-
Notifications
You must be signed in to change notification settings - Fork 2
/
Copy pathpre_per2.rb
259 lines (147 loc) · 7.24 KB
/
pre_per2.rb
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
#!/usr/bin/ruby
# -*- coding: utf-8 -*-
#
# pre_per.rb: normalizes Persian texts
#
#-------------------------------------------------------------------------------
# Copyright (C) 2012 Mojgan Seraji <mojgan.seraji@lingfil.uu.se>
#
# This program is free software: you can redistribute it and/or modify
# it under the terms of the GNU General Public License as published by
# the Free Software Foundation, either version 3 of the License, or
# (at your option) any later version.
#
# This program is distributed in the hope that it will be useful,
# but WITHOUT ANY WARRANTY; without even the implied warranty of
# MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the
# GNU General Public License for more details.
#
# You should have received a copy of the GNU General Public License
# along with this program. If not, see <http://www.gnu.org/licenses/>.
#-------------------------------------------------------------------------------
#
#
#
require 'rubygems'
#re-written by Kensuke Mistuzawa
require './virastar/lib/virastar'
my_file = ARGV[0].to_s
open(my_file,"r:UTF-8") do |f|
while line = f.gets
newline = line.persian_cleanup
# my own edit rules
# Suffixations
newline.gsub!(/\s+(((زا(ی)?)?|ام?|ات|اش|ای?(د)?|ایم?|اند?)[\.\!\?\،]*)\s+/,'\1 ')
newline.gsub!(/\s+(های)\s+/,'\1 ')
newline.gsub!(/\s+(هاای)\s+/,'\1 ')
newline.gsub!(/\s+(ایی)\s+/,'\1 ')
newline.gsub!(/\s+(ای)\s+/,'\1 ')
newline.gsub!(/\s+(ی)\s+/,'\1 ')
newline.gsub!(/\s+(یی)\s+/,'\1 ')
newline.gsub!(/\s+(م|ت|ش|مان|تان|شان)\s+/,'\1 ')
newline.gsub!(/\s+(هایی|هایم|هایت|هایش|هایمان|هایتان|هایشان)\s+/,'\1 ')
newline.gsub!(/\s+(م|ی|د|یم|ید|ند)\s+/,'\1 ')
newline.gsub!(/\s+(ان)\s+/,'\1 ')
newline.gsub!(/\s+(ین)\s+/,'\1 ')
newline.gsub!(/\s+(ات)\s+/,'\1 ')
newline.gsub!(/\s+(جات)\s+/,'\1 ')
newline.gsub!(/\s+(آور)\s+/,'\1 ')
newline.gsub!(/\s+(نشین)\s+/,'\1 ')
newline.gsub!(/(\s+)(ابداع)\s+(کننده)(\s+)/,'\1\2\3\4')
newline.gsub!(/(\s+)(ابر)\s+(اتم)(\s+)/,'\1\2\3\4')
newline.gsub!(/\s+(پاش(ی)?)\s+/,'\1 ')
newline.gsub!(/\s+(پوش(ان)?)\s+/,'\1 ')
newline.gsub!(/\s+(شناس(ی)?)\s+/,'\1 ')
newline.gsub!(/\s+(شکن(ی)?)\s+/,'\1 ')
newline.gsub!(/\s+(پذیر(ی)?)\s+/,'\1 ')
newline.gsub!(/\s+(اندود)\s+/,'\1 ')
newline.gsub!(/\s+(فشان(ی|ها(ی)?))\s+/,'\1 ')
newline.gsub!(/(\s+)(آبله)\s+(مرغان)(\s+)/,'\1\2\3\4')
newline.gsub!(/\s+(سازی)\s+/,'\1 ')
newline.gsub!(/\s+(آلود(ی)?)\s+/,'\1 ')
newline.gsub!(/\s+(آمیز(ی)?)\s+/,'\1 ')
newline.gsub!(/\s+(زدا(ی(ی)?)?)\s+/,'\1 ')
newline.gsub!(/\s+(انگیز(ی)?)\s+/,'\1 ')
newline.gsub!(/\s+(خیز(ی)?)\s+/,'\1 ')
newline.gsub!(/\s+(پور)\s+/,'\1 ')
newline.gsub!(/(\s+)(آزاد)\s+(راه)(\s+)/,'\1\2\3\4')
newline.gsub!(/(\s+)(راه)\s+(آهن)(\s+)/,'\1\2\3\4')
newline.gsub!(/(\s+)(راه)\s+(حل)(\s+)/,'\1\2\3\4')
newline.gsub!(/(\s+)(راه)\s+(حلی)(\s+)/,'\1\2\3\4')
newline.gsub!(/(\s+)(راه)\s+(اندازی)(\s+)/,'\1\2\3\4')
newline.gsub!(/\s+(سوزی(ها(ی)?)?)\s+/,'\1 ')
newline.gsub!(/\s+(پراکنی)\s+/,'\1 ')
newline.gsub!(/(\s+)(اثنی)\s+(عشر)(\s+)/,'\1\2\3\4')
newline.gsub!(/(\s+)(اثنی)\s+(عشری)(\s+)/,'\1\2\3\4')
newline.gsub!(/\s+(خوری)\s+/,'\1 ')
newline.gsub!(/\s+(گویان)\s+/,'\1 ')
newline.gsub!(/(\s+)(دوان)\s+(دوان)(\s+)/,'\1\2\3\4')
newline.gsub!(/\s+(افکنی)\s+/,'\1 ')
newline.gsub!(/\s+(دان(ان)?)\s+/,'\1 ')
newline.gsub!(/\s+(پرور(ی)?)\s+/,'\1 ')
newline.gsub!(/\s+(پریش(ی)?)\s+/,'\1 ')
newline.gsub!(/\s+(نویس(ی(ی)?)?)\s+/,'\1 ')
newline.gsub!(/\s+(ربایان)\s+/,'\1 ')
newline.gsub!(/\s+(کشان(ی)?)\s+/,'\1 ')
newline.gsub!(/(\s+)(کشان)\s+(کشان)(\s+)/,'\1\2\3\4')
newline.gsub!(/(\s+)(الدرم)\s+(بلدرم)(\s+)/,'\1\2\3\4')
newline.gsub!(/\s+(وار(ه)?)\s+/,'\1 ')
newline.gsub!(/\s+(مداران)\s+/,'\1 ')
newline.gsub!(/\s+(ساله)\s+/,'\1 ')
newline.gsub!(/\s+(پاشیدگی)\s+/,'\1 ')
newline.gsub!(/\s+(شناسان)\s+/,'\1 ')
newline.gsub!(/\s+(وند)\s+/,'\1 ')
newline.gsub!(/\s+(کاران(ه)?)\s+/,'\1 ')
newline.gsub!(/\s+(پژوه(ی)?)\s+/,'\1 ')
newline.gsub!(/\s+(زا(یی|ای)?)\s+/,'\1 ')
newline.gsub!(/\s+(زدایی)\s+/,'\1 ')
newline.gsub!(/\s+(ریزان)\s+/,'\1 ')
newline.gsub!(/\s+(کنندگی)\s+/,'\1 ')
newline.gsub!(/\s+(زاد)\s+/,'\1 ')
newline.gsub!(/\s+(سنج(ی)?)\s+/,'\1 ')
newline.gsub!(/\s+(کنان)\s+/,'\1 ')
newline.gsub!(/\s+(پرداز(ی)?)\s+/,'\1 ')
newline.gsub!(/\s+(رسانی)\s+/,'\1 ')
newline.gsub!(/\s+(زی)\s+/,'\1 ')
newline.gsub!(/\s+(وار(ه)?)\s+/,'\1 ')
newline.gsub!(/\s+(یاب(ی)?)\s+/,'\1 ')
newline.gsub!(/\s+(گان(ه)?)\s+/,'\1 ')
newline.gsub!(/\s+(پیما(ها(ی(ی)?)?)?)\s+/,'\1 ')
newline.gsub!(/\s+(گی)\s+/,'\1 ')
newline.gsub!(/\s+(گر(ی)?)\s+/,'\1 ')
newline.gsub!(/\s+(یت)\s+/,'\1 ')
newline.gsub!(/\s+(کان)\s+/,'\1 ')
newline.gsub!(/\s+(اک)\s+/,'\1 ')
newline.gsub!(/\s+(ناک)\s+/,'\1 ')
newline.gsub!(/\s+(ک)\s+/,'\1 ')
newline.gsub!(/\s+(انه)\s+/,'\1 ')
newline.gsub!(/\s+(ه)\s+/,'\1 ')
newline.gsub!(/\s+(مند)\s+/,'\1 ')
newline.gsub!(/\s+(ور)\s+/,'\1 ')
newline.gsub!(/\s+(گین)\s+/,'\1 ')
newline.gsub!(/\s+(سار)\s+/,'\1 ')
newline.gsub!(/\s+(ساعته)\s+/,'\1 ')
newline.gsub!(/\s+(اً)\s+/,'\1 ')
newline.gsub!(/\s+(ار)\s+/,'\1 ')
newline.gsub!(/\s+(گار)\s+/,'\1 ')
# Prefix notations
=begin
newline.gsub!(/\s+(نا)\s+/,' \1')
newline.gsub!(/\s+(غیر)\s+/,' \1')
newline.gsub!(/\s+(بی)\s+/,' \1')
newline.gsub!(/\s+(فرا)\s+/,' \1')
newline.gsub!(/\s+(عدم)\s+/,' \1')
newline.gsub!(/\s+(سوء)\s+/,' \1')
newline.gsub!(/\s+(سوأ)\s+/,' \1')
=end
#from here I rewrite for my purpose
newline.gsub!(/\s+(نا)\s+/,' \1')
newline.gsub!(/\s+(غیر)\s+/,' \1')
newline.gsub!(/\s+(بی)\s+/,' \1')
newline.gsub!(/\s+(فرا)\s+/,' \1')
newline.gsub!(/\s+(عدم)\s+/,' \1')
newline.gsub!(/\s+(سوء)\s+/,' \1')
newline.gsub!(/\s+(سوأ)\s+/,' \1')
puts newline
end
end