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