla segmentu o id: {}".format(seg_entry.get('{http://www.w3.org/XML/1998/namespace}id')).encode('utf-8')
elif tag == 'choice':
variant_found = False
choice_list = [] # trzeba rozwinąć ewentualne choice'y powstałe z elementów <choice> w tekście
for elem in list(seg_entry):
if tag_wo_ns(elem) == 'choice':
choice_list.extend(list(elem))
else:
choice_list.append(elem)
for variant in choice_list:
if tag_wo_ns(variant) == 'seg':
if variant_found:
insert_rejected(variant)
elif "-orig," in variant.get('corresp'):
insert_rejected(variant)
else:
i, morph_seg = find_morph(variant.get('{http://www.w3.org/XML/1998/namespace}id'), morph_index, morph_seg_list)
if len(morph_seg):
if morph_seg[0].xpath('./tei:fs/tei:f[@name="orth"]/tei:string', namespaces = namespaces)[0].text == seg_list[seg_list_id]['orth']:
process_seg(morph_seg[0], seg_list[seg_list_id]['interpretation'])
seg_list_id += 1
morph_index = i
variant_found = True
else:
insert_rejected(variant)
else:
print u"Brak opisu w morphosyntax dla segmentu z choice o id: {}".format(variant.get('{http://www.w3.org/XML/1998/namespace}id')).encode('utf-8')
return
elif tag_wo_ns(variant) == 'paren':
if variant_found:
for s in variant:
insert_rejected(s)
elif "-orig," in variant[0].get('corresp'):
for s in variant:
insert_rejected(s)
else:
i, morph_seg = find_morph(variant[0].get('{http://www.w3.org/XML/1998/namespace}id'), morph_index, morph_seg_list)
if len(morph_seg):
if morph_seg[0].xpath('./tei:fs/tei:f[@name="orth"]/tei:string', namespaces = namespaces)[0].text == seg_list[seg_list_id]['orth']:
process_seg(morph_seg[0], seg_list[seg_list_id]['interpretation'])
seg_list_id += 1
morph_index = i
variant_found = True
for s in variant[1:]:
j, morph_seg = find_morph(s.get('{http://www.w3.org/XML/1998/namespace}id'), morph_index, morph_seg_list)
if len(morph_seg):
if morph_seg[0].xpath('./tei:fs/tei:f[@name="orth"]/tei:string', namespaces = namespaces)[0].text == seg_list[seg_list_id]['orth']:
process_seg(morph_seg[0], seg_list[seg_list_id]['interpretation'])
seg_list_id += 1
morph_index = j
else:
print u"Brak zgodności zapisu orth dla segmentu z choice o id: {}".format(s.get('{http://www.w3.org/XML/1998/namespace}id')).encode('utf-8')
return
else:
print u"Brak opisu w morphosyntax dla segmentu z choice o id: {}".format(s.get('{http://www.w3.org/XML/1998/namespace}id')).encode('utf-8')
return
else:
for s in variant:
insert_rejected(s)
else:
print u"Brak opisu w morphosyntax dla segmentu z choice o id: {}".format(variant.get('{http://www.w3.org/XML/1998/namespace}id')).encode('utf-8')
return
else:
print u"Niewłaściwy tag: {} zamiast seg lub paren w choice".format(tag_wo_ns(variant)).encode('utf-8')
return
else:
print u"Niewłaściwy tag: {} zamiast seg lub choice".format(tag).encode('utf-8')
return
seg_tree.write(os.path.join(directory, 'ann_segmentation.concraft.xml'), pretty_print=True, encoding='UTF-8', xml_declaration=True)
morph_tree.write(os.path.join(directory, 'ann_morphosyntax.concraft.xml'), pretty_print=True, encoding='UTF-8', xml_declaration=True)
def check_duplicates(fname):
seg_tree = etree.parse(fname)
last_pos = -1
last_elem = ''
for seg_entry in seg_tree.xpath("//tei:p/tei:s/*", namespaces=namespaces):
tag = tag_wo_ns(seg_entry)
if tag == 'seg':
corresp = seg_entry.get('corresp')
if corresp:
elem_name, elem_pos, elem_len = corresp.strip().split(',')
if elem_name == last_elem and elem_pos == last_pos:
print u'Powtórzony początek w pliku {}, corresp: {}'.format(fname, corresp)
last_pos = elem_pos
last_elem = elem_name
else:
elem_name = last_elem
elem_pos = last_pos
loc_elem = last_elem
loc_pos = last_pos
for var_entry in list(seg_entry):
tag = tag_wo_ns(var_entry)
if tag == 'seg':
corresp = var_entry.get('corresp')
if corresp:
elem_name, elem_pos, elem_len = corresp.strip().split(',')
if elem_name == loc_elem and elem_pos == loc_pos:
print u'Powtórzony początek w pliku {}, corresp: {}'.format(fname, corresp)
loc_pos = last_pos
loc_elem = last_elem
elif tag == 'paren':
for par_entry in list(var_entry):
corresp = par_entry.get('corresp')
if corresp:
elem_name, elem_pos, elem_len = corresp.strip().split(',')
if elem_name == loc_elem and elem_pos == loc_pos:
print u'Powtórzony początek w pliku {}, corresp: {}'.format(fname, corresp)
loc_pos = elem_pos
loc_elem = elem_name
loc_pos = last_pos
loc_elem = last_elem
elif tag == 'choice':
for entry in list(var_entry):
tag = tag_wo_ns(entry)
if tag == 'seg':
corresp = entry.get('corresp')
if corresp:
elem_name, elem_pos, elem_len = corresp.strip().split(',')
if elem_name == loc_elem and elem_pos == loc_pos:
print u'Powtórzony początek w pliku {}, corresp: {}'.format(fname, corresp)
loc_pos = last_pos
loc_elem = last_elem
elif tag == 'paren':
for par_entry in list(entry):
corresp = par_entry.get('corresp')
if corresp:
elem_name, elem_pos, elem_len = corresp.strip().split(',')
if elem_name == loc_elem and elem_pos == loc_pos:
print u'Powtórzony początek w pliku {}, corresp: {}'.format(fname, corresp)
loc_pos = elem_pos
loc_elem = elem_name
loc_pos = last_pos
loc_elem = last_elem
last_pos = elem_pos
last_elem = elem_name