test/python/tokenizer/token_analysis/test_generic.py

   1 """
   2 Tests for import name normalisation and variant generation.
   3 """
   4 import pytest
   5
   6 from icu import Transliterator
   7
   8 import nominatim.tokenizer.token_analysis.generic as module
   9 from nominatim.errors import UsageError
  10
  11 DEFAULT_NORMALIZATION = """ :: NFD ();
  12                             '🜳' > ' ';
  13                             [[:Nonspacing Mark:] [:Cf:]] >;
  14                             :: lower ();
  15                             [[:Punctuation:][:Space:]]+ > ' ';
  16                             :: NFC ();
  17                         """
  18
  19 DEFAULT_TRANSLITERATION = """ ::  Latin ();
  20                               '🜵' > ' ';
  21                           """
  22
  23 def make_analyser(*variants, variant_only=False):
  24     rules = { 'analyzer': 'generic', 'variants': [{'words': variants}]}
  25     if variant_only:
  26         rules['mode'] = 'variant-only'
  27     config = module.configure(rules, DEFAULT_NORMALIZATION)
  28     trans = Transliterator.createFromRules("test_trans", DEFAULT_TRANSLITERATION)
  29
  30     return module.create(trans, config)
  31
  32
  33 def get_normalized_variants(proc, name):
  34     norm = Transliterator.createFromRules("test_norm", DEFAULT_NORMALIZATION)
  35     return proc.get_variants_ascii(norm.transliterate(name).strip())
  36
  37
  38 def test_no_variants():
  39     rules = { 'analyzer': 'generic' }
  40     config = module.configure(rules, DEFAULT_NORMALIZATION)
  41     trans = Transliterator.createFromRules("test_trans", DEFAULT_TRANSLITERATION)
  42
  43     proc = module.create(trans, config)
  44
  45     assert get_normalized_variants(proc, '大德!') == ['dà dé']
  46
  47
  48 def test_variants_empty():
  49     proc = make_analyser('saint -> 🜵', 'street -> st')
  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(rules, name, variants):
  89     proc = make_analyser(*rules)
  90
  91     result = get_normalized_variants(proc, name)
  92
  93     assert len(result) == len(set(result))
  94     assert set(get_normalized_variants(proc, name)) == variants
  95
  96
  97 VARIANT_ONLY_TESTS = [
  98 (('weg => wg',), "hallo", set()),
  99 (('weg => wg',), "Meier Weg", {'meier wg'}),
 100 (('weg -> wg',), "Meier Weg", {'meier wg'}),
 101 ]
 102
 103 @pytest.mark.parametrize("rules,name,variants", VARIANT_ONLY_TESTS)
 104 def test_variants_only(rules, name, variants):
 105     proc = make_analyser(*rules, variant_only=True)
 106
 107     result = get_normalized_variants(proc, name)
 108
 109     assert len(result) == len(set(result))
 110     assert set(get_normalized_variants(proc, name)) == variants
 111
 112
 113 class TestGetReplacements:
 114
 115     @staticmethod
 116     def configure_rules(*variants):
 117         rules = { 'analyzer': 'generic', 'variants': [{'words': variants}]}
 118         return module.configure(rules, DEFAULT_NORMALIZATION)
 119
 120
 121     def get_replacements(self, *variants):
 122         config = self.configure_rules(*variants)
 123
 124         return sorted((k, sorted(v)) for k,v in config['replacements'])
 125
 126
 127     @pytest.mark.parametrize("variant", ['foo > bar', 'foo -> bar -> bar',
 128                                          '~foo~ -> bar', 'fo~ o -> bar'])
 129     def test_invalid_variant_description(self, variant):
 130         with pytest.raises(UsageError):
 131             self.configure_rules(variant)
 132
 133
 134     @pytest.mark.parametrize("rule", ["!!! -> bar", "bar => !!!"])
 135     def test_ignore_unnormalizable_terms(self, rule):
 136         repl = self.get_replacements(rule)
 137
 138         assert repl == []
 139
 140
 141     def test_add_full(self):
 142         repl = self.get_replacements("foo -> bar")
 143
 144         assert repl == [(' foo ', [' bar', ' foo'])]
 145
 146
 147     def test_replace_full(self):
 148         repl = self.get_replacements("foo => bar")
 149
 150         assert repl == [(' foo ', [' bar'])]
 151
 152
 153     def test_add_suffix_no_decompose(self):
 154         repl = self.get_replacements("~berg |-> bg")
 155
 156         assert repl == [(' berg ', [' berg', ' bg']),
 157                         ('berg ', ['berg', 'bg'])]
 158
 159
 160     def test_replace_suffix_no_decompose(self):
 161         repl = self.get_replacements("~berg |=> bg")
 162
 163         assert repl == [(' berg ', [' bg']),('berg ', ['bg'])]
 164
 165
 166     def test_add_suffix_decompose(self):
 167         repl = self.get_replacements("~berg -> bg")
 168
 169         assert repl == [(' berg ', [' berg', ' bg', 'berg', 'bg']),
 170                         ('berg ', [' berg', ' bg', 'berg', 'bg'])]
 171
 172
 173     def test_replace_suffix_decompose(self):
 174         repl = self.get_replacements("~berg => bg")
 175
 176         assert repl == [(' berg ', [' bg', 'bg']),
 177                         ('berg ', [' bg', 'bg'])]
 178
 179
 180     def test_add_prefix_no_compose(self):
 181         repl = self.get_replacements("hinter~ |-> hnt")
 182
 183         assert repl == [(' hinter', [' hinter', ' hnt']),
 184                         (' hinter ', [' hinter', ' hnt'])]
 185
 186
 187     def test_replace_prefix_no_compose(self):
 188         repl = self.get_replacements("hinter~ |=> hnt")
 189
 190         assert repl ==  [(' hinter', [' hnt']), (' hinter ', [' hnt'])]
 191
 192
 193     def test_add_prefix_compose(self):
 194         repl = self.get_replacements("hinter~-> h")
 195
 196         assert repl == [(' hinter', [' h', ' h ', ' hinter', ' hinter ']),
 197                         (' hinter ', [' h', ' h', ' hinter', ' hinter'])]
 198
 199
 200     def test_replace_prefix_compose(self):
 201         repl = self.get_replacements("hinter~=> h")
 202
 203         assert repl == [(' hinter', [' h', ' h ']),
 204                         (' hinter ', [' h', ' h'])]
 205
 206
 207     def test_add_beginning_only(self):
 208         repl = self.get_replacements("^Premier -> Pr")
 209
 210         assert repl == [('^ premier ', ['^ pr', '^ premier'])]
 211
 212
 213     def test_replace_beginning_only(self):
 214         repl = self.get_replacements("^Premier => Pr")
 215
 216         assert repl == [('^ premier ', ['^ pr'])]
 217
 218
 219     def test_add_final_only(self):
 220         repl = self.get_replacements("road$ -> rd")
 221
 222         assert repl == [(' road ^', [' rd ^', ' road ^'])]
 223
 224
 225     def test_replace_final_only(self):
 226         repl = self.get_replacements("road$ => rd")
 227
 228         assert repl == [(' road ^', [' rd ^'])]
 229
 230
 231     def test_decompose_only(self):
 232         repl = self.get_replacements("~foo -> foo")
 233
 234         assert repl == [(' foo ', [' foo', 'foo']),
 235                         ('foo ', [' foo', 'foo'])]
 236
 237
 238     def test_add_suffix_decompose_end_only(self):
 239         repl = self.get_replacements("~berg |-> bg", "~berg$ -> bg")
 240
 241         assert repl == [(' berg ', [' berg', ' bg']),
 242                         (' berg ^', [' berg ^', ' bg ^', 'berg ^', 'bg ^']),
 243                         ('berg ', ['berg', 'bg']),
 244                         ('berg ^', [' berg ^', ' bg ^', 'berg ^', 'bg ^'])]
 245
 246
 247     def test_replace_suffix_decompose_end_only(self):
 248         repl = self.get_replacements("~berg |=> bg", "~berg$ => bg")
 249
 250         assert repl == [(' berg ', [' bg']),
 251                         (' berg ^', [' bg ^', 'bg ^']),
 252                         ('berg ', ['bg']),
 253                         ('berg ^', [' bg ^', 'bg ^'])]
 254
 255
 256     @pytest.mark.parametrize('rule', ["~berg,~burg -> bg",
 257                                       "~berg, ~burg -> bg",
 258                                       "~berg,,~burg -> bg"])
 259     def test_add_multiple_suffix(self, rule):
 260         repl = self.get_replacements(rule)
 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'])]