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
   8 from nominatim.tokenizer.icu_rule_loader import ICURuleLoader
   9 from nominatim.tokenizer.icu_name_processor import ICUNameProcessor, ICUNameProcessorRules
  10
  11 from nominatim.errors import UsageError
  12
  13 @pytest.fixture
  14 def cfgfile(tmp_path, suffix='.yaml'):
  15     def _create_config(suffixes, abbr):
  16         content = dedent("""\
  17         normalization:
  18             - ":: NFD ()"
  19             - "[[:Nonspacing Mark:] [:Cf:]] >"
  20             - ":: lower ()"
  21             - "[[:Punctuation:][:Space:]]+ > ' '"
  22             - ":: NFC ()"
  23         transliteration:
  24             - "::  Latin ()"
  25         """)
  26         content += "compound_suffixes:\n"
  27         content += '\n'.join(("    - " + s for s in suffixes)) + '\n'
  28         content += "abbreviations:\n"
  29         content += '\n'.join(("    - " + s for s in abbr)) + '\n'
  30         fpath = tmp_path / ('test_config' + suffix)
  31         fpath.write_text(dedent(content))
  32         return fpath
  33
  34     return _create_config
  35
  36
  37 def test_simple_variants(cfgfile):
  38     fpath = cfgfile(['strasse', 'straße', 'weg'],
  39                     ['strasse,straße => str',
  40                      'prospekt => pr'])
  41
  42     rules = ICUNameProcessorRules(loader=ICURuleLoader(fpath))
  43     proc = ICUNameProcessor(rules)
  44
  45     assert set(proc.get_normalized_variants("Bauwegstraße")) \
  46             == {'bauweg straße', 'bauweg str'}
  47     assert proc.get_normalized_variants("Bauwegstr") == ['bauweg str']
  48     assert proc.get_normalized_variants("holzweg") == ['holz weg']
  49     assert proc.get_normalized_variants("hallo") == ['hallo']
  50
  51
  52 def test_multiple_replacements(cfgfile):
  53     fpath = cfgfile([], ['saint => s,st', 'street => st'])
  54
  55     rules = ICUNameProcessorRules(loader=ICURuleLoader(fpath))
  56     proc = ICUNameProcessor(rules)
  57
  58     assert set(proc.get_normalized_variants("Saint Johns Street")) == \
  59             {'saint johns street', 's johns street', 'st johns street',
  60              'saint johns st', 's johns st', 'st johns st'}