lingo 1.8.1 → 1.8.2

Sign up to get free protection for your applications and to get access to all the features.
Files changed (99) hide show
  1. data/ChangeLog +23 -5
  2. data/README +1 -1
  3. data/Rakefile +5 -7
  4. data/TODO +2 -0
  5. data/bin/lingo +5 -1
  6. data/de.lang +1 -1
  7. data/en/lingo-syn.txt +0 -0
  8. data/en.lang +2 -1
  9. data/lib/lingo/attendee/abbreviator.rb +8 -9
  10. data/lib/lingo/attendee/debugger.rb +5 -4
  11. data/lib/lingo/attendee/decomposer.rb +8 -3
  12. data/lib/lingo/attendee/dehyphenizer.rb +19 -63
  13. data/lib/lingo/attendee/formatter.rb +1 -1
  14. data/lib/lingo/attendee/multi_worder.rb +67 -155
  15. data/lib/lingo/attendee/noneword_filter.rb +16 -9
  16. data/lib/lingo/attendee/object_filter.rb +1 -1
  17. data/lib/lingo/attendee/sequencer.rb +32 -63
  18. data/lib/lingo/attendee/stemmer/porter.rb +343 -0
  19. data/{info/gpl-hdr.txt → lib/lingo/attendee/stemmer.rb} +33 -0
  20. data/lib/lingo/attendee/synonymer.rb +10 -9
  21. data/lib/lingo/attendee/text_reader.rb +102 -76
  22. data/lib/lingo/attendee/text_writer.rb +23 -26
  23. data/lib/lingo/attendee/tokenizer.rb +13 -27
  24. data/lib/lingo/attendee/variator.rb +26 -66
  25. data/lib/lingo/attendee/vector_filter.rb +42 -43
  26. data/lib/lingo/attendee/word_searcher.rb +6 -7
  27. data/lib/lingo/attendee.rb +25 -7
  28. data/lib/lingo/buffered_attendee.rb +36 -10
  29. data/lib/lingo/cachable.rb +8 -8
  30. data/lib/lingo/config.rb +5 -6
  31. data/lib/lingo/ctl.rb +2 -3
  32. data/lib/lingo/database/crypter.rb +9 -26
  33. data/lib/lingo/database/gdbm_store.rb +3 -5
  34. data/lib/lingo/database/libcdb_store.rb +4 -6
  35. data/lib/lingo/database/sdbm_store.rb +11 -6
  36. data/lib/lingo/database/show_progress.rb +3 -43
  37. data/lib/lingo/database/source/key_value.rb +2 -6
  38. data/lib/lingo/database/source/multi_key.rb +3 -5
  39. data/lib/lingo/database/source/multi_value.rb +2 -6
  40. data/lib/lingo/database/source/single_word.rb +4 -6
  41. data/lib/lingo/database/source/word_class.rb +4 -10
  42. data/lib/lingo/database/source.rb +20 -18
  43. data/lib/lingo/database.rb +84 -59
  44. data/lib/lingo/error.rb +57 -1
  45. data/lib/lingo/language/dictionary.rb +21 -18
  46. data/lib/lingo/language/grammar.rb +40 -49
  47. data/lib/lingo/language/lexical.rb +6 -6
  48. data/lib/lingo/language/lexical_hash.rb +6 -0
  49. data/lib/lingo/language/word.rb +32 -15
  50. data/lib/lingo/language/word_form.rb +1 -1
  51. data/lib/lingo/language.rb +14 -25
  52. data/lib/lingo/reportable.rb +12 -10
  53. data/lib/lingo/show_progress.rb +81 -0
  54. data/lib/lingo/version.rb +1 -1
  55. data/lib/lingo.rb +63 -24
  56. data/lingo-call.cfg +6 -10
  57. data/lingo.cfg +60 -44
  58. data/lir.cfg +42 -41
  59. data/test/attendee/ts_abbreviator.rb +3 -5
  60. data/test/attendee/ts_decomposer.rb +3 -5
  61. data/test/attendee/ts_multi_worder.rb +87 -145
  62. data/test/attendee/ts_noneword_filter.rb +5 -3
  63. data/test/attendee/ts_object_filter.rb +5 -3
  64. data/test/attendee/ts_sequencer.rb +3 -5
  65. data/test/attendee/ts_stemmer.rb +309 -0
  66. data/test/attendee/ts_synonymer.rb +15 -11
  67. data/test/attendee/ts_text_reader.rb +12 -15
  68. data/test/attendee/ts_text_writer.rb +24 -29
  69. data/test/attendee/ts_tokenizer.rb +9 -7
  70. data/test/attendee/ts_variator.rb +4 -4
  71. data/test/attendee/ts_vector_filter.rb +24 -16
  72. data/test/attendee/ts_word_searcher.rb +20 -36
  73. data/test/{lir.csv → lir.vec} +0 -0
  74. data/test/ref/artikel.vec +943 -943
  75. data/test/ref/artikel.ven +943 -943
  76. data/test/ref/lir.non +201 -201
  77. data/test/ref/lir.seq +178 -178
  78. data/test/ref/lir.syn +49 -49
  79. data/test/ref/lir.vec +329 -0
  80. data/test/test_helper.rb +20 -36
  81. data/test/ts_database.rb +10 -10
  82. data/test/ts_language.rb +279 -319
  83. metadata +93 -104
  84. data/info/Objekte.png +0 -0
  85. data/info/Typen.png +0 -0
  86. data/info/database.png +0 -0
  87. data/info/db_small.png +0 -0
  88. data/info/download.png +0 -0
  89. data/info/kerze.png +0 -0
  90. data/info/language.png +0 -0
  91. data/info/lingo.png +0 -0
  92. data/info/logo.png +0 -0
  93. data/info/meeting.png +0 -0
  94. data/info/types.png +0 -0
  95. data/lingo-all.cfg +0 -89
  96. data/porter/stem.cfg +0 -311
  97. data/porter/stem.rb +0 -150
  98. data/test/ref/lir.csv +0 -329
  99. data/test.cfg +0 -79
data/lingo-call.cfg CHANGED
@@ -2,14 +2,10 @@
2
2
  meeting:
3
3
  attendees:
4
4
  - text_reader: { }
5
-
6
5
  - tokenizer: { }
7
- - word_searcher: { source: 'sys-dic', mode: 'first' }
8
- - decomposer: { source: 'sys-dic' }
9
- - multi_worder: { stopper: 'PUNC,OTHR', source: 'sys-mul' }
10
- - sequencer: { stopper: 'PUNC,OTHR' }
11
- - synonymer: { skip: '?,t', source: 'sys-syn', out: 'syn' }
12
- - debugger: { eval: 'true', ceval: 'false', prompt: '' }
13
-
14
- #- vector_filter: { in: 'syn', lexicals: 'y', sort: 'term_abs' }
15
- #- text_writer: { ext: 'STDOUT', sep: "\n" }
6
+ - word_searcher: { source: sys-dic, mode: first }
7
+ - decomposer: { source: sys-dic }
8
+ - multi_worder: { source: sys-mul }
9
+ - sequencer: { }
10
+ - synonymer: { source: sys-syn, skip: '?,t' }
11
+ - debugger: { prompt: '', ceval: 'false' }
data/lingo.cfg CHANGED
@@ -1,5 +1,5 @@
1
1
  #
2
- # Lingo-Konfiguration
2
+ # Lingo-Konfiguration
3
3
  #
4
4
  ---
5
5
  meeting:
@@ -7,74 +7,90 @@ meeting:
7
7
  attendees:
8
8
 
9
9
  ########################################
10
- # Text bereitstellen
10
+ # Text bereitstellen
11
11
  #
12
12
 
13
- # Angegebene Datei zeilenweise einlesen und verarbeitet
14
- - text_reader: { files: '$(files)' }
13
+ # Angegebene Datei zeilenweise einlesen und verarbeiten
14
+ - text_reader: { files: $(files), progress: true }
15
15
 
16
16
 
17
17
  ########################################
18
- # Inhalte verarbeiten
18
+ # Inhalte verarbeiten
19
19
  #
20
20
 
21
- # Zeile in einzelnen Sinnbestandteile (Token) zerlegen
22
- - tokenizer: { }
21
+ # Zeile in einzelnen Sinnbestandteile (Token) zerlegen
22
+ - tokenizer: { }
23
23
 
24
- # Verbleibende Token im Wörterbuch suchen
25
- - word_searcher: { source: 'sys-dic', mode: 'first' }
24
+ # Abkürzungen erkennen und auflösen
25
+ # - abbreviator: { source: sys-abk }
26
26
 
27
- # Nicht erkannte Wörter auf Kompositum testen
28
- - decomposer: { source: 'sys-dic' }
27
+ # Verbleibende Token im Wörterbuch suchen
28
+ - word_searcher: { source: sys-dic, mode: first }
29
29
 
30
- # Mehrwortgruppen im Strom erkennen
31
- - multi_worder: { stopper: 'PUNC,OTHR', source: 'sys-mul' }
30
+ # Schreibweisen variieren und erneut suchen
31
+ # - variator: { source: sys-dic }
32
32
 
33
- # Wortsequenzen anhand von Regeln identifizieren
34
- - sequencer: { stopper: 'PUNC,OTHR' }
33
+ # Bindestrichergänzungen rekonstruieren
34
+ # - dehyphenizer: { source: sys-dic }
35
35
 
36
- # Relationierungen einfügen
37
- - synonymer: { skip: '?,t', source: 'sys-syn', out: syn }
36
+ # Wortstämme für nicht erkannte Wörter einfügen
37
+ # - stemmer: { }
38
+
39
+ # Nicht erkannte Wörter auf Kompositum testen
40
+ - decomposer: { source: sys-dic }
41
+
42
+ # Mehrwortgruppen im Strom erkennen
43
+ - multi_worder: { source: sys-mul }
44
+
45
+ # Wortsequenzen anhand von Regeln identifizieren
46
+ - sequencer: { stopper: PUNC,OTHR }
47
+
48
+ # Relationierungen einfügen
49
+ - synonymer: { skip: '?,t', source: sys-syn, out: syn }
38
50
 
39
51
 
40
52
  ########################################
41
- # Datenstrom anzeigen
53
+ # Datenstrom anzeigen
42
54
  #
43
- # - debugger: { eval: 'true', ceval: 'cmd!="EOL"', prompt: 'lex:) ' }
55
+ # - debugger: { eval: 'true', ceval: 'cmd!="EOL"', prompt: 'lex:) ' }
44
56
 
45
57
 
46
58
  ########################################
47
- # Ergebnisse ausgeben
59
+ # Ergebnisse ausgeben
48
60
  #
49
61
 
50
- # Erstelle Datei mit Endung .log für Datenstrom
51
- - vector_filter: { in: syn, debug: 'true', prompt: 'lex:) ' }
52
- - text_writer: { ext: log, sep: "\n" }
62
+ # Erstelle Datei mit Endung .log für Datenstrom
63
+ - vector_filter: { in: syn, debug: 'true', prompt: 'lex:) ' }
64
+ - text_writer: { ext: log, sep: "\n" }
65
+
66
+ # Erstelle Datei mit Endung .non für nicht erkannte Wörter
67
+ - noneword_filter: { in: syn }
68
+ - text_writer: { ext: non, sep: "\n" }
53
69
 
54
- # Erstelle Datei mit Endung .non für nicht erkannte Wörter
55
- - noneword_filter: { in: syn }
56
- - text_writer: { ext: non, sep: "\n" }
70
+ # Erstelle Datei mit Endung .ste für Wortstämme
71
+ - vector_filter: { in: syn, lexicals: z }
72
+ - text_writer: { ext: ste, sep: "\n" }
57
73
 
58
- # Erstelle Datei mit Endung .vec für erkannte Indexterme
59
- - vector_filter: { in: syn, lexicals: '^[ksavem]$' }
60
- - text_writer: { ext: vec, sep: "\n" }
74
+ # Erstelle Datei mit Endung .vec für erkannte Indexterme
75
+ - vector_filter: { in: syn, lexicals: '^[ksavem]$' }
76
+ - text_writer: { ext: vec, sep: "\n" }
61
77
 
62
- # Erstelle Datei mit Endung .ven für erkannte Indexterme mit absoluter Häufigkeit
63
- - vector_filter: { in: syn, lexicals: '^[ksavem]$', sort: 'term_abs' }
64
- - text_writer: { ext: ven, sep: "\n" }
78
+ # Erstelle Datei mit Endung .ven für erkannte Indexterme mit absoluter Häufigkeit
79
+ - vector_filter: { in: syn, lexicals: '^[ksavem]$', sort: term_abs }
80
+ - text_writer: { ext: ven, sep: "\n" }
65
81
 
66
- # Erstelle Datei mit Endung .ver für erkannte Indexterme mit relativer Häufigkeit
67
- - vector_filter: { in: syn, lexicals: '^[ksavem]$', sort: 'term_rel' }
68
- - text_writer: { ext: ver, sep: "\n" }
82
+ # Erstelle Datei mit Endung .ver für erkannte Indexterme mit relativer Häufigkeit
83
+ - vector_filter: { in: syn, lexicals: '^[ksavem]$', sort: term_rel }
84
+ - text_writer: { ext: ver, sep: "\n" }
69
85
 
70
- # Erstelle Datei mit Endung .mul für erkannte Mehrwortgruppen
71
- - vector_filter: { in: syn, lexicals: m }
72
- - text_writer: { ext: mul, sep: "\n" }
86
+ # Erstelle Datei mit Endung .mul für erkannte Mehrwortgruppen
87
+ - vector_filter: { in: syn, lexicals: m }
88
+ - text_writer: { ext: mul, sep: "\n" }
73
89
 
74
- # Erstelle Datei mit Endung .seq für erkannte Wortsequenzen
75
- - vector_filter: { in: syn, lexicals: q, sort: 'term_abs' }
76
- - text_writer: { ext: seq, sep: "\n" }
90
+ # Erstelle Datei mit Endung .seq für erkannte Wortsequenzen
91
+ - vector_filter: { in: syn, lexicals: q, sort: term_abs }
92
+ - text_writer: { ext: seq, sep: "\n" }
77
93
 
78
- # Erstelle Datei mit Endung .syn für erkannte Synonyme
79
- - vector_filter: { in: syn, lexicals: y, sort: 'term_abs' }
80
- - text_writer: { ext: syn, sep: "\n" }
94
+ # Erstelle Datei mit Endung .syn für erkannte Synonyme
95
+ - vector_filter: { in: syn, lexicals: y, sort: term_abs }
96
+ - text_writer: { ext: syn, sep: "\n" }
data/lir.cfg CHANGED
@@ -1,9 +1,10 @@
1
1
  #
2
- # Lingo-Konfiguration für den Test mit einer LIR-Datei
2
+ # Lingo-Konfiguration für den Test mit einer LIR-Datei
3
3
  #
4
- # Gebräuchliche Patterns sind
5
- # "^\021(\d+\-\d+)\022"
6
- # "^\[(\d+)\.\]"
4
+ # Gebräuchliche Patterns sind
5
+ #
6
+ # "^\021(\d+\-\d+)\022"
7
+ # "^\[(\d+)\.\]"
7
8
  #
8
9
  ---
9
10
  meeting:
@@ -11,66 +12,66 @@ meeting:
11
12
  attendees:
12
13
 
13
14
  ########################################
14
- # Text bereitstellen
15
+ # Text bereitstellen
15
16
  #
16
17
 
17
- # Angegebene Datei zeilenweise einlesen und verarbeiten
18
- - text_reader: { files: '$(files)', lir-record-pattern: '^\[(\d+)\.\]' }
18
+ # Angegebene Datei zeilenweise einlesen und verarbeiten
19
+ - text_reader: { files: $(files), records: true, progress: true }
19
20
 
20
21
 
21
22
  ########################################
22
- # Inhalte verarbeiten
23
+ # Inhalte verarbeiten
23
24
  #
24
25
 
25
- # Zeile in einzelnen Sinnbestandteile (Token) zerlegen
26
- - tokenizer: { }
26
+ # Zeile in einzelnen Sinnbestandteile (Token) zerlegen
27
+ - tokenizer: { }
27
28
 
28
- # Verbleibende Token im Wörterbuch suchen
29
- - word_searcher: { source: 'sys-dic', mode: 'first' }
29
+ # Verbleibende Token im Wörterbuch suchen
30
+ - word_searcher: { source: sys-dic, mode: first }
30
31
 
31
- # Nicht erkannte Wörter auf Kompositum testen
32
- - decomposer: { source: 'sys-dic' }
32
+ # Nicht erkannte Wörter auf Kompositum testen
33
+ - decomposer: { source: sys-dic }
33
34
 
34
- # Mehrwortgruppen im Strom erkennen
35
- - multi_worder: { stopper: 'PUNC,OTHR', source: 'sys-mul' }
35
+ # Mehrwortgruppen im Strom erkennen
36
+ - multi_worder: { source: sys-mul }
36
37
 
37
- # Wortsequenzen anhand von Regeln identifizieren
38
- - sequencer: { stopper: 'PUNC,OTHR' }
38
+ # Wortsequenzen anhand von Regeln identifizieren
39
+ - sequencer: { stopper: PUNC,OTHR }
39
40
 
40
- # Relationierungen einfügen
41
- - synonymer: { skip: '?,t', source: 'sys-syn', out: syn }
41
+ # Relationierungen einfügen
42
+ - synonymer: { skip: '?,t', source: sys-syn, out: syn }
42
43
 
43
44
 
44
45
  ########################################
45
- # Datenstrom anzeigen
46
+ # Datenstrom anzeigen
46
47
  #
47
- # - debugger: { eval: 'true', ceval: 'cmd!="EOL"', prompt: 'lex:) ' }
48
+ # - debugger: { eval: 'true', ceval: 'cmd!="EOL"', prompt: 'lex:) ' }
48
49
 
49
50
 
50
51
  ########################################
51
- # Ergebnisse ausgeben
52
+ # Ergebnisse ausgeben
52
53
  #
53
54
 
54
- # Erstelle Datei mit Endung .log für Datenstrom
55
- - vector_filter: { in: syn, debug: 'true', prompt: 'lex:) ' }
56
- - text_writer: { ext: log, sep: "\n" }
55
+ # Erstelle Datei mit Endung .log für Datenstrom
56
+ - vector_filter: { in: syn, debug: 'true', prompt: 'lex:) ' }
57
+ - text_writer: { ext: log, sep: "\n" }
57
58
 
58
- # Erstelle Datei mit Endung .non für nicht erkannte Wörter
59
- - noneword_filter: { in: syn }
60
- - text_writer: { ext: non }
59
+ # Erstelle Datei mit Endung .non für nicht erkannte Wörter
60
+ - noneword_filter: { in: syn }
61
+ - text_writer: { ext: non, sep: '|' }
61
62
 
62
- # Erstelle Datei mit Endung .csv für erkannte Indexterme
63
- - vector_filter: { in: syn, lexicals: '^[ksavem]$' }
64
- - text_writer: { ext: csv }
63
+ # Erstelle Datei mit Endung .vec für erkannte Indexterme
64
+ - vector_filter: { in: syn, lexicals: '^[ksavem]$' }
65
+ - text_writer: { ext: vec, sep: '|' }
65
66
 
66
- # Erstelle Datei mit Endung .mul für erkannte Mehrwortgruppen
67
- - vector_filter: { in: syn, lexicals: m }
68
- - text_writer: { ext: mul }
67
+ # Erstelle Datei mit Endung .mul für erkannte Mehrwortgruppen
68
+ - vector_filter: { in: syn, lexicals: m }
69
+ - text_writer: { ext: mul, sep: '|' }
69
70
 
70
- # Erstelle Datei mit Endung .seq für erkannte Wortsequenzen
71
- - vector_filter: { in: syn, lexicals: q, sort: 'term_abs' }
72
- - text_writer: { ext: seq }
71
+ # Erstelle Datei mit Endung .seq für erkannte Wortsequenzen
72
+ - vector_filter: { in: syn, lexicals: q, sort: term_abs }
73
+ - text_writer: { ext: seq, sep: '|' }
73
74
 
74
- # Erstelle Datei mit Endung .syn für erkannte Synonyme
75
- - vector_filter: { in: syn, lexicals: y, sort: 'term_abs' }
76
- - text_writer: { ext: syn }
75
+ # Erstelle Datei mit Endung .syn für erkannte Synonyme
76
+ - vector_filter: { in: syn, lexicals: y, sort: term_abs }
77
+ - text_writer: { ext: syn, sep: '|' }
data/test/attendee/ts_abbreviator.rb CHANGED
@@ -5,7 +5,7 @@ require_relative '../test_helper'
5
5
  class TestAttendeeAbbreviator < AttendeeTestCase
6
6
 
7
7
  def test_basic
8
- @input = [
8
+ meet({ 'source' => 'sys-abk' }, [
9
9
  tk('z.b|ABRV'), tk('.|PUNC'),
10
10
  tk('im|WORD'),
11
11
  tk('14.|NUMS'),
@@ -13,8 +13,7 @@ class TestAttendeeAbbreviator < AttendeeTestCase
13
13
  tk('15.|NUMS'),
14
14
  tk('Jh|WORD'), tk('.|PUNC'),
15
15
  ai('EOL|')
16
- ]
17
- @expect = [
16
+ ], [
18
17
  wd('z.b.|IDF', 'zum beispiel|w'),
19
18
  tk('im|WORD'),
20
19
  tk('14.|NUMS'),
@@ -22,8 +21,7 @@ class TestAttendeeAbbreviator < AttendeeTestCase
22
21
  tk('15.|NUMS'),
23
22
  wd('Jh.|IDF', 'jahrhundert|s'),
24
23
  ai('EOL|')
25
- ]
26
- meet({'source'=>'sys-abk'})
24
+ ])
27
25
  end
28
26
 
29
27
  end
data/test/attendee/ts_decomposer.rb CHANGED
@@ -5,21 +5,19 @@ require_relative '../test_helper'
5
5
  class TestAttendeeDecomposer < AttendeeTestCase
6
6
 
7
7
  def test_basic
8
- @input = [
8
+ meet({ 'source' => 'sys-dic' }, [
9
9
  wd('Kleinseite|?'),
10
10
  wd('Arrafat-Nachfolger|?'),
11
11
  wd('Afganistan-Reisen|?'),
12
12
  wd('Kompositumzerlegung|?'),
13
13
  wd('Kompositumzerlegung|?')
14
- ]
15
- @expect = [
14
+ ], [
16
15
  wd('Kleinseite|KOM', 'kleinseite|k', 'klein|a+', 'seite|s+'),
17
16
  wd('Arrafat-Nachfolger|KOM', 'arrafat-nachfolger|k', 'nachfolger|s+', 'arrafat|x+'),
18
17
  wd('Afganistan-Reisen|KOM', 'afganistan-reise|k', 'reise|s+', 'reisen|v+', 'afganistan|x+'),
19
18
  wd('Kompositumzerlegung|KOM', 'kompositumzerlegung|k', 'kompositum|s+', 'zerlegung|s+'),
20
19
  wd('Kompositumzerlegung|KOM', 'kompositumzerlegung|k', 'kompositum|s+', 'zerlegung|s+')
21
- ]
22
- meet({'source'=>'sys-dic'})
20
+ ])
23
21
  end
24
22
 
25
23
  end