145 lines
8.3 KiB
Python
Executable File
145 lines
8.3 KiB
Python
Executable File
from os.path import exists
|
||
|
||
import regex
|
||
from etpgrf.comutil import parse_and_validate_langs
|
||
|
||
_RU_VOWELS_UPPER = frozenset(['А', 'О', 'И', 'Е', 'Ё', 'Э', 'Ы', 'У', 'Ю', 'Я'])
|
||
_RU_CONSONANTS_UPPER = frozenset(['Б', 'В', 'Г', 'Д', 'Ж', 'З', 'К', 'Л', 'М', 'Н', 'П', 'Р', 'С', 'Т', 'Ф', 'Х', 'Ц', 'Ч', 'Ш', 'Щ'])
|
||
_RU_J_SOUND_UPPER = frozenset(['Й'])
|
||
_RU_SIGNS_UPPER = frozenset(['Ь', 'Ъ'])
|
||
|
||
_EN_VOWELS_UPPER = frozenset(['A', 'E', 'I', 'O', 'U'])
|
||
_EN_CONSONANTS_UPPER = frozenset(['B', 'C', 'D', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'V', 'W', 'X', 'Y', 'Z'])
|
||
|
||
|
||
class Hyphenator:
|
||
"""Правила расстановки переносов для разных языков.
|
||
"""
|
||
def __init__(self,
|
||
langs: frozenset[str], # Языки, которые обрабатываем в переносе слов
|
||
max_unhyphenated_len: int = 14, # Максимальная длина непереносимой группы
|
||
min_chars_per_part: int = 3): # Минимальная длина после переноса (хвост, который разрешено переносить)
|
||
self.langs: frozenset[str] = parse_and_validate_langs(langs)
|
||
self.max_unhyphenated_len = max_unhyphenated_len
|
||
self.min_chars_per_part = min_chars_per_part
|
||
|
||
# Внутренние языковые ресурсы, если нужны специфично для переносов
|
||
self._vowels: frozenset = frozenset()
|
||
self._consonants: frozenset = frozenset()
|
||
self._j_sound_upper: frozenset = frozenset()
|
||
self._signs_upper: frozenset = frozenset()
|
||
|
||
self._load_language_resources_for_hyphenation() # Загружает наборы символов на основе self.langs
|
||
|
||
self._split_memo: dict[str, str] = {} # Кеш для этого экземпляра
|
||
|
||
|
||
def _load_language_resources_for_hyphenation(self):
|
||
# Определяем наборы гласных, согласных и т.д. в зависимости языков.
|
||
if "ru" in self.langs:
|
||
self._vowels |= _RU_VOWELS_UPPER
|
||
self._consonants |= _RU_CONSONANTS_UPPER
|
||
self._j_sound_upper |= _RU_J_SOUND_UPPER
|
||
self._signs_upper |= _RU_SIGNS_UPPER
|
||
if "en" in self.langs:
|
||
self._vowels |= _EN_VOWELS_UPPER
|
||
self._consonants |= _EN_CONSONANTS_UPPER
|
||
# ... и для других языков, если они поддерживаются переносами
|
||
|
||
# --- Сюда переносятся все методы, связанные с переносами ---
|
||
# (адаптированные версии _is_vow, _is_cons, _is_j_sound, _is_sign,
|
||
# _hyphenate_one_word, _recursive_split_word, _find_hyphen_point_in_sub_word, _is_valid_split_point)
|
||
# Они будут использовать self._vowels, self.hyphen_char и т.д.
|
||
|
||
# Проверка гласных букв
|
||
def _is_vow(self, char: str) -> bool:
|
||
return char.upper() in self._vowels
|
||
|
||
|
||
# Проверка согласных букв
|
||
def _is_cons(self, char: str) -> bool:
|
||
return char.upper() in self._consonants
|
||
|
||
|
||
# Проверка полугласной буквы "й"
|
||
def _is_j_sound(self, char: str) -> bool:
|
||
return char.upper() in self._j_sound_upper
|
||
|
||
|
||
# Проверка мягкого/твердого знака
|
||
def _is_sign(self, char: str) -> bool:
|
||
return char.upper() in self._signs_upper
|
||
|
||
|
||
def hyp_in_word(self, word: str) -> str:
|
||
""" Расстановка переносов в русском слове с учетом максимальной длины непереносимой группы.
|
||
Переносы ставятся половинным делением слова, рекурсивно.
|
||
|
||
:param word: Слово, в котором надо расставить переносы
|
||
:return: Слово с расставленными переносами
|
||
"""
|
||
|
||
# Поиск допустимой позиции для переноса около заданного индекса
|
||
def find_hyphen_point(word_segment: str, start_idx: int) -> int:
|
||
vow_indices = [i for i, char_w in enumerate(word_segment) if self._is_vow(char_w)]
|
||
if not vow_indices:
|
||
# Если в слове нет гласных, то перенос невозможен
|
||
return -1
|
||
# Ищем ближайшую гласную до или после start_idx
|
||
for i in vow_indices:
|
||
if i >= start_idx - self.min_chars_per_part and i + self.min_chars_per_part < len(word_segment):
|
||
# Проверяем, что после гласной есть минимум символов "хвоста"
|
||
ind = i + 1
|
||
if (self._is_cons(word_segment[ind]) or self._is_j_sound(word_segment[ind])) and not self._is_vow(word_segment[ind + 1]):
|
||
# Й -- полугласная. Перенос после неё только в случае, если дальше идет согласная
|
||
# (например, "бой-кий"), но запретить, если идет гласная (например, "ма-йка" не переносится).
|
||
ind += 1
|
||
if ind <= self.min_chars_per_part or ind >= len(word_segment) - self.min_chars_per_part:
|
||
# Не отделяем 3 символ с начала или конца (это некрасиво)
|
||
continue
|
||
if self._is_sign(word_segment[ind]) or self._is_sign(word_segment[-1]):
|
||
# Пропускаем мягкий/твердый знак. Согласно правилам русской типографики (например, ГОСТ 7.62-2008
|
||
# или рекомендации по набору текста), перенос не должен разрывать слово так, чтобы мягкий или
|
||
# твердый знак оказывался в начале или конце строки
|
||
continue
|
||
return ind
|
||
return -1 # Не нашли подходящую позицию
|
||
|
||
# Рекурсивное деление слова
|
||
def split_word(word_to_split: str) -> str:
|
||
if len(word_to_split) <= self.max_unhyphenated_len: # Если длина укладывается в лимит, перенос не нужен
|
||
return word_to_split
|
||
|
||
hyphen_idx = find_hyphen_point(word_to_split, len(word_to_split) // 2) # Ищем точку переноса около середины
|
||
|
||
if hyphen_idx == -1: # Если не нашли точку переноса
|
||
return word_to_split
|
||
|
||
left_part = word_to_split[:hyphen_idx]
|
||
right_part = word_to_split[hyphen_idx:]
|
||
|
||
# Рекурсивно делим левую и правую части
|
||
return split_word(left_part) + "-" + split_word(right_part)
|
||
|
||
# Основная логика
|
||
if len(word) <= self.max_unhyphenated_len or not any(self._is_vow(c) for c in word):
|
||
# Короткое слово или без гласных "делению не подлежит", выходим из рекурсии
|
||
return word
|
||
return split_word(word) # Рекурсивно делим слово на части с переносами
|
||
|
||
|
||
def hyp_in_text(self, text: str) -> str:
|
||
""" Расстановка переносов в тексте
|
||
|
||
:param text: Строка, которую надо обработать (главный аргумент).
|
||
:return: str:
|
||
"""
|
||
rus_worlds = regex.findall(r'\b[а-яА-Я]+\b', text) # ищем все русскоязычные слова в тексте
|
||
for word in rus_worlds:
|
||
if len(word) > self.max_unhyphenated_len:
|
||
hyphenated_word = self.hyp_in_word(word)
|
||
print(f'{word} -> {hyphenated_word}')
|
||
text = text.replace(word, hyphenated_word)
|
||
return text
|
||
|