updated german dictionary
This commit is contained in:
parent
ccefd63539
commit
ff5cbafe2b
@ -1188,24 +1188,24 @@
|
|||||||
},
|
},
|
||||||
{
|
{
|
||||||
"cell_type": "code",
|
"cell_type": "code",
|
||||||
"execution_count": 9,
|
"execution_count": 30,
|
||||||
"source": [
|
"source": [
|
||||||
"get_database(\"de\")['sol']"
|
"get_database(\"de\")['ore']"
|
||||||
],
|
],
|
||||||
"outputs": [
|
"outputs": [
|
||||||
{
|
{
|
||||||
"output_type": "execute_result",
|
"output_type": "execute_result",
|
||||||
"data": {
|
"data": {
|
||||||
"text/plain": [
|
"text/plain": [
|
||||||
"{'word': 'Sol',\n",
|
"{'word': 'Ore',\n",
|
||||||
" 'senses': ['Chemie: eine kolloidale Suspension von festen Partikeln oder Makromolekülen in einer flüssigen Phase'],\n",
|
" 'senses': ['Münze, die in Dänemark, Norwegen und Schweden verwendet wird'],\n",
|
||||||
" 'synonyms': [],\n",
|
" 'synonyms': [],\n",
|
||||||
" 'antonyms': ['Gel'],\n",
|
" 'antonyms': [],\n",
|
||||||
" 'num_translations': 6}"
|
" 'num_translations': 10}"
|
||||||
]
|
]
|
||||||
},
|
},
|
||||||
"metadata": {},
|
"metadata": {},
|
||||||
"execution_count": 9
|
"execution_count": 30
|
||||||
}
|
}
|
||||||
],
|
],
|
||||||
"metadata": {}
|
"metadata": {}
|
||||||
|
@ -3,8 +3,6 @@
|
|||||||
{
|
{
|
||||||
"cell_type": "code",
|
"cell_type": "code",
|
||||||
"execution_count": 1,
|
"execution_count": 1,
|
||||||
"metadata": {},
|
|
||||||
"outputs": [],
|
|
||||||
"source": [
|
"source": [
|
||||||
"import json\n",
|
"import json\n",
|
||||||
"import re\n",
|
"import re\n",
|
||||||
@ -19,13 +17,13 @@
|
|||||||
"import wikitextparser as wtp\n",
|
"import wikitextparser as wtp\n",
|
||||||
"import numpy as np\n",
|
"import numpy as np\n",
|
||||||
"import unidecode"
|
"import unidecode"
|
||||||
]
|
],
|
||||||
|
"outputs": [],
|
||||||
|
"metadata": {}
|
||||||
},
|
},
|
||||||
{
|
{
|
||||||
"cell_type": "code",
|
"cell_type": "code",
|
||||||
"execution_count": 2,
|
"execution_count": 2,
|
||||||
"metadata": {},
|
|
||||||
"outputs": [],
|
|
||||||
"source": [
|
"source": [
|
||||||
"def extract_data(wikitext: str, title: str):\n",
|
"def extract_data(wikitext: str, title: str):\n",
|
||||||
"\n",
|
"\n",
|
||||||
@ -113,23 +111,13 @@
|
|||||||
"\n",
|
"\n",
|
||||||
" \n",
|
" \n",
|
||||||
" return data\n"
|
" return data\n"
|
||||||
]
|
],
|
||||||
|
"outputs": [],
|
||||||
|
"metadata": {}
|
||||||
},
|
},
|
||||||
{
|
{
|
||||||
"cell_type": "code",
|
"cell_type": "code",
|
||||||
"execution_count": 3,
|
"execution_count": 3,
|
||||||
"metadata": {
|
|
||||||
"tags": []
|
|
||||||
},
|
|
||||||
"outputs": [
|
|
||||||
{
|
|
||||||
"output_type": "stream",
|
|
||||||
"name": "stderr",
|
|
||||||
"text": [
|
|
||||||
"989351it [04:32, 3636.28it/s]\n"
|
|
||||||
]
|
|
||||||
}
|
|
||||||
],
|
|
||||||
"source": [
|
"source": [
|
||||||
"bzfile_path = \"dewiktionary-20210201-pages-articles.xml.bz2\"\n",
|
"bzfile_path = \"dewiktionary-20210201-pages-articles.xml.bz2\"\n",
|
||||||
"bz = BZ2File(bzfile_path)\n",
|
"bz = BZ2File(bzfile_path)\n",
|
||||||
@ -144,6 +132,9 @@
|
|||||||
" word = word.replace(\"ä\", \"ae\")\n",
|
" word = word.replace(\"ä\", \"ae\")\n",
|
||||||
" word = word.replace(\"ü\", \"ue\")\n",
|
" word = word.replace(\"ü\", \"ue\")\n",
|
||||||
" word = word.replace(\"ö\", \"oe\")\n",
|
" word = word.replace(\"ö\", \"oe\")\n",
|
||||||
|
" word = word.replace(\"Ä\", \"Ae\")\n",
|
||||||
|
" word = word.replace(\"Ü\", \"Ue\")\n",
|
||||||
|
" word = word.replace(\"Ö\", \"Oe\")\n",
|
||||||
" word = word.replace(\"ß\", \"ss\")\n",
|
" word = word.replace(\"ß\", \"ss\")\n",
|
||||||
"\n",
|
"\n",
|
||||||
" \n",
|
" \n",
|
||||||
@ -163,22 +154,30 @@
|
|||||||
"\n",
|
"\n",
|
||||||
" i += 1\n",
|
" i += 1\n",
|
||||||
"\n"
|
"\n"
|
||||||
|
],
|
||||||
|
"outputs": [
|
||||||
|
{
|
||||||
|
"output_type": "stream",
|
||||||
|
"name": "stderr",
|
||||||
|
"text": [
|
||||||
|
"989351it [07:14, 2274.95it/s]\n"
|
||||||
]
|
]
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"metadata": {
|
||||||
|
"tags": []
|
||||||
|
}
|
||||||
},
|
},
|
||||||
{
|
{
|
||||||
|
"cell_type": "markdown",
|
||||||
"source": [
|
"source": [
|
||||||
"## filter database from links and only keep \"relevant\" items"
|
"## filter database from links and only keep \"relevant\" items"
|
||||||
],
|
],
|
||||||
"cell_type": "markdown",
|
|
||||||
"metadata": {}
|
"metadata": {}
|
||||||
},
|
},
|
||||||
{
|
{
|
||||||
"cell_type": "code",
|
"cell_type": "code",
|
||||||
"execution_count": 6,
|
"execution_count": 4,
|
||||||
"metadata": {
|
|
||||||
"tags": []
|
|
||||||
},
|
|
||||||
"outputs": [],
|
|
||||||
"source": [
|
"source": [
|
||||||
"def clean_text(s:str):\n",
|
"def clean_text(s:str):\n",
|
||||||
"\n",
|
"\n",
|
||||||
@ -234,14 +233,133 @@
|
|||||||
"\n",
|
"\n",
|
||||||
" return text\n",
|
" return text\n",
|
||||||
"\n"
|
"\n"
|
||||||
|
],
|
||||||
|
"outputs": [],
|
||||||
|
"metadata": {
|
||||||
|
"tags": []
|
||||||
|
}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 12,
|
||||||
|
"source": [
|
||||||
|
"def word_wise_filtering(sentence: str):\n",
|
||||||
|
" words = sentence.split()\n",
|
||||||
|
" for i, word in enumerate(words.copy()):\n",
|
||||||
|
" if \"|\" in word:\n",
|
||||||
|
" splitted = word.split(\"|\")\n",
|
||||||
|
" if len(splitted) == 2:\n",
|
||||||
|
" words[i] = splitted[1]\n",
|
||||||
|
" return \" \".join(words)\n"
|
||||||
|
],
|
||||||
|
"outputs": [],
|
||||||
|
"metadata": {}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 23,
|
||||||
|
"source": [
|
||||||
|
"parse(\"{}[{:d}]{}\", \"[12]\") is None"
|
||||||
|
],
|
||||||
|
"outputs": [
|
||||||
|
{
|
||||||
|
"output_type": "execute_result",
|
||||||
|
"data": {
|
||||||
|
"text/plain": [
|
||||||
|
"True"
|
||||||
]
|
]
|
||||||
},
|
},
|
||||||
|
"metadata": {},
|
||||||
|
"execution_count": 23
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"metadata": {}
|
||||||
|
},
|
||||||
|
{
|
||||||
|
"cell_type": "code",
|
||||||
|
"execution_count": 14,
|
||||||
|
"source": [
|
||||||
|
"word_wise_filtering(\"hallo welten|welt|df\")"
|
||||||
|
],
|
||||||
|
"outputs": [
|
||||||
|
{
|
||||||
|
"output_type": "execute_result",
|
||||||
|
"data": {
|
||||||
|
"text/plain": [
|
||||||
|
"'hallo welten|welt|df'"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
"metadata": {},
|
||||||
|
"execution_count": 14
|
||||||
|
}
|
||||||
|
],
|
||||||
|
"metadata": {}
|
||||||
|
},
|
||||||
{
|
{
|
||||||
"cell_type": "code",
|
"cell_type": "code",
|
||||||
"execution_count": 7,
|
"execution_count": 7,
|
||||||
"metadata": {
|
"source": [
|
||||||
"tags": []
|
"filtered_db = {}\n",
|
||||||
},
|
"\n",
|
||||||
|
"for key, item in tqdm.tqdm(db.items()):\n",
|
||||||
|
" senses = item['senses']\n",
|
||||||
|
" synonyms = item['synonyms']\n",
|
||||||
|
" antonyms = item['antonyms']\n",
|
||||||
|
"\n",
|
||||||
|
" def filter_entries(entries: list):\n",
|
||||||
|
" new_list = []\n",
|
||||||
|
" for entry in entries:\n",
|
||||||
|
" try:\n",
|
||||||
|
" cleaned_entry = clean_text(entry)\n",
|
||||||
|
" # sort out bad hints:\n",
|
||||||
|
" if \"{\" in cleaned_entry:\n",
|
||||||
|
" continue\n",
|
||||||
|
" if item['word'].lower() in cleaned_entry.lower():\n",
|
||||||
|
" continue\n",
|
||||||
|
" if \"familienname\" in cleaned_entry.lower():\n",
|
||||||
|
" continue\n",
|
||||||
|
" if \"ortsteil von\" in cleaned_entry.lower():\n",
|
||||||
|
" continue\n",
|
||||||
|
" if \"dorf in\" in cleaned_entry.lower():\n",
|
||||||
|
" continue\n",
|
||||||
|
" if parse(\"{}[{:d}]{}\", cleaned_entry) is not None:\n",
|
||||||
|
" continue\n",
|
||||||
|
" if entry.isupper(): # try to sort out initialisms\n",
|
||||||
|
" continue\n",
|
||||||
|
" \n",
|
||||||
|
" \n",
|
||||||
|
" cleaned_entry = word_wise_filtering (cleaned_entry)\n",
|
||||||
|
"\n",
|
||||||
|
" new_list.append(cleaned_entry)\n",
|
||||||
|
" except:\n",
|
||||||
|
" #print(\"cannot process item\", entry)\n",
|
||||||
|
" # just skipping unprocessable items\n",
|
||||||
|
" pass\n",
|
||||||
|
"\n",
|
||||||
|
" \n",
|
||||||
|
" return new_list\n",
|
||||||
|
" \n",
|
||||||
|
" item['senses'] = filter_entries(senses)\n",
|
||||||
|
" item['synonyms'] = filter_entries(synonyms)\n",
|
||||||
|
" item['antonyms'] = filter_entries(antonyms)\n",
|
||||||
|
"\n",
|
||||||
|
" # clean key from special characters:\n",
|
||||||
|
" unaccented_key = unidecode.unidecode(key)\n",
|
||||||
|
" unaccented_word = unidecode.unidecode(item['word'])\n",
|
||||||
|
"\n",
|
||||||
|
" def has_digit(s: str):\n",
|
||||||
|
" for c in s:\n",
|
||||||
|
" if c.isdigit():\n",
|
||||||
|
" return True\n",
|
||||||
|
" return False\n",
|
||||||
|
"\n",
|
||||||
|
" n_hints = len(item['senses']) + len(item['synonyms']) + len(item['antonyms'])\n",
|
||||||
|
"\n",
|
||||||
|
" if (n_hints == 1 and item['num_translations'] >= 6) or n_hints > 1:\n",
|
||||||
|
" if not has_digit(item['word']):\n",
|
||||||
|
" item['word'] = unaccented_word\n",
|
||||||
|
" filtered_db[unaccented_key] = item\n"
|
||||||
|
],
|
||||||
"outputs": [
|
"outputs": [
|
||||||
{
|
{
|
||||||
"output_type": "stream",
|
"output_type": "stream",
|
||||||
@ -305,70 +423,16 @@
|
|||||||
]
|
]
|
||||||
}
|
}
|
||||||
],
|
],
|
||||||
"source": [
|
"metadata": {
|
||||||
"filtered_db = {}\n",
|
"tags": []
|
||||||
"\n",
|
}
|
||||||
"for key, item in tqdm.tqdm(db.items()):\n",
|
|
||||||
" senses = item['senses']\n",
|
|
||||||
" synonyms = item['synonyms']\n",
|
|
||||||
" antonyms = item['antonyms']\n",
|
|
||||||
"\n",
|
|
||||||
" def filter_entries(entries: list):\n",
|
|
||||||
" new_list = []\n",
|
|
||||||
" for entry in entries:\n",
|
|
||||||
" try:\n",
|
|
||||||
" cleaned_entry = clean_text(entry)\n",
|
|
||||||
" # sort out bad hints:\n",
|
|
||||||
" if \"{\" in cleaned_entry:\n",
|
|
||||||
" continue\n",
|
|
||||||
" if item['word'].lower() in cleaned_entry.lower():\n",
|
|
||||||
" continue\n",
|
|
||||||
" if \"familienname\" in cleaned_entry.lower():\n",
|
|
||||||
" continue\n",
|
|
||||||
" if \"ortsteil von\" in cleaned_entry.lower():\n",
|
|
||||||
" continue\n",
|
|
||||||
" if \"dorf in\" in cleaned_entry.lower():\n",
|
|
||||||
" continue\n",
|
|
||||||
" if entry.isupper(): # try to sort out initialisms\n",
|
|
||||||
" continue\n",
|
|
||||||
" \n",
|
|
||||||
" cleaned_entry = cleaned_entry.replace(\"|\",\"/\")\n",
|
|
||||||
"\n",
|
|
||||||
" new_list.append(cleaned_entry)\n",
|
|
||||||
" except:\n",
|
|
||||||
" #print(\"cannot process item\", entry)\n",
|
|
||||||
" # just skipping unprocessable items\n",
|
|
||||||
" pass\n",
|
|
||||||
"\n",
|
|
||||||
" \n",
|
|
||||||
" return new_list\n",
|
|
||||||
" \n",
|
|
||||||
" item['senses'] = filter_entries(senses)\n",
|
|
||||||
" item['synonyms'] = filter_entries(synonyms)\n",
|
|
||||||
" item['antonyms'] = filter_entries(antonyms)\n",
|
|
||||||
"\n",
|
|
||||||
" # clean key from special characters:\n",
|
|
||||||
" unaccented_key = unidecode.unidecode(key)\n",
|
|
||||||
" unaccented_word = unidecode.unidecode(item['word'])\n",
|
|
||||||
"\n",
|
|
||||||
" def has_digit(s: str):\n",
|
|
||||||
" for c in s:\n",
|
|
||||||
" if c.isdigit():\n",
|
|
||||||
" return True\n",
|
|
||||||
" return False\n",
|
|
||||||
"\n",
|
|
||||||
" n_hints = len(item['senses']) + len(item['synonyms']) + len(item['antonyms'])\n",
|
|
||||||
"\n",
|
|
||||||
" if (n_hints == 1 and item['num_translations'] >= 6) or n_hints > 1:\n",
|
|
||||||
" if not has_digit(item['word']):\n",
|
|
||||||
" item['word'] = unaccented_word\n",
|
|
||||||
" filtered_db[unaccented_key] = item\n"
|
|
||||||
]
|
|
||||||
},
|
},
|
||||||
{
|
{
|
||||||
"cell_type": "code",
|
"cell_type": "code",
|
||||||
"execution_count": 13,
|
"execution_count": 13,
|
||||||
"metadata": {},
|
"source": [
|
||||||
|
"db['muenchen']"
|
||||||
|
],
|
||||||
"outputs": [
|
"outputs": [
|
||||||
{
|
{
|
||||||
"output_type": "execute_result",
|
"output_type": "execute_result",
|
||||||
@ -391,14 +455,14 @@
|
|||||||
"execution_count": 13
|
"execution_count": 13
|
||||||
}
|
}
|
||||||
],
|
],
|
||||||
"source": [
|
"metadata": {}
|
||||||
"db['muenchen']"
|
|
||||||
]
|
|
||||||
},
|
},
|
||||||
{
|
{
|
||||||
"cell_type": "code",
|
"cell_type": "code",
|
||||||
"execution_count": 16,
|
"execution_count": 16,
|
||||||
"metadata": {},
|
"source": [
|
||||||
|
"len(filtered_db)"
|
||||||
|
],
|
||||||
"outputs": [
|
"outputs": [
|
||||||
{
|
{
|
||||||
"output_type": "execute_result",
|
"output_type": "execute_result",
|
||||||
@ -411,24 +475,26 @@
|
|||||||
"execution_count": 16
|
"execution_count": 16
|
||||||
}
|
}
|
||||||
],
|
],
|
||||||
"source": [
|
"metadata": {}
|
||||||
"len(filtered_db)"
|
|
||||||
]
|
|
||||||
},
|
},
|
||||||
{
|
{
|
||||||
"cell_type": "code",
|
"cell_type": "code",
|
||||||
"execution_count": 18,
|
"execution_count": 18,
|
||||||
"metadata": {},
|
|
||||||
"outputs": [],
|
|
||||||
"source": [
|
"source": [
|
||||||
"with open('de.json', 'w') as f:\n",
|
"with open('de.json', 'w') as f:\n",
|
||||||
" json.dump(filtered_db, f, indent = 4)"
|
" json.dump(filtered_db, f, indent = 4)"
|
||||||
]
|
],
|
||||||
|
"outputs": [],
|
||||||
|
"metadata": {}
|
||||||
},
|
},
|
||||||
{
|
{
|
||||||
"cell_type": "code",
|
"cell_type": "code",
|
||||||
"execution_count": 25,
|
"execution_count": 25,
|
||||||
"metadata": {},
|
"source": [
|
||||||
|
"l = [1,2,3]\n",
|
||||||
|
"l.remove(4)\n",
|
||||||
|
"l"
|
||||||
|
],
|
||||||
"outputs": [
|
"outputs": [
|
||||||
{
|
{
|
||||||
"output_type": "error",
|
"output_type": "error",
|
||||||
@ -442,18 +508,14 @@
|
|||||||
]
|
]
|
||||||
}
|
}
|
||||||
],
|
],
|
||||||
"source": [
|
"metadata": {}
|
||||||
"l = [1,2,3]\n",
|
|
||||||
"l.remove(4)\n",
|
|
||||||
"l"
|
|
||||||
]
|
|
||||||
},
|
},
|
||||||
{
|
{
|
||||||
"cell_type": "code",
|
"cell_type": "code",
|
||||||
"execution_count": null,
|
"execution_count": null,
|
||||||
"metadata": {},
|
"source": [],
|
||||||
"outputs": [],
|
"outputs": [],
|
||||||
"source": []
|
"metadata": {}
|
||||||
}
|
}
|
||||||
],
|
],
|
||||||
"metadata": {
|
"metadata": {
|
||||||
|
BIN
data/de.json
(Stored with Git LFS)
BIN
data/de.json
(Stored with Git LFS)
Binary file not shown.
BIN
server/de.json
(Stored with Git LFS)
BIN
server/de.json
(Stored with Git LFS)
Binary file not shown.
Loading…
Reference in New Issue
Block a user