test/python/test_tokenizer_icu_rule_loader.py

   1 """
   2 Tests for converting a config file to ICU rules.
   3 """
   4 from textwrap import dedent
   5
   6 import pytest
   7 import yaml
   8
   9 from nominatim.tokenizer.icu_rule_loader import ICURuleLoader
  10 from nominatim.errors import UsageError
  11
  12 from icu import Transliterator
  13
  14 @pytest.fixture
  15 def test_config(def_config, tmp_path):
  16     project_dir = tmp_path / 'project_dir'
  17     project_dir.mkdir()
  18     def_config.project_dir = project_dir
  19
  20     return def_config
  21
  22
  23 @pytest.fixture
  24 def cfgrules(test_config):
  25     def _create_config(*variants, **kwargs):
  26         content = dedent("""\
  27         normalization:
  28             - ":: NFD ()"
  29             - "[[:Nonspacing Mark:] [:Cf:]] >"
  30             - ":: lower ()"
  31             - "[[:Punctuation:][:Space:]]+ > ' '"
  32             - ":: NFC ()"
  33         transliteration:
  34             - "::  Latin ()"
  35             - "[[:Punctuation:][:Space:]]+ > ' '"
  36         """)
  37         content += "token-analysis:\n  - analyzer: generic\n    variants:\n     - words:\n"
  38         content += '\n'.join(("         - " + s for s in variants)) + '\n'
  39         for k, v in kwargs:
  40             content += "    {}: {}\n".format(k, v)
  41         (test_config.project_dir / 'icu_tokenizer.yaml').write_text(content)
  42
  43         return test_config
  44
  45     return _create_config
  46
  47
  48 def test_empty_rule_set(test_config):
  49     (test_config.project_dir / 'icu_tokenizer.yaml').write_text(dedent("""\
  50         normalization:
  51         transliteration:
  52         token-analysis:
  53           - analyzer: generic
  54             variants:
  55         """))
  56
  57     rules = ICURuleLoader(test_config)
  58     assert rules.get_search_rules() == ''
  59     assert rules.get_normalization_rules() == ''
  60     assert rules.get_transliteration_rules() == ''
  61
  62 CONFIG_SECTIONS = ('normalization', 'transliteration', 'token-analysis')
  63
  64 @pytest.mark.parametrize("section", CONFIG_SECTIONS)
  65 def test_missing_section(section, test_config):
  66     rule_cfg = { s: [] for s in CONFIG_SECTIONS if s != section}
  67     (test_config.project_dir / 'icu_tokenizer.yaml').write_text(yaml.dump(rule_cfg))
  68
  69     with pytest.raises(UsageError):
  70         ICURuleLoader(test_config)
  71
  72
  73 def test_get_search_rules(cfgrules):
  74     loader = ICURuleLoader(cfgrules())
  75
  76     rules = loader.get_search_rules()
  77     trans = Transliterator.createFromRules("test", rules)
  78
  79     assert trans.transliterate(" Baum straße ") == " baum straße "
  80     assert trans.transliterate(" Baumstraße ") == " baumstraße "
  81     assert trans.transliterate(" Baumstrasse ") == " baumstrasse "
  82     assert trans.transliterate(" Baumstr ") == " baumstr "
  83     assert trans.transliterate(" Baumwegstr ") == " baumwegstr "
  84     assert trans.transliterate(" Αθήνα ") == " athēna "
  85     assert trans.transliterate(" проспект ") == " prospekt "
  86
  87
  88 def test_get_normalization_rules(cfgrules):
  89     loader = ICURuleLoader(cfgrules())
  90     rules = loader.get_normalization_rules()
  91     trans = Transliterator.createFromRules("test", rules)
  92
  93     assert trans.transliterate(" проспект-Prospekt ") == " проспект prospekt "
  94
  95
  96 def test_get_transliteration_rules(cfgrules):
  97     loader = ICURuleLoader(cfgrules())
  98     rules = loader.get_transliteration_rules()
  99     trans = Transliterator.createFromRules("test", rules)
 100
 101     assert trans.transliterate(" проспект-Prospekt ") == " prospekt Prospekt "
 102
 103
 104 def test_transliteration_rules_from_file(test_config):
 105     cfgpath = test_config.project_dir / ('icu_tokenizer.yaml')
 106     cfgpath.write_text(dedent("""\
 107         normalization:
 108         transliteration:
 109             - "'ax' > 'b'"
 110             - !include transliteration.yaml
 111         token-analysis:
 112             - analyzer: generic
 113               variants:
 114         """))
 115     transpath = test_config.project_dir / ('transliteration.yaml')
 116     transpath.write_text('- "x > y"')
 117
 118     loader = ICURuleLoader(test_config)
 119     rules = loader.get_transliteration_rules()
 120     trans = Transliterator.createFromRules("test", rules)
 121
 122     assert trans.transliterate(" axxt ") == " byt "
 123
 124
 125 class TestGetReplacements:
 126
 127     @pytest.fixture(autouse=True)
 128     def setup_cfg(self, cfgrules):
 129         self.cfgrules = cfgrules
 130
 131     def get_replacements(self, *variants):
 132         loader = ICURuleLoader(self.cfgrules(*variants))
 133         rules = loader.analysis[None].config['replacements']
 134
 135         return sorted((k, sorted(v)) for k,v in rules)
 136
 137
 138     @pytest.mark.parametrize("variant", ['foo > bar', 'foo -> bar -> bar',
 139                                          '~foo~ -> bar', 'fo~ o -> bar'])
 140     def test_invalid_variant_description(self, variant):
 141         with pytest.raises(UsageError):
 142             ICURuleLoader(self.cfgrules(variant))
 143
 144     def test_add_full(self):
 145         repl = self.get_replacements("foo -> bar")
 146
 147         assert repl == [(' foo ', [' bar', ' foo'])]
 148
 149
 150     def test_replace_full(self):
 151         repl = self.get_replacements("foo => bar")
 152
 153         assert repl == [(' foo ', [' bar'])]
 154
 155
 156     def test_add_suffix_no_decompose(self):
 157         repl = self.get_replacements("~berg |-> bg")
 158
 159         assert repl == [(' berg ', [' berg', ' bg']),
 160                         ('berg ', ['berg', 'bg'])]
 161
 162
 163     def test_replace_suffix_no_decompose(self):
 164         repl = self.get_replacements("~berg |=> bg")
 165
 166         assert repl == [(' berg ', [' bg']),('berg ', ['bg'])]
 167
 168
 169     def test_add_suffix_decompose(self):
 170         repl = self.get_replacements("~berg -> bg")
 171
 172         assert repl == [(' berg ', [' berg', ' bg', 'berg', 'bg']),
 173                         ('berg ', [' berg', ' bg', 'berg', 'bg'])]
 174
 175
 176     def test_replace_suffix_decompose(self):
 177         repl = self.get_replacements("~berg => bg")
 178
 179         assert repl == [(' berg ', [' bg', 'bg']),
 180                         ('berg ', [' bg', 'bg'])]
 181
 182
 183     def test_add_prefix_no_compose(self):
 184         repl = self.get_replacements("hinter~ |-> hnt")
 185
 186         assert repl == [(' hinter', [' hinter', ' hnt']),
 187                         (' hinter ', [' hinter', ' hnt'])]
 188
 189
 190     def test_replace_prefix_no_compose(self):
 191         repl = self.get_replacements("hinter~ |=> hnt")
 192
 193         assert repl ==  [(' hinter', [' hnt']), (' hinter ', [' hnt'])]
 194
 195
 196     def test_add_prefix_compose(self):
 197         repl = self.get_replacements("hinter~-> h")
 198
 199         assert repl == [(' hinter', [' h', ' h ', ' hinter', ' hinter ']),
 200                         (' hinter ', [' h', ' h', ' hinter', ' hinter'])]
 201
 202
 203     def test_replace_prefix_compose(self):
 204         repl = self.get_replacements("hinter~=> h")
 205
 206         assert repl == [(' hinter', [' h', ' h ']),
 207                         (' hinter ', [' h', ' h'])]
 208
 209
 210     def test_add_beginning_only(self):
 211         repl = self.get_replacements("^Premier -> Pr")
 212
 213         assert repl == [('^ premier ', ['^ pr', '^ premier'])]
 214
 215
 216     def test_replace_beginning_only(self):
 217         repl = self.get_replacements("^Premier => Pr")
 218
 219         assert repl == [('^ premier ', ['^ pr'])]
 220
 221
 222     def test_add_final_only(self):
 223         repl = self.get_replacements("road$ -> rd")
 224
 225         assert repl == [(' road ^', [' rd ^', ' road ^'])]
 226
 227
 228     def test_replace_final_only(self):
 229         repl = self.get_replacements("road$ => rd")
 230
 231         assert repl == [(' road ^', [' rd ^'])]
 232
 233
 234     def test_decompose_only(self):
 235         repl = self.get_replacements("~foo -> foo")
 236
 237         assert repl == [(' foo ', [' foo', 'foo']),
 238                         ('foo ', [' foo', 'foo'])]
 239
 240
 241     def test_add_suffix_decompose_end_only(self):
 242         repl = self.get_replacements("~berg |-> bg", "~berg$ -> bg")
 243
 244         assert repl == [(' berg ', [' berg', ' bg']),
 245                         (' berg ^', [' berg ^', ' bg ^', 'berg ^', 'bg ^']),
 246                         ('berg ', ['berg', 'bg']),
 247                         ('berg ^', [' berg ^', ' bg ^', 'berg ^', 'bg ^'])]
 248
 249
 250     def test_replace_suffix_decompose_end_only(self):
 251         repl = self.get_replacements("~berg |=> bg", "~berg$ => bg")
 252
 253         assert repl == [(' berg ', [' bg']),
 254                         (' berg ^', [' bg ^', 'bg ^']),
 255                         ('berg ', ['bg']),
 256                         ('berg ^', [' bg ^', 'bg ^'])]
 257
 258
 259     def test_add_multiple_suffix(self):
 260         repl = self.get_replacements("~berg,~burg -> bg")
 261
 262         assert repl == [(' berg ', [' berg', ' bg', 'berg', 'bg']),
 263                         (' burg ', [' bg', ' burg', 'bg', 'burg']),
 264                         ('berg ', [' berg', ' bg', 'berg', 'bg']),
 265                         ('burg ', [' bg', ' burg', 'bg', 'burg'])]