forked from max-lancaster/namsel
-
Notifications
You must be signed in to change notification settings - Fork 5
/
Copy pathroot_based_finder.py
321 lines (245 loc) · 12.6 KB
/
root_based_finder.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
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
#! /usr/bin/python
# encoding: utf-8
from itertools import chain
alphabet = set([u'ཀ', u'ཁ', u'ག', u'ང',
u'ཅ', u'ཆ', u'ཇ', u'ཉ',
u'ཏ', u'ཐ', u'ད', u'ན',
u'པ', u'ཕ', u'བ', u'མ',
u'ཙ', u'ཚ', u'ཛ', u'ཝ',
u'ཞ', u'ཟ', u'འ', u'ཡ',
u'ར', u'ལ', u'ཤ', u'ས',
u'ཧ', u'ཨ'])
pref = set([u"ག", u"ད", u"བ", u"མ", u"འ"])
head_letter = set([u"ར", u"ལ", u"ས"])
root_only = frozenset((u'ཀ', u'ཁ', u'ཅ', u'ཆ', u'ཇ', u'ཉ', u'ཏ', u'ཐ', u'པ', u'ཕ',
u'ཙ', u'ཚ', u'ཛ', u'ཝ', u'ཞ', u'ཟ', u'ཡ', u'ཤ',))
subcons = frozenset((u'ྐ', u'ྑ', u'ྒ', u'ྔ', u'ྕ', u'ྖ', u'ྗ', u'ྙ',
u"ྚ", u'ྟ', u'ྠ', u'ྡ', u"ྜ", u'ྣ', u'ྤ', u'ྦ',
u'ྥ', u'ྨ', u'ྩ', u'ྪ', u'ྫ', u'ྯ', u'ྮ', u'ྴ', u'ྷ', u'ྻ', u'ྼ', u'ྶ'))
subjoined = frozenset((u'ྱ', u'ྲ', u'ླ', u'ྭ')) # wazur is being treated as an official member, for now at least
suffixes = set([u'ག', u'ང', u'ད', u'ན', u'བ', u'མ', u'འ', u'ར', u'ལ', u'ས'])
second_suffix = set([u'ས', u'ད'])
vowels = set([u'ི', u'ུ', u'ེ', u'ོ'])
retroflex = frozenset((u'ཊ',u'ཋ',u'ཌ',u'ཎ',u'ཥ',
u'ྚ', u'ྛ', u'ྜ', u'ྞ', u'ྵ'))
twelve_ra_mgo = set([u'རྐ', u'རྒ', u'རྔ', u'རྗ', u'རྙ', u'རྟ', u'རྡ', u'རྣ',
u'རྦ', u'རྨ', u'རྩ', u'རྫ'])
ten_la_mgo = set([u'ལྐ', u'ལྒ', u'ལྔ', u'ལྕ', u'ལྗ', u'ལྟ', u'ལྡ', u'ལྤ',
u'ལྦ', u'ལྷ'])
eleven_sa_mgo = set([u'སྐ', u'སྒ', u'སྔ', u'སྙ', u'སྟ', u'སྡ', u'སྣ', u'སྤ',
u'སྦ', u'སྨ', u'སྩ'])
wazur_sub = set([u'ཀྭ',u'ཁྭ',u'གྭ',u'ཅྭ',u'ཉྭ',u'ཏྭ',u'དྭ',u'ཙྭ',u'ཚྭ',u'ཞྭ',u'ཟྭ',u'རྭ',
u'ལྭ',u'ཤྭ',u'སྭ',u'ཧྭ',u'གྲྭ', u'དྲྭ']) # everything after and including གྲྭ added by me
# 'dogs can combinations
seven_ya_tags = set([u'ཀྱ', u'ཁྱ', u'གྱ', u'པྱ', u'ཕྱ', u'བྱ', u'མྱ'])
twelve_ra_tags = set([u'ཀྲ', u'ཁྲ', u'གྲ', u'ཏྲ', u'ཐྲ', u'དྲ', u'པྲ', u'ཕྲ', u'བྲ',
u'མྲ', u'ཧྲ', u'སྲ'])
six_la_tags = set([u'ཀླ', u'གླ', u'བླ', u'ཟླ', u'རླ', u'སླ'])
# three tiered stacks
ya_tags_stack = set([u'རྐྱ', u'རྒྱ', u'རྨྱ', u'སྐྱ', u'སྒྱ', u'སྤྱ', u'སྦྱ', u'སྨྱ'])
ra_tags_stack = set([u'སྐྲ', u'སྒྲ', u'སྣྲ', u'སྤྲ', u'སྦྲ', u'སྨྲ'])
legal_ga_prefix = frozenset([u'གཅ', u'གཉ', u'གཏ', u'གད', u'གན', u'གཙ', u'གཞ',
u'གཟ', u'གཡ', u'གཤ', u'གས',])
legal_da_prefix = frozenset([u'དཀ', u'དཀྱ', u'དཀྲ', u'དག', u'དགྱ', u'དགྲ', u'དང',
u'དཔ', u'དཔྱ', u'དཔྲ', u'དབ', u'དབྱ', u'དབྲ', u'དམ',
u'དམྱ',])
legal_ba_prefix = frozenset([u'བཀ', u'བཀྱ', u'བཀྲ', u'བརྐ', u'བསྐ', u'བརྐྱ', u'བསྐྱ',
u'བསྐྲ', u'བག', u'བགྱ', u'བརྒ', u'བསྒ', u'བརྒྱ', u'བསྒྱ',
u'བསྒྲ', u'བརྔ', u'བསྔ', u'བཅ', u'བརྗ', u'བརྙ', u'བསྙ',
u'བཏ', u'བརྟ', u'བལྟ', u'བསྟ', u'བད', u'བརྡ', u'བལྡ',
u'བསྡ', u'བརྣ', u'བསྣ', u'བཙ', u'བརྩ', u'བསྩ', u'བརྫ',
u'བཞ', u'བཟ', u'བཟླ', u'བརླ', u'བཤ', u'བས', u'བསྲ',
u'བསླ', u'བགྲ'])
legal_ma_prefix = frozenset([u'མཁ', u'མཁྱ', u'མཁྲ', u'མག', u'མགྱ', u'མགྲ', u'མང',
u'མཆ', u'མཇ', u'མཉ', u'མཐ', u'མད', u'མན', u'མཚ',
u'མཛ',])
legal_a_prefix = frozenset([u'འཁ',u'འཁྱ',u'འཁྲ',u'འག',u'འགྱ',u'འགྲ',u'འཆ',
u'འཇ',u'འཐ',u'འད',u'འདྲ',u'འཕ',u'འཕྱ',u'འཕྲ',
u'འབ',u'འབྱ',u'འབྲ',u'འཚ',u'འཛ',])
all_legal_prefix = (legal_ga_prefix.union(legal_da_prefix).union(legal_ma_prefix).
union(legal_ba_prefix).union(legal_a_prefix))
amb1 = (u'བགས', u'མངས')
amb2 = (u'དགས', u'འགས', u'དབས', u'དམས')
letters = (u'ཀ',u'ཁ',u'ག',u'གྷ',u'ང',u'ཅ',u'ཆ',u'ཇ',u'ཉ',u'ཊ',u'ཋ',u'ཌ',u'ཌྷ',u'ཎ',u'ཏ',
u'ཐ',u'ད',u'དྷ',u'ན',u'པ',u'ཕ',u'བ',u'བྷ',u'མ',u'ཙ',u'ཚ',u'ཛ',u'ཛྷ',u'ཝ',
u'ཞ',u'ཟ',u'འ',u'ཡ',u'ར',u'ལ',u'ཤ',u'ཥ',u'ས',u'ཧ',u'ཨ',u'ཀྵ',u'ཪ',u'ཫ',u'ཬ',)
all_stacks = frozenset([i for i in chain(twelve_ra_mgo ,ten_la_mgo , eleven_sa_mgo ,
seven_ya_tags , twelve_ra_tags , six_la_tags ,
ya_tags_stack , ra_tags_stack , wazur_sub)])
# for achung endings, also consider adding u'འུའོ'
achung_endings = set([u'འི', u'འུ', u'འང', u'འམ', u'འོ', u'འུའི'])
sa_yang_endings = set([u'གས',u'ངས',u'བས',u'མས',])
da_yang_endings = set([u'ནད',u'རད',u'ལད',]) # Rare
valid_starts = all_stacks.union(all_legal_prefix).union(alphabet).union(wazur_sub)
valid_endings = suffixes.union(sa_yang_endings).union(achung_endings).union(da_yang_endings)
head = head_letter
hard_indicators = root_only.union(subjoined).union(vowels).union(subcons)
letters = (u'ཀ',u'ཁ',u'ག',u'གྷ',u'ང',u'ཅ',u'ཆ',u'ཇ',u'ཉ',u'ཊ',u'ཋ',u'ཌ',u'ཌྷ',u'ཎ',u'ཏ',
u'ཐ',u'ད',u'དྷ',u'ན',u'པ',u'ཕ',u'བ',u'བྷ',u'མ',u'ཙ',u'ཚ',u'ཛ',u'ཛྷ',u'ཝ',
u'ཞ',u'ཟ',u'འ',u'ཡ',u'ར',u'ལ',u'ཤ',u'ཥ',u'ས',u'ཧ',u'ཨ',u'ཀྵ',u'ཪ',u'ཫ',u'ཬ',)
subjoined_letters = (u'ྐ',u'ྑ',u'ྒ',u'ྒྷ',u'ྔ',u'ྕ',u'ྖ',u'ྗ',u'ྙ',u'ྚ',u'ྛ',u'ྜ',u'ྜྷ',
u'ྞ',u'ྟ',u'ྠ',u'ྡ',u'ྡྷ',u'ྣ',u'ྤ',u'ྥ',u'ྦ',u'ྦྷ',u'ྨ',u'ྩ',
u'ྪ',u'ྫ',u'ྫྷ',u'ྭ',u'ྮ',u'ྯ',u'ྰ',u'ྱ',u'ྲ',u'ླ',u'ྴ',u'ྵ',
u'ྶ',u'ྷ',u'ྸ',u'ྐྵ',u'ྺ',u'ྻ',u'ྼ',)
f_vowels = (u'\u0f71', u'\u0f72', u'\u0f73', u'\u0f74', u'\u0f75', u'\u0f76',
u'\u0f77', u'\u0f78', u'\u0f79', u'\u0f7a', u'\u0f7b', u'\u0f7c', u'\u0f7d',
u'\u0f80', u'\u0f81')
misc_word_parts = (u'ྃ', u'ཾ')
word_parts = letters + subjoined_letters + f_vowels + misc_word_parts
def start_end_ok(s, e):
# if len(vowels.intersection(e)) > 0:
# return False
# Wazur in combinations like གྲྭ is not accounted for in main routine
# This stems from fact wazur is regarded as a subjoined letter
# even though actually it itself can be appended to a subjoined ltr
if e and e[0] == u'ྭ' and s:
s += u'ྭ'
e = e.lstrip(u'ྭ')
if s and s not in valid_starts:
return False
# we look at the beginning and ending letters of a word
# and for the most part assume any vowels in between are behaving
# as expected. This is not always a good assumption.
# In this case, we check to make sure there is not more than one
# consecutive vowel
if e and e[0] in vowels and len(e) > 1:
if e[1] in vowels:
return False
e = e.lstrip(u'ིེོུ')
if e and e not in valid_endings:
return False
return True
def find_root_easy(ls):
'''Hard indicators tell you exactly where root is'''
root = -1
for i, l in enumerate(ls):
if len(ls) == 1 and l in alphabet:
root = 0
break
elif l in subjoined:
if not start_end_ok(ls[0:i+1],ls[i+1:]):
# print start, end
root = -1
else: root = i - 1
break
elif l in vowels and ls[i-1] == u'འ' and i-1 != 0:
# if i-1 != 0:
# root = -1
# else:
# if not start_end_ok(u'འ' , ls[i+1:]):
# root = -1
# else:
# root = 0
if not start_end_ok(ls[:i-1] , ls[i-1:]):
root = -1
break
else:
root = 0
break
elif l in vowels:
if not start_end_ok(ls[0:i], ls[i:]):
root = -1
break
else: root = i-1
break
elif l in root_only or l in subcons:
try:
if i+1 <= len(ls) - 1 and ls[i+1] in subjoined:
if not start_end_ok(ls[:min(i+2, len(ls))], ls[min(i+2, len(ls)):]):
# print ls[:min(i+2, len(ls))], ls[min(i+2, len(ls)):], 'ookl'
root = -1
else:
root = i
elif not start_end_ok(ls[:min(i+1, len(ls))], ls[min(i+1, len(ls)):]):
# print ls[:min(i+1, len(ls))], ls[min(i+1, len(ls)):], 'skldfj'
root = -1
else:
root = i
except IndexError:
if not start_end_ok(ls, ''):
root = -1
else:
root = i
break
return root
def find_root_cons(ls):
'''Find root among a string of non descript consonants'''
root = -1
if len(ls) == 1:
if ls in alphabet:
root = 0
else: root = -1
if len(ls) == 2:
if ls[0] == ls[1]:
root = -1
elif ls[1] == u'འ':
root = -1
elif ls[1] not in suffixes:
root = -1
else:
root = 0
elif len(ls) == 3:
if ls[-1] in suffixes:
if (ls[-2:] in sa_yang_endings) or\
(ls[-2:] in da_yang_endings):
if ls in amb2: #ambiguous cases
root = 1
else:
root = 0
elif ls[1] == u'འ': # ex བའམ
if not start_end_ok(ls[0], ls[1:]): root = -1
else: root = 0
else:
if not start_end_ok(ls[0:2], ls[2]): root = -1
else:
root = 1
elif len(ls) == 4:
# print 'landed here'
root = 1
if not start_end_ok(ls[0:2], ls[2:]): root = -1
return root
def is_non_std(ls):
'''Detect whether a group of letters is non standard. ls
is assumed to be word chars only. i.e. numbers, symbols, etc
should be removed before calling this function'''
if not retroflex.isdisjoint(ls):
return True
elif not hard_indicators.isdisjoint(ls):
root_ind = find_root_easy(ls)
if root_ind not in (0,1,2):
return True
else:
return False
else:
if not alphabet.issuperset(ls):
pass
root = find_root_cons(ls)
if root == -1:
return True
else:
return False
def get_root(ls):
if not retroflex.isdisjoint(ls):
return ls[0]
elif not hard_indicators.isdisjoint(ls):
root_ind = find_root_easy(ls)
if root_ind not in (0,1,2):
return ls[0]
else:
return ls[root_ind]
else:
if not alphabet.issuperset(ls):
# print 'Warning!', ls
pass
root_ind = find_root_cons(ls)
if root_ind == -1:
return ls[0]
else:
return ls[root_ind]
if __name__ == '__main__':
# print start_end_ok(u'བ', u'གས')
samples = u'བཏགས སྒྲུབ པའི འོད སྤྲེའུའི མཏོན གཏོ ནཔལཐ གཞན མཐའ མདའ བདག ལནག ཀྲ ཁྲ བའམ པའམ མཐའི རེའུ ལ པ བ ན ལྟ རྒྱཔ པོདེ བསྡིག མགྲོད བགྲོད པོའོ བའི ཧཱུྃ'
for s in samples.split():
print is_non_std(s), s
from termset import syllables
print u'ཧཱུྃ' in syllables