Blame view
tools/lia_ltbox/lia_phon/src/format/DecoupePhrases.c
9.34 KB
e6be5137b
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 |
/* -------------------------------------------------------- LIA_PHON : Un systeme complet de phonetisation de textes -------------------------------------------------------- Copyright (C) 2001 FREDERIC BECHET .................................................................. This file is part of LIA_PHON LIA_PHON is free software; you can redistribute it and/or modify it under the terms of the GNU General Public License as published by the Free Software Foundation; either version 2 of the License, or (at your option) any later version. This program is distributed in the hope that it will be useful, but WITHOUT ANY WARRANTY; without even the implied warranty of MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the GNU General Public License for more details. You should have received a copy of the GNU General Public License along with this program; if not, write to the Free Software Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA 02111-1307 USA .................................................................. For any publication related to scientific work using LIA_PHON, the following reference paper must be mentioned in the bibliography: Bechet F., 2001, "LIA_PHON - Un systeme complet de phonetisation de textes", revue Traitement Automatique des Langues (T.A.L.) volume 42, numero 1/2001, edition Hermes .................................................................. Contact : FREDERIC BECHET - LIA - UNIVERSITE D'AVIGNON AGROPARC BP1228 84911 AVIGNON CEDEX 09 FRANCE frederic.bechet@lia.univ-avignon.fr .................................................................. */ /* Decoupe un texte tokenise par DecoupeMots en phrases en accord avec un certain nombre d'heuristiques Les separateurs de phrases sont : <s> : debut de phrase </s> : fin de phrase Entree : stdin Sortie : stdout */ /* FRED 0199 */ #include <stdio.h> #include <stdlib.h> #include <string.h> #include <strings.h> #include <GestionTablMots.h> #define TailleLigne 8000 /* Gestion de la liste de mots necessitant de ne pas considere le '.' comme separateur */ char CharSeparateur; char TablSeparateur[]= { '.', '!', '?', /* separateur 'classique' de fin de phrase */ '\0' }; int SiSeparateur(c) char c; { static int n; for(n=0;TablSeparateur[n];n++) if (c==TablSeparateur[n]) return 1; return 0; } int MotSeparateur(ch) char *ch; { if ((ch[1]=='\0')&&(SiSeparateur(ch[0]))) return 1; if (!strcmp(ch,"...")) return 1; return 0; } #define SiMajuscule(a) ((((a)>='A')&&((a)<='Z'))?1:0) #define SiChiffre(a) ((((a)>='0')&&((a)<='9'))?1:0) #define SiUnite(a) ((((a)=='%')||((a)=='$')||((a)=='F')||((a)==',')||((a)=='.'))?1:0) #define SiDebutBloc(a) ((((a)=='[')||((a)=='(')||((a)=='"'))?1:0) #define SiFinBloc(a) ((((a)==']')||((a)==')')||((a)=='"'))?1:0) int DebutParagraphe(c) char c; { if ((c=='-')||(c=='*')||(c=='(')||(c=='[')) return 1; return 0; } /* Definition de la fenetre d'examen */ /* On regarde 5 mots avant et 5 mots apres */ #define TailleFenetre 11 #define SpotFenetre 5 #define TailleMot 200 char *Fenetre[TailleFenetre]; char Phrase[TailleFenetre][TailleMot]; /* Heuristiques sur la fin de phrase */ int CaraDebutPossible(ch) char *ch; { /* un cara est un debut possible s'il commence : * par une majuscule * par un chiffre * par un caractere debut_paragraphe */ if (SiMajuscule(*ch)) return 1; if (SiChiffre(*ch)) return 1; if (DebutParagraphe(*ch)) return 1; return 0; } int JustDigit(ch) char *ch; { int n; for(n=0;ch[n];n++) if (!SiChiffre(ch[n])) return 0; return 1; } int MotDebutPossible(ch) char *ch; { /* un mot est un debut possible s'il est compose : * une majuscule suivie de minuscule * un nombre * par un caractere debut_paragraphe */ int n; if (SiMajuscule(*ch)) { for(n=1;(ch[n])&&(!(SiMajuscule(ch[n])));n++); if (ch[n]=='\0') return 1; } if (SiChiffre(*ch)) { for(n=1;(ch[n])&&(SiChiffre(ch[n])||(SiUnite(ch[n])));n++); if (ch[n]=='\0') return 1; } if (DebutParagraphe(*ch)) return 1; return 0; } int TraiteFinPhrase() { /* si on a [. ou plus] alors fin_phrase */ if ((Fenetre[SpotFenetre+1][0]==' ') && (Fenetre[SpotFenetre+1][1]>=2)) strcat(Fenetre[SpotFenetre]," </s> <s> "); /* si on a [. cara_debu_possible] alors fin_phrase */ if ((Fenetre[SpotFenetre+1][0]==' ') && (CaraDebutPossible(Fenetre[SpotFenetre+2]))) strcat(Fenetre[SpotFenetre]," </s> <s> "); /* si on a [chif . chif quantificateur alors pas de fin de phrase */ if ((JustDigit(Fenetre[SpotFenetre-1]))&&(JustDigit(Fenetre[SpotFenetre+1])) && (JustPresent(Fenetre[SpotFenetre+2]))) return 0; /* si on a [. mot_debut_possible] alors fin_phrase */ if (MotDebutPossible(Fenetre[SpotFenetre+1])) strcat(Fenetre[SpotFenetre]," </s> <s> "); /* si on a [. fin_bloc cara_debu_possible] alors fin_phrase */ if ((SiFinBloc(Fenetre[SpotFenetre+1][0])) && (Fenetre[SpotFenetre+2][0]==' ') && (CaraDebutPossible(Fenetre[SpotFenetre+3]))) strcat(Fenetre[SpotFenetre+1]," </s> <s> "); /* si on a [. fin_bloc/debut_bloc mot_debut_possible] alors fin_phrase */ if (((SiDebutBloc(Fenetre[SpotFenetre+1][0]))||(SiFinBloc(Fenetre[SpotFenetre+1][0]))) && (MotDebutPossible(Fenetre[SpotFenetre+2]))) strcat(Fenetre[SpotFenetre+1]," </s> <s> "); /* si on a [. debut_bloc cara_debu_possible] alors fin_phrase */ if ((SiDebutBloc(Fenetre[SpotFenetre+2][0])) && (Fenetre[SpotFenetre+1][0]==' ') && (CaraDebutPossible(Fenetre[SpotFenetre+3]))) strcat(Fenetre[SpotFenetre]," </s> <s> "); return 1; } void TraiteLigne(ch) char *ch; { static int i_phrase=TailleFenetre,taille=0,last_saut=-1,just_open=1; int i,n,l; char *pt; for(pt=strtok(ch," \t");pt;pt=strtok(NULL," \t")) { i_phrase=i_phrase%TailleFenetre; for(i=0;i<TailleFenetre-1;i++) Fenetre[i]=Fenetre[i+1]; Fenetre[i]=Phrase[i_phrase]; /* on recopie pt dans Phrase[i_phrase] en enlevant sauf s'il est seul car c'est un indice pour le decoupage en ligne et on comptabilise le nb de consecutifs */ for(n=0;(pt[n])&&(pt[n]!=' ');n++) Phrase[i_phrase][n]=pt[n]; if (pt[n]==' ') if (n>0) { Phrase[i_phrase][n]='\0'; last_saut=-1; } else { if (last_saut==-1) { Phrase[i_phrase][0]=' '; Phrase[i_phrase][1]='\1'; Phrase[i_phrase][2]='\0'; last_saut=i_phrase; /*fprintf(stderr,"premier saut ");*/ } else /* on incremente le compteur */ { Phrase[last_saut][1]++; Phrase[i_phrase][0]='\0'; /*fprintf(stderr,"\t saut num : %d ",Phrase[last_saut][1]);*/ } } else { Phrase[i_phrase][n]='\0'; last_saut=-1; } i_phrase++; if (MotSeparateur(Fenetre[SpotFenetre])) TraiteFinPhrase(); if ((Fenetre[SpotFenetre][0])&&(Fenetre[SpotFenetre][0]!=' ')) { printf("%s",Fenetre[SpotFenetre]); l=strlen(Fenetre[SpotFenetre]); /* si les 4 derniers caracteres affiche sont : <s> alors, just_open=1, pour eviter les lignes vides */ if (!strncmp(&(Fenetre[SpotFenetre][l-4]),"<s> ",4)) just_open=1; else just_open=0; if (Fenetre[SpotFenetre][l-1]==' ') taille=0; else { taille+=l; if (taille>54) { printf(" "); taille=0; } else printf("%c",CharSeparateur); } } else if (Fenetre[SpotFenetre][0]==' ') { /*fprintf(stderr,"saut de lignes consecutifs = %d ",Fenetre[SpotFenetre][1]);*/ if ((just_open==0) && (Fenetre[SpotFenetre][1]>=3)) /* on insere une fin de phrase si on ne vient pas d'ouvrir une ligne */ printf(" </s> <s> "); } } } int main(argc,argv) int argc; char **argv; { char ch[TailleLigne]; int i; CharSeparateur=' '; /* par defaut, phrase formatees en paragraphe ATTENTION : si on utilise lia_nett_capital il FAUT que les phrases soient codees en paragraphe et non pas 1 mot par ligne !!!! */ if (argc>1) { if (!strcmp(argv[1],"-h")) { fprintf(stderr,"Syntaxe : %s [-h] [-l] <list mot virgule> < stdin > stdout \ \t Decoupe un texte en phrases tokenise (par exemple par la \ \t commande 'lia_token') en accord avec un certain nombre \ \t d'heuristiques codes dans la fonction 'TraiteFinPhrase'. \ \t Les separateurs de phrases sont : '<s>' = debut de phrase \ \t et '</s>' = fin de phrase. \ \t Le fichier <list mots virgule compil> contient un lexique \ \t compile avec la commande 'lia_compile_lexitree'. Ce lexique contient \ \t tous les mots 'M' tel que, une expression de la forme : \ \t '<nombre1> . <nombre2> M' ne sera pas decoupee en phrase \ \t L'option -l permet d'obtenir un mot par ligne, sinon les phrases \ \t sont formatees en paragraphes - ATTENTION : lia_nett_capital n'accepte \ \t que les phrases structurees en paragraphe, donc SANS l'option -l \ \t Merci de votre comprehension !!!! ",argv[0]); exit(0); } if ((argc>2)&&(!strcmp(argv[2],"-l"))) CharSeparateur=' '; } else { fprintf(stderr,"Syntaxe : %s [-h] [-l] <list mot virgule> < stdin > stdout ",argv[0]); exit(0); } ChargeLexiqueCompile(argv[1]); /* Initialisation de la phrase */ for(i=0;i<TailleFenetre;i++) { strcpy(Phrase[i],""); Fenetre[i]=Phrase[i]; } /* premier tag de debut de phrase */ printf("<s> "); while(fgets(ch,TailleLigne,stdin)) TraiteLigne(ch); /* On vide la phrase */ strcpy(ch," "); for(i=0;i<=SpotFenetre;i++) TraiteLigne(ch); /* dernier tag de fin de phrase */ printf("</s> "); exit(0); } |