openthesaurus debugging

This commit is contained in:
jannis.grundmann 2017-08-30 12:56:59 +02:00
parent 6292ee6cc7
commit bb9edcff25
2 changed files with 138 additions and 52 deletions

View File

@ -7,7 +7,7 @@ import spacy
import textacy import textacy
import sys import sys
import xml.etree.ElementTree as ET
""" """
import keras import keras
import numpy as np import numpy as np
@ -37,7 +37,7 @@ def getFirstSynonym(word, thesaurus_gen):
# durch den synonymblock iterieren # durch den synonymblock iterieren
for syn in syn_block: for syn in syn_block:
syn = syn.lower().split(" ") # aus synonym mach liste (um evtl. sätze zu identifieziren) syn = syn.lower().split(" ") if not re.match(r'\A[\w-]+\Z', syn) else syn # aus synonym mach liste (um evtl. sätze zu identifieziren)
# falls das wort in dem synonym enthalten ist (also == einem Wort in der liste ist) # falls das wort in dem synonym enthalten ist (also == einem Wort in der liste ist)
if word in syn: if word in syn:
@ -46,17 +46,16 @@ def getFirstSynonym(word, thesaurus_gen):
if "auptform" in syn: if "auptform" in syn:
# nicht ausgeben, falls es in Klammern steht # nicht ausgeben, falls es in Klammern steht
for w in syn: for w in syn:
if not re.match(r'\([^)]+\)', w): if not re.match(r'\([^)]+\)', w) and w is not None:
return w return w
# falls keine hauptform enthalten ist, das erste Synonym zurückgeben, was kein satz ist und nicht in klammern steht # falls keine hauptform enthalten ist, das erste Synonym zurückgeben, was kein satz ist und nicht in klammern steht
if len(syn) == 1: if len(syn) == 1:
w = syn[0] w = syn[0]
if not re.match(r'\([^)]+\)', w): if not re.match(r'\([^)]+\)', w) and w is not None:
return w return w
return word # zur Not die eingabe ausgeben return word # zur Not die eingabe ausgeben
def cleanText(string,custom_stopwords=None, custom_symbols=None, custom_words=None, customPreprocessing=None, lemmatize=False): def cleanText(string,custom_stopwords=None, custom_symbols=None, custom_words=None, customPreprocessing=None, lemmatize=False):
@ -157,24 +156,25 @@ def cleanText(string,custom_stopwords=None, custom_symbols=None, custom_words=No
tokens.remove("\n") tokens.remove("\n")
while "\n\n" in tokens: while "\n\n" in tokens:
tokens.remove("\n\n") tokens.remove("\n\n")
"""
#TODO hier thsaurus einbinden? tokenz = []
for tok in tokens:
tokenz.append(str(getFirstSynonym(tok,THESAURUS_gen)))
tokens = tokenz
"""
tokens = [str(getFirstSynonym(tok,THESAURUS_gen)) for tok in tokens]
return " ".join(tokens) return " ".join(tokens)
def generateTextfromXML(path2xml, clean=True, textfield='Beschreibung'):
def generateTextfromXML(path2xml, clean=True, field='Beschreibung'):
import xml.etree.ElementTree as ET import xml.etree.ElementTree as ET
tree = ET.parse(path2xml, ET.XMLParser(encoding="utf-8")) tree = ET.parse(path2xml, ET.XMLParser(encoding="utf-8"))
root = tree.getroot() root = tree.getroot()
for subject in root.iter(field): for subject in root.iter(textfield):
if clean: if clean:
yield cleanText(subject.text) yield cleanText(subject.text)
else: else:
@ -189,13 +189,31 @@ def generateMetadatafromXML(path2xml, keys=["Loesung","Kategorie","Zusammenfassu
metadata = dict.fromkeys(keys) metadata = dict.fromkeys(keys)
for ticket in root.findall('ticket'): for ticket in root.findall('ticket'):
for key in metadata: for key in metadata:
metadata[key] = ticket.find(key).text #TODO hier thsaurus einbinden? metadata[key] = ticket.find(key).text
yield metadata yield metadata
def generateFromXML(path2xml, clean=True, textfield='Beschreibung'):
import xml.etree.ElementTree as ET
tree = ET.parse(path2xml, ET.XMLParser(encoding="utf-8"))
root = tree.getroot()
for ticket in root:
metadata = {}
text = "ERROR"
for field in ticket:
if field.tag == textfield:
if clean:
text = cleanText(field.text)
else:
text = field.text
else:
metadata[field.tag] = field.text
yield text, metadata
####################'####################'####################'####################'####################'############## ####################'####################'####################'####################'####################'##############
@ -217,13 +235,17 @@ THESAURUS_gen = textacy.fileio.read_csv(DATAPATH_thesaurus, delimiter=";") # ge
textacyCorpus = textacy.Corpus(PARSER) textacyCorpus = textacy.Corpus(PARSER)
print("add texts to textacy-corpus...") print("add texts to textacy-corpus...")
textacyCorpus.add_texts(texts=generateTextfromXML(DATAPATH), metadatas=generateMetadatafromXML(DATAPATH)) #textacyCorpus.add_texts(texts=generateTextfromXML(DATAPATH), metadatas=generateMetadatafromXML(DATAPATH))
for txt, dic in generateFromXML(DATAPATH):
textacyCorpus.add_text(txt,dic)
print(textacyCorpus[2].text)
#printRandomDoc(textacyCorpus) #printRandomDoc(textacyCorpus)
#print(textacyCorpus[len(textacyCorpus)-1].text)
print(textacyCorpus[len(textacyCorpus)-1].text)

132
test.py
View File

@ -3,59 +3,123 @@ import re
import spacy import spacy
import textacy import textacy
import xml.etree.ElementTree as ET
DATAPATH_thesaurus = "openthesaurus.csv" DATAPATH_thesaurus = "openthesaurus.csv"
def generateFromXML(path2xml, clean=True, textfield='Beschreibung'):
import xml.etree.ElementTree as ET
# read .csv tree = ET.parse(path2xml, ET.XMLParser(encoding="utf-8"))
thesaurus = textacy.fileio.read_csv(DATAPATH_thesaurus, delimiter=";") # generator [[a,b,c,..],[a,b,c,..],...] root = tree.getroot()
wort = "(anmachen)" for ticket in root:
if not re.match(r'\([^)]+\)', wort): metadata = {}
print(wort) text = "ERROR"
for field in ticket:
#if "Pass" in wort: # "Pass" muss irgendwo drin sein if field.tag == textfield:
# print(wort.lower()) if clean:
text = (field.text)
else:
#if "Passwort" in wort.split(" "): # Pass muss gleich einem Wort sein text = field.text
# print(wort.lower()) else:
metadata[field.tag] = field.text
yield text, metadata
def getFirstSynonym(word, thesaurus_gen): def getFirstSynonym(word, thesaurus_gen):
word = word.lower() word = word.lower()
#TODO word cleaning https://stackoverflow.com/questions/3939361/remove-specific-characters-from-a-string-in-python # TODO word cleaning https://stackoverflow.com/questions/3939361/remove-specific-characters-from-a-string-in-python
# durch den thesaurrus iterieren # durch den thesaurrus iterieren
for syn_block in thesaurus_gen: # syn_block ist eine liste mit Synonymen for syn_block in thesaurus_gen: # syn_block ist eine liste mit Synonymen
# durch den synonymblock iterieren # durch den synonymblock iterieren
for syn in syn_block: for syn in syn_block:
syn = syn.lower().split(" ") # aus synonym mach liste (um evtl. sätze zu identifieziren) syn = syn.lower().split(" ") if not re.match(r'\A[\w-]+\Z', syn) else syn # aus synonym mach liste (um evtl. sätze zu identifieziren)
# falls das wort in dem synonym enthalten ist (also == einem Wort in der liste ist) # falls das wort in dem synonym enthalten ist (also == einem Wort in der liste ist)
if word in syn: if word in syn:
# Hauptform suchen # Hauptform suchen
if "auptform" in syn: if "Hauptform" in syn:
#nicht ausgeben, falls es in Klammern steht # nicht ausgeben, falls es in Klammern steht
for w in syn: for w in syn:
if not re.match(r'\([^)]+\)',w): if not re.match(r'\([^)]+\)', w) and w is not None:
return w
# falls keine hauptform enthalten ist, das erste Synonym zurückgeben, was kein satz ist und nicht in klammern steht
if len(syn) == 1:
w = syn[0]
if not re.match(r'\([^)]+\)', w) and w is not None:
return w return w
return word # zur Not die eingabe ausgeben
# falls keine hauptform enthalten ist, das erste Synonym zurückgeben, was kein satz ist und nicht in klammern steht
if len(syn) == 1:
w = syn[0]
if not re.match(r'\([^)]+\)', w): def getFirstSynonym(word, thesaurus_gen):
return w
word = word.lower()
# TODO word cleaning https://stackoverflow.com/questions/3939361/remove-specific-characters-from-a-string-in-python
# durch den thesaurrus iterieren
for syn_block in thesaurus_gen: # syn_block ist eine liste mit Synonymen
for syn in syn_block:
if re.match(r'\A[\w-]+\Z', syn): #falls syn einzelwort ist
if word == syn:
getHauptform(syn_block)
def getHauptform(syn_block):
for s in syn_block:
if "Hauptform" in s:
# nicht ausgeben, falls es in Klammern steht
for w in s:
if not re.match(r'\([^)]+\)', w) and w is not None:
return w
# falls keine hauptform enthalten ist, das erste Synonym zurückgeben, was kein satz ist und nicht in klammern steht
if len(s) == 1:
w = s[0]
if not re.match(r'\([^)]+\)', w) and w is not None:
return w
strings = ["passwort",""]
THESAURUS_gen = textacy.fileio.read_csv(DATAPATH_thesaurus, delimiter=";") # generator [[a,b,c,..],[a,b,c,..],...]
for s in strings:
print(getFirstSynonym(s,THESAURUS_gen))
return word #zur Not die eingabe ausgeben
print(getFirstSynonym(wort,thesaurus))