opener-tokenizer-base 1.0.0

Sign up to get free protection for your applications and to get access to all the features.
Files changed (44) hide show
  1. checksums.yaml +7 -0
  2. data/README.md +148 -0
  3. data/bin/tokenizer-base +5 -0
  4. data/bin/tokenizer-de +5 -0
  5. data/bin/tokenizer-en +5 -0
  6. data/bin/tokenizer-es +5 -0
  7. data/bin/tokenizer-fr +5 -0
  8. data/bin/tokenizer-it +5 -0
  9. data/bin/tokenizer-nl +5 -0
  10. data/core/lib/Data/OptList.pm +256 -0
  11. data/core/lib/Params/Util.pm +866 -0
  12. data/core/lib/Sub/Exporter.pm +1101 -0
  13. data/core/lib/Sub/Exporter/Cookbook.pod +309 -0
  14. data/core/lib/Sub/Exporter/Tutorial.pod +280 -0
  15. data/core/lib/Sub/Exporter/Util.pm +354 -0
  16. data/core/lib/Sub/Install.pm +329 -0
  17. data/core/lib/Time/Stamp.pm +808 -0
  18. data/core/load-prefixes.pl +43 -0
  19. data/core/nonbreaking_prefixes/abbreviation_list.kaf +0 -0
  20. data/core/nonbreaking_prefixes/abbreviation_list.txt +444 -0
  21. data/core/nonbreaking_prefixes/nonbreaking_prefix.ca +533 -0
  22. data/core/nonbreaking_prefixes/nonbreaking_prefix.de +781 -0
  23. data/core/nonbreaking_prefixes/nonbreaking_prefix.el +448 -0
  24. data/core/nonbreaking_prefixes/nonbreaking_prefix.en +564 -0
  25. data/core/nonbreaking_prefixes/nonbreaking_prefix.es +758 -0
  26. data/core/nonbreaking_prefixes/nonbreaking_prefix.fr +1027 -0
  27. data/core/nonbreaking_prefixes/nonbreaking_prefix.is +697 -0
  28. data/core/nonbreaking_prefixes/nonbreaking_prefix.it +641 -0
  29. data/core/nonbreaking_prefixes/nonbreaking_prefix.nl +739 -0
  30. data/core/nonbreaking_prefixes/nonbreaking_prefix.pl +729 -0
  31. data/core/nonbreaking_prefixes/nonbreaking_prefix.pt +656 -0
  32. data/core/nonbreaking_prefixes/nonbreaking_prefix.ro +484 -0
  33. data/core/nonbreaking_prefixes/nonbreaking_prefix.ru +705 -0
  34. data/core/nonbreaking_prefixes/nonbreaking_prefix.sk +920 -0
  35. data/core/nonbreaking_prefixes/nonbreaking_prefix.sl +524 -0
  36. data/core/nonbreaking_prefixes/nonbreaking_prefix.sv +492 -0
  37. data/core/split-sentences.pl +114 -0
  38. data/core/text-fixer.pl +169 -0
  39. data/core/tokenizer-cli.pl +363 -0
  40. data/core/tokenizer.pl +145 -0
  41. data/lib/opener/tokenizers/base.rb +84 -0
  42. data/lib/opener/tokenizers/base/version.rb +8 -0
  43. data/opener-tokenizer-base.gemspec +25 -0
  44. metadata +134 -0
@@ -0,0 +1,448 @@
1
+ # for now, just include the Greek equivalent of "Mr."
2
+ κ
3
+
4
+ #unified abbreviation list
5
+ Acad
6
+ Adj
7
+ Adm
8
+ Adv
9
+ Affl
10
+ Apr
11
+ Art
12
+ Asst
13
+ Av
14
+ Avg
15
+ B.ches-du-Rh
16
+ Bart
17
+ Bco
18
+ Bldg
19
+ Brig
20
+ Bros
21
+ C.a
22
+ C.p.c.n
23
+ Ca
24
+ Capt
25
+ Cdt
26
+ Cf
27
+ Ch.-Mme
28
+ Chap
29
+ Cie
30
+ Cmdr
31
+ Col
32
+ Comdr
33
+ Con
34
+ Corp
35
+ Cpl
36
+ DR
37
+ DRA
38
+ Da
39
+ Dec
40
+ Dep
41
+ Dn
42
+ Dr
43
+ Dra
44
+ Dras
45
+ Drs
46
+ Eng
47
+ Enga
48
+ Engas
49
+ Engos
50
+ Ens
51
+ Ets
52
+ Euro
53
+ Ev
54
+ Ex
55
+ Excmo
56
+ Exmo
57
+ Exo
58
+ Fa
59
+ Fco
60
+ Feb
61
+ Fig
62
+ Fr
63
+ Gar
64
+ Gen
65
+ Gir
66
+ Gl
67
+ Gov
68
+ Hno
69
+ Hon
70
+ Hosp
71
+ Hr
72
+ Ilmo
73
+ Insp
74
+ J.-C
75
+ Jan
76
+ Jeu
77
+ Jr
78
+ Jul
79
+ Jun
80
+ Lda
81
+ Lieut
82
+ Lt
83
+ Lun
84
+ MM
85
+ MR
86
+ MRS
87
+ MS
88
+ MSc
89
+ Maj
90
+ Mar
91
+ Me
92
+ Mej
93
+ Mer
94
+ Mes
95
+ Messrs
96
+ Mgr
97
+ Mgrs
98
+ Mll
99
+ Mlle
100
+ Mlle(s)
101
+ Mme
102
+ Mme(s)
103
+ Mr
104
+ Mrs
105
+ Ms
106
+ Msgr
107
+ Mw
108
+ Nov
109
+ Npr
110
+ Nr
111
+ O.d.J
112
+ Okt
113
+ Op
114
+ Ord
115
+ Oz
116
+ P
117
+ P.D
118
+ P.ej
119
+ P.p.c
120
+ Pas
121
+ Pfc
122
+ Ph
123
+ Prim
124
+ Prof
125
+ Pte
126
+ Pts
127
+ Pvt
128
+ Rep
129
+ Reps
130
+ Res
131
+ Rev
132
+ Revd
133
+ Rh
134
+ Riv
135
+ Rt
136
+ S.Em
137
+ S.Exc
138
+ S.a.r.l
139
+ Sen
140
+ Sens
141
+ Sep
142
+ Sept
143
+ Sfc
144
+ Sgt
145
+ SGT
146
+ Sl
147
+ Sr
148
+ Sra
149
+ Sras
150
+ Srs
151
+ Srta
152
+ St
153
+ ST
154
+ Sta
155
+ Ste
156
+ Sto
157
+ Supt
158
+ Surg
159
+ Tj
160
+ Tr
161
+ Ud
162
+ Uds
163
+ V.Exc
164
+ Vd
165
+ Vda
166
+ Vds
167
+ Vz
168
+ Z.D
169
+ Z.D.H
170
+ Z.E
171
+ Z.Em
172
+ Z.H
173
+ Z.K.H
174
+ Z.K.M
175
+ Z.M
176
+ a
177
+ a./s
178
+ a.C
179
+ a.g.v
180
+ a.l
181
+ abrev
182
+ abs
183
+ ac
184
+ acc
185
+ acron
186
+ adj
187
+ adm
188
+ adr
189
+ adv
190
+ alt
191
+ anal
192
+ anat
193
+ angl
194
+ appos
195
+ apr
196
+ apr
197
+ asc
198
+ atm
199
+ auj
200
+ aux
201
+ av
202
+ avg
203
+ avr
204
+ b
205
+ b.a.o
206
+ b.a.p
207
+ b.a.r
208
+ bacc
209
+ bat
210
+ bc
211
+ bd
212
+ bde
213
+ bgen
214
+ bijv
215
+ bijz
216
+ br
217
+ bv
218
+ c
219
+ c.-a-d
220
+ c.a.f
221
+ c.i
222
+ cc
223
+ cf
224
+ cft
225
+ ch
226
+ ch.-l
227
+ chbre
228
+ chbs
229
+ chf
230
+ col
231
+ coll
232
+ cpl
233
+ cpt
234
+ cpte
235
+ cta
236
+ d
237
+ d.c
238
+ d.w.z
239
+ dcha
240
+ dec
241
+ def
242
+ dem
243
+ dep
244
+ dept
245
+ dhr
246
+ dipl
247
+ dispo
248
+ div
249
+ dpto
250
+ dr
251
+ dr.h.c
252
+ dra
253
+ dras
254
+ drs
255
+ ds
256
+ dz
257
+ e.c
258
+ e.g
259
+ e.g
260
+ e.k
261
+ eccles
262
+ ecol
263
+ econ
264
+ ed
265
+ ej
266
+ env
267
+ ep
268
+ eq
269
+ et
270
+ etc
271
+ ev
272
+ ex
273
+ exmo
274
+ exo
275
+ exp
276
+ expo
277
+ f.a.c
278
+ fa
279
+ fam
280
+ fasc
281
+ fbg
282
+ feb
283
+ fem
284
+ fevr
285
+ ff
286
+ fl
287
+ fol
288
+ fr
289
+ fs
290
+ fut
291
+ gd
292
+ gde
293
+ gdes
294
+ gds
295
+ gen
296
+ gl
297
+ grd
298
+ h.-t
299
+ hab
300
+ i.e
301
+ i.p.v
302
+ i.s.m
303
+ i.t.t
304
+ i.v.m
305
+ ibid
306
+ id
307
+ imp
308
+ ing
309
+ ir
310
+ iron
311
+ itd
312
+ itn
313
+ itp
314
+ izq
315
+ j
316
+ janv
317
+ jhr
318
+ jkvr
319
+ jr
320
+ l
321
+ lat
322
+ lex
323
+ lgen
324
+ lib
325
+ lieut
326
+ liv
327
+ lkol
328
+ loc
329
+ lof
330
+ m
331
+ m.a.w
332
+ m.b.t
333
+ m.b.v
334
+ m.h.o
335
+ m.i
336
+ m.i.v
337
+ maj
338
+ mar
339
+ mas
340
+ max
341
+ med
342
+ mevr
343
+ min
344
+ mll
345
+ mr
346
+ ms
347
+ mtr
348
+ mtrs
349
+ n
350
+ n
351
+ n.f
352
+ n.f.pl
353
+ n.m
354
+ n.m.pl
355
+ npr
356
+ o
357
+ o.b.s
358
+ obs
359
+ oct
360
+ okt
361
+ ord
362
+ oz
363
+ p
364
+ p
365
+ p.a
366
+ p.ej
367
+ p.ex
368
+ p.g.c.d
369
+ p.i
370
+ p.j
371
+ p.m
372
+ p.o
373
+ p.p
374
+ p.p.c.d
375
+ p.p.c.m
376
+ p.pa
377
+ p.pr
378
+ pl
379
+ plv
380
+ poe
381
+ pp
382
+ pp
383
+ pr
384
+ pr
385
+ pres
386
+ prev
387
+ prof
388
+ px
389
+ q.s
390
+ qqch
391
+ qqf
392
+ qqn
393
+ qqns
394
+ r.-de-ch
395
+ r.p.m
396
+ rc
397
+ rd
398
+ ref
399
+ refl
400
+ reg
401
+ rev
402
+ ro
403
+ rte
404
+ s
405
+ s
406
+ s.a
407
+ s.b.f
408
+ s.d
409
+ s.e
410
+ s.l
411
+ s.l.n.d
412
+ s.l.p
413
+ s.t.p
414
+ s.v.p
415
+ s/c
416
+ sc
417
+ sf
418
+ sgt
419
+ sl
420
+ sr
421
+ sra
422
+ sras
423
+ srs
424
+ ss
425
+ sto
426
+ t
427
+ t.s.v.p
428
+ tec
429
+ tel
430
+ terr
431
+ tg
432
+ tint
433
+ tit
434
+ tj
435
+ tr
436
+ travx
437
+ v
438
+ v.intr
439
+ v.tr
440
+ v.w.t
441
+ var
442
+ vs
443
+ vta
444
+ vx
445
+ z.v
446
+ zool
447
+ Št
448
+ št
@@ -0,0 +1,564 @@
1
+
2
+
3
+ #Special cases are included for prefixes that ONLY appear before 0-9 numbers.
4
+
5
+ #any single upper case letter followed by a period is not a sentence ender (excluding I occasionally, but we leave it in)
6
+ #usually upper case letters are initials in a name
7
+ A
8
+ B
9
+ C
10
+ D
11
+ E
12
+ F
13
+ G
14
+ H
15
+ I
16
+ J
17
+ K
18
+ L
19
+ M
20
+ N
21
+ O
22
+ P
23
+ Q
24
+ R
25
+ S
26
+ T
27
+ U
28
+ V
29
+ W
30
+ X
31
+ Y
32
+ Z
33
+
34
+ #List of titles. These are often followed by upper-case names, but do not indicate sentence breaks
35
+ Adj
36
+ Adm
37
+ Adv
38
+ Asst
39
+ Bart
40
+ Bldg
41
+ Brig
42
+ Bros
43
+ Capt
44
+ Cmdr
45
+ Col
46
+ Comdr
47
+ Con
48
+ Corp
49
+ Cpl
50
+ DR
51
+ Dr
52
+ Drs
53
+ Ens
54
+ Gen
55
+ Gov
56
+ Hon
57
+ Hr
58
+ Hosp
59
+ Insp
60
+ Lt
61
+ MM
62
+ MR
63
+ MRS
64
+ MS
65
+ Maj
66
+ Messrs
67
+ Mlle
68
+ Mme
69
+ Mr
70
+ Mrs
71
+ Ms
72
+ Msgr
73
+ Op
74
+ Ord
75
+ Pfc
76
+ Ph
77
+ Prof
78
+ Pvt
79
+ Rep
80
+ Reps
81
+ Res
82
+ Rev
83
+ Rt
84
+ Sen
85
+ Sens
86
+ Sfc
87
+ Sgt
88
+ Sr
89
+ St
90
+ Supt
91
+ Surg
92
+
93
+ #misc - odd period-ending items that NEVER indicate breaks (p.m. does NOT fall into this category - it sometimes ends a sentence)
94
+ v
95
+ vs
96
+ i.e
97
+ rev
98
+ e.g
99
+
100
+ #Numbers only. These should only induce breaks when followed by a numeric sequence
101
+ # add NUMERIC_ONLY after the word for this function
102
+ #This case is mostly for the english "No." which can either be a sentence of its own, or
103
+ #if followed by a number, a non-breaking prefix
104
+ No #NUMERIC_ONLY#
105
+ Nos
106
+ Art #NUMERIC_ONLY#
107
+ Nr
108
+ pp #NUMERIC_ONLY#
109
+
110
+ #unified abbreviation list
111
+ Acad
112
+ Adj
113
+ Adm
114
+ Adv
115
+ Affl
116
+ Apr
117
+ Art
118
+ Asst
119
+ Aug
120
+ Av
121
+ Avg
122
+ B.ches-du-Rh
123
+ Bart
124
+ Bco
125
+ Bldg
126
+ Brig
127
+ Bros
128
+ C.a
129
+ C.p.c.n
130
+ Ca
131
+ Capt
132
+ Cdt
133
+ Cf
134
+ Ch.-Mme
135
+ Chap
136
+ Cie
137
+ Cmdr
138
+ Col
139
+ Comdr
140
+ Con
141
+ Corp
142
+ Cpl
143
+ DR
144
+ DRA
145
+ Da
146
+ Dec
147
+ Dep
148
+ Dn
149
+ Dr
150
+ Dra
151
+ Dras
152
+ Drs
153
+ Eng
154
+ Enga
155
+ Engas
156
+ Engos
157
+ Ens
158
+ Ets
159
+ Euro
160
+ Ev
161
+ Ex
162
+ Excmo
163
+ Exmo
164
+ Exo
165
+ Fa
166
+ Fco
167
+ Feb
168
+ Fig
169
+ Fr
170
+ Gar
171
+ Gen
172
+ Gir
173
+ Gl
174
+ Gov
175
+ Hno
176
+ Hon
177
+ Hosp
178
+ Hr
179
+ Ilmo
180
+ Insp
181
+ J.-C
182
+ Jan
183
+ Jeu
184
+ Jr
185
+ Jul
186
+ Jun
187
+ Lda
188
+ Lieut
189
+ Lt
190
+ Lun
191
+ MM
192
+ MR
193
+ MRS
194
+ MS
195
+ MSc
196
+ Maj
197
+ Mar
198
+ May
199
+ Me
200
+ Mej
201
+ Mer
202
+ Mes
203
+ Messrs
204
+ Mgr
205
+ Mgrs
206
+ Mll
207
+ Mlle
208
+ Mlle(s)
209
+ Mme
210
+ Mme(s)
211
+ Mr
212
+ Mrs
213
+ Ms
214
+ Msgr
215
+ Mw
216
+ Nov
217
+ Npr
218
+ Nr
219
+ O.d.J
220
+ Oct
221
+ Okt
222
+ Op
223
+ Ord
224
+ Oz
225
+ P
226
+ P.D
227
+ P.ej
228
+ P.p.c
229
+ Pas
230
+ Pfc
231
+ Ph
232
+ Prim
233
+ Prof
234
+ Pte
235
+ Pts
236
+ Pvt
237
+ Rep
238
+ Reps
239
+ Res
240
+ Rev
241
+ Revd
242
+ Rh
243
+ Riv
244
+ Rt
245
+ S.Em
246
+ S.Exc
247
+ S.a.r.l
248
+ Sen
249
+ Sens
250
+ Sep
251
+ Sept
252
+ Sfc
253
+ Sgt
254
+ SGT
255
+ Sl
256
+ Sr
257
+ Sra
258
+ Sras
259
+ Srs
260
+ Srta
261
+ St
262
+ ST
263
+ Sta
264
+ Ste
265
+ Sto
266
+ Supt
267
+ Surg
268
+ Tj
269
+ Tr
270
+ Ud
271
+ Uds
272
+ V.Exc
273
+ Vd
274
+ Vda
275
+ Vds
276
+ Vz
277
+ Z.D
278
+ Z.D.H
279
+ Z.E
280
+ Z.Em
281
+ Z.H
282
+ Z.K.H
283
+ Z.K.M
284
+ Z.M
285
+ a
286
+ a./s
287
+ a.C
288
+ a.g.v
289
+ a.l
290
+ abrev
291
+ abs
292
+ ac
293
+ acc
294
+ acron
295
+ adj
296
+ adm
297
+ adr
298
+ adv
299
+ alt
300
+ anal
301
+ anat
302
+ angl
303
+ appos
304
+ apr
305
+ asc
306
+ atm
307
+ aug
308
+ auj
309
+ aux
310
+ av
311
+ avg
312
+ avr
313
+ b
314
+ b.a.o
315
+ b.a.p
316
+ b.a.r
317
+ bacc
318
+ bat
319
+ bc
320
+ bd
321
+ bde
322
+ bgen
323
+ bijv
324
+ bijz
325
+ br
326
+ bv
327
+ c
328
+ c.-a-d
329
+ c.a.f
330
+ c.i
331
+ cc
332
+ cf
333
+ cft
334
+ ch
335
+ ch.-l
336
+ chbre
337
+ chbs
338
+ chf
339
+ col
340
+ coll
341
+ cpl
342
+ cpt
343
+ cpte
344
+ cta
345
+ d
346
+ d.c
347
+ d.w.z
348
+ dcha
349
+ dec
350
+ def
351
+ dem
352
+ dep
353
+ dept
354
+ dhr
355
+ dipl
356
+ dispo
357
+ div
358
+ dpto
359
+ dr
360
+ dr.h.c
361
+ dra
362
+ dras
363
+ drs
364
+ ds
365
+ dz
366
+ e.c
367
+ e.g
368
+ e.g
369
+ e.k
370
+ eccles
371
+ ecol
372
+ econ
373
+ ed
374
+ ej
375
+ env
376
+ ep
377
+ eq
378
+ et
379
+ etc
380
+ ev
381
+ ex
382
+ exmo
383
+ exo
384
+ exp
385
+ expo
386
+ f.a.c
387
+ fa
388
+ fam
389
+ fasc
390
+ fbg
391
+ feb
392
+ fem
393
+ fevr
394
+ ff
395
+ fl
396
+ fol
397
+ fr
398
+ fs
399
+ fut
400
+ gd
401
+ gde
402
+ gdes
403
+ gds
404
+ gen
405
+ gl
406
+ grd
407
+ h.-t
408
+ hab
409
+ i.e
410
+ i.p.v
411
+ i.s.m
412
+ i.t.t
413
+ i.v.m
414
+ ibid
415
+ id
416
+ imp
417
+ ing
418
+ ir
419
+ iron
420
+ itd
421
+ itn
422
+ itp
423
+ izq
424
+ j
425
+ jan
426
+ janv
427
+ jhr
428
+ jkvr
429
+ jr
430
+ jul
431
+ jun
432
+ l
433
+ lat
434
+ lex
435
+ lgen
436
+ lib
437
+ lieut
438
+ liv
439
+ lkol
440
+ loc
441
+ lof
442
+ #m
443
+ m.a.w
444
+ m.b.t
445
+ m.b.v
446
+ m.h.o
447
+ m.i
448
+ m.i.v
449
+ maj
450
+ mar
451
+ mas
452
+ max
453
+ may
454
+ med
455
+ mevr
456
+ min
457
+ mll
458
+ mr
459
+ ms
460
+ mtr
461
+ mtrs
462
+ n
463
+ n
464
+ n.f
465
+ n.f.pl
466
+ n.m
467
+ n.m.pl
468
+ nov
469
+ npr
470
+ o
471
+ o.b.s
472
+ obs
473
+ oct
474
+ okt
475
+ ord
476
+ oz
477
+ p
478
+ p
479
+ p.a
480
+ p.ej
481
+ p.ex
482
+ p.g.c.d
483
+ p.i
484
+ p.j
485
+ p.m
486
+ p.o
487
+ p.p
488
+ p.p.c.d
489
+ p.p.c.m
490
+ p.pa
491
+ p.pr
492
+ pl
493
+ plv
494
+ poe
495
+ pp
496
+ pp
497
+ pr
498
+ pr
499
+ pres
500
+ prev
501
+ prof
502
+ px
503
+ q.s
504
+ qqch
505
+ qqf
506
+ qqn
507
+ qqns
508
+ r.-de-ch
509
+ r.p.m
510
+ rc
511
+ rd
512
+ ref
513
+ refl
514
+ reg
515
+ rev
516
+ ro
517
+ rte
518
+ s
519
+ s
520
+ s.a
521
+ s.b.f
522
+ s.d
523
+ s.e
524
+ s.l
525
+ s.l.n.d
526
+ s.l.p
527
+ s.t.p
528
+ s.v.p
529
+ s/c
530
+ sc
531
+ sep
532
+ sept
533
+ sf
534
+ sgt
535
+ sl
536
+ sr
537
+ sra
538
+ sras
539
+ srs
540
+ ss
541
+ sto
542
+ t
543
+ t.s.v.p
544
+ tec
545
+ tel
546
+ terr
547
+ tg
548
+ tint
549
+ tit
550
+ tj
551
+ tr
552
+ travx
553
+ v
554
+ v.intr
555
+ v.tr
556
+ v.w.t
557
+ var
558
+ vs
559
+ vta
560
+ vx
561
+ z.v
562
+ zool
563
+ Št
564
+ št