test/python/test_tokenizer_icu_name_processor.py

   1 """
   2 Tests for import name normalisation and variant generation.
   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.tokenizer.icu_name_processor import ICUNameProcessor, ICUNameProcessorRules
  11
  12 from nominatim.errors import UsageError
  13
  14 @pytest.fixture
  15 def cfgfile():
  16     def _create_config(*variants, **kwargs):
  17         content = dedent("""\
  18         normalization:
  19             - ":: NFD ()"
  20             - "'🜳' > ' '"
  21             - "[[:Nonspacing Mark:] [:Cf:]] >"
  22             - ":: lower ()"
  23             - "[[:Punctuation:][:Space:]]+ > ' '"
  24             - ":: NFC ()"
  25         transliteration:
  26             - "::  Latin ()"
  27             - "'🜵' > ' '"
  28         """)
  29         content += "variants:\n  - words:\n"
  30         content += '\n'.join(("      - " + s for s in variants)) + '\n'
  31         for k, v in kwargs:
  32             content += "    {}: {}\n".format(k, v)
  33         return yaml.safe_load(content)
  34
  35     return _create_config
  36
  37
  38 def get_normalized_variants(proc, name):
  39     return proc.get_variants_ascii(proc.get_normalized(name))
  40
  41
  42 def test_variants_empty(cfgfile):
  43     fpath = cfgfile('saint -> 🜵', 'street -> st')
  44
  45     rules = ICUNameProcessorRules(loader=ICURuleLoader(fpath))
  46     proc = ICUNameProcessor(rules)
  47
  48     assert get_normalized_variants(proc, '🜵') == []
  49     assert get_normalized_variants(proc, '🜳') == []
  50     assert get_normalized_variants(proc, 'saint') == ['saint']
  51
  52
  53 VARIANT_TESTS = [
  54 (('~strasse,~straße -> str', '~weg => weg'), "hallo", {'hallo'}),
  55 (('weg => wg',), "holzweg", {'holzweg'}),
  56 (('weg -> wg',), "holzweg", {'holzweg'}),
  57 (('~weg => weg',), "holzweg", {'holz weg', 'holzweg'}),
  58 (('~weg -> weg',), "holzweg",  {'holz weg', 'holzweg'}),
  59 (('~weg => w',), "holzweg", {'holz w', 'holzw'}),
  60 (('~weg -> w',), "holzweg",  {'holz weg', 'holzweg', 'holz w', 'holzw'}),
  61 (('~weg => weg',), "Meier Weg", {'meier weg', 'meierweg'}),
  62 (('~weg -> weg',), "Meier Weg", {'meier weg', 'meierweg'}),
  63 (('~weg => w',), "Meier Weg", {'meier w', 'meierw'}),
  64 (('~weg -> w',), "Meier Weg", {'meier weg', 'meierweg', 'meier w', 'meierw'}),
  65 (('weg => wg',), "Meier Weg", {'meier wg'}),
  66 (('weg -> wg',), "Meier Weg", {'meier weg', 'meier wg'}),
  67 (('~strasse,~straße -> str', '~weg => weg'), "Bauwegstraße",
  68      {'bauweg straße', 'bauweg str', 'bauwegstraße', 'bauwegstr'}),
  69 (('am => a', 'bach => b'), "am bach", {'a b'}),
  70 (('am => a', '~bach => b'), "am bach", {'a b'}),
  71 (('am -> a', '~bach -> b'), "am bach", {'am bach', 'a bach', 'am b', 'a b'}),
  72 (('am -> a', '~bach -> b'), "ambach", {'ambach', 'am bach', 'amb', 'am b'}),
  73 (('saint -> s,st', 'street -> st'), "Saint Johns Street",
  74      {'saint johns street', 's johns street', 'st johns street',
  75       'saint johns st', 's johns st', 'st johns st'}),
  76 (('river$ -> r',), "River Bend Road", {'river bend road'}),
  77 (('river$ -> r',), "Bent River", {'bent river', 'bent r'}),
  78 (('^north => n',), "North 2nd Street", {'n 2nd street'}),
  79 (('^north => n',), "Airport North", {'airport north'}),
  80 (('am -> a',), "am am am am am am am am", {'am am am am am am am am'}),
  81 (('am => a',), "am am am am am am am am", {'a a a a a a a a'})
  82 ]
  83
  84 @pytest.mark.parametrize("rules,name,variants", VARIANT_TESTS)
  85 def test_variants(cfgfile, rules, name, variants):
  86     fpath = cfgfile(*rules)
  87     proc = ICUNameProcessor(ICUNameProcessorRules(loader=ICURuleLoader(fpath)))
  88
  89     result = get_normalized_variants(proc, name)
  90
  91     assert len(result) == len(set(result))
  92     assert set(get_normalized_variants(proc, name)) == variants
  93
  94
  95 def test_search_normalized(cfgfile):
  96     fpath = cfgfile('~street => s,st', 'master => mstr')
  97
  98     rules = ICUNameProcessorRules(loader=ICURuleLoader(fpath))
  99     proc = ICUNameProcessor(rules)
 100
 101     assert proc.get_search_normalized('Master Street') == 'master street'
 102     assert proc.get_search_normalized('Earnes St') == 'earnes st'
 103     assert proc.get_search_normalized('Nostreet') == 'nostreet'