postprocess_ne.c
7.72 KB
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
/* Postprocess the NE according to simple heuristics */
/* FRED 1106 */
#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <strings.h>
#include <lia_liblex.h>
/* ................................................................ */
#define TailleLigne 180000
#define True 1
#define False 0
void
ERREUR(char *ch1, char *ch2)
{
fprintf(stderr, "ERREUR : %s %s\n", ch1, ch2);
exit(0);
}
/* ................................................................ */
#define NB_NP 10
char *T_NP[NB_NP] = {"CHIF", "XFAMIL", "XPAYFP", "XPAYFS", "XPAYMP", "XPAYMS", "XPREF", "XPREM", "XSOC", "XVILLE"};
char *T_NE[NB_NP] = {"AMOUNT", "PERS", "LOC", "LOC", "LOC", "LOC", "PERS", "PERS", "ORG", "LOC"};
#define IF_DIGIT(a) (((a)>='0')&&((a)<='9'))
#define IF_CAPITAL(a) (((a)>='A')&&((a)<='Z'))
char *T_day[] = {
"lundi", "mardi", "mercredi", "jeudi", "vendredi", "samedi", "dimanche",
"Lundi", "Mardi", "Mercredi", "Jeudi", "Vendredi", "Samedi", "Dimanche", ""
};
char *T_month[] = {
"janvier", "février", "mars", "avril", "mai", "juin", "juillet", "août", "septembre", "octobre", "novembre", "décembre",
"Janvier", "Février", "Mars", "Avril", "Mai", "Juin", "Juillet", "Août", "Septembre", "Octobre", "Novembre", "Décembre",
"fevrier", "Fevrier", "aout", "Aout", "decembre", "Decembre", ""
};
int
if_day(char *pt)
{
int i;
for (i = 0; (T_day[i][0]) && (strcmp(T_day[i], pt)); i++);
return (int) (T_day[i][0]);
}
int
if_month(char *pt)
{
int i;
for (i = 0; (T_month[i][0]) && (strcmp(T_month[i], pt)); i++);
return (int) (T_month[i][0]);
}
int
if_number_year(char *pt)
{
if ((strlen(pt) == 4) && ((!strncmp(pt, "19", 2)) || (!strncmp(pt, "20", 2))) && (IF_DIGIT(pt[2])) && (IF_DIGIT(pt[3])))
return True;
else
return False;
}
int
if_number_day(char *pt)
{
if ((pt[1] == '\0') && (IF_DIGIT(pt[0])))
return True;
if ((strlen(pt) == 2) && (IF_DIGIT(pt[1])) && (IF_DIGIT(pt[0])) && (pt[0] < '4'))
return True;
return False;
}
int
if_number_hour(char *pt)
{
if (((pt[0] == '0') || (pt[0] == '1')) && (IF_DIGIT(pt[1])) && (pt[2] == '\0'))
return True;
else
return False;
}
int
if_number_minute(char *pt)
{
if ((IF_DIGIT(pt[0])) && (pt[0] <= '6') && (IF_DIGIT(pt[1])) && (pt[2] == '\0'))
return True;
else
return False;
}
int
at_least_one_cap(char *pt)
{
int i;
for (i = 0; (pt[i]) && (!(IF_CAPITAL(pt[i]))); i++);
return (int) (pt[i]);
}
/* ................................................................ */
/*
* format: <s> la Chambre passe à l' étude du projet de loi <pers> C-202
* </pers> <pers> Loi </pers> modifiant le Code criminel fuite dont le comité
* a fait rapport avec une proposition d' amendement </s> <s> m. <pers> Dan
* McTeague </pers> <pers> Pickering--Ajax--Uxbridge </pers> <pers> Lib
* </pers> propose </s> <s> que le projet de loi soit agréé </s> <s> <prod>
* La motion est adoptée </prod> </s> <s> m. <pers> Dan McTeague </pers>
* propose </s> <s> que le projet de loi soit lu pour la troisième fois et
* adopté </s> <s> m. <pers> Raymond Bonin </pers> <pers> Nickel Belt </pers>
* <pers> Lib </pers> </s> <s> madame la Présidente j' appuie le projet de
* loi <pers> C-202 </pers> <pers> Loi </pers> modifiant le Code criminel
* fuite </s>
*/
#define MAX_SIZE_SENT 180000
int
main(int argc, char **argv)
{
char ch[TailleLigne], *t_sent[MAX_SIZE_SENT], *pt, *prevnetag;
int nb, lexid, i, indice, j, ifdone;
lexid = -1;
if (argc > 1)
for (nb = 1; nb < argc; nb++)
if (!strcmp(argv[nb], "-lex")) {
if (nb + 1 == argc)
ERREUR("an option must follow option:", argv[nb]);
lexid = load_lexicon(argv[++nb]);
} else if (!strcmp(argv[nb], "-h")) {
fprintf(stderr, "Syntax: %s [-h] -lex <lex_name.code>\n", argv[0]);
exit(0);
} else
ERREUR("unknown option:", argv[nb]);
if (lexid == -1)
ERREUR("bad syntax, check '-h'", "");
for (nb = 0; fgets(ch, TailleLigne, stdin); nb++) {
for (pt = strtok(ch, " \t\n"), i = 0; (i < MAX_SIZE_SENT) && (pt); i++, pt = strtok(NULL, " \t\n"))
t_sent[i] = pt;
if (i == MAX_SIZE_SENT)
ERREUR("cste MAX_SIZE_SENT too small:", ch);
t_sent[i] = NULL;
for (i = 0; t_sent[i];) {
if (!strcmp(t_sent[i], "<s>")) {
printf("<s>");
i++;
} else if (!strcmp(t_sent[i], "</s>")) {
printf(" </s>\n");
i++;
} else if (t_sent[i][0] != '<') { /* outside */
if (if_day(t_sent[i])) {
printf(" <TIME> %s", t_sent[i]);
i++;
if ((t_sent[i]) && (if_number_day(t_sent[i]))) {
printf(" %s", t_sent[i]);
i++;
if ((t_sent[i]) && (if_month(t_sent[i]))) {
printf(" %s", t_sent[i]);
i++;
if ((t_sent[i]) && (if_number_year(t_sent[i]))) {
printf(" %s", t_sent[i]);
i++;
}
}
}
printf(" </TIME>");
} else if ((t_sent[i + 1]) && (if_number_day(t_sent[i])) && (if_month(t_sent[i + 1]))) {
printf(" <TIME> %s %s", t_sent[i], t_sent[i + 1]);
i += 2;
if ((t_sent[i]) && (if_number_year(t_sent[i]))) {
printf(" %s", t_sent[i]);
i++;
}
printf(" </TIME>");
} else if (if_month(t_sent[i])) {
printf(" <TIME> %s", t_sent[i]);
i++;
if ((t_sent[i]) && (if_number_year(t_sent[i]))) {
printf(" %s", t_sent[i]);
i++;
}
printf(" </TIME>");
} else if (if_number_year(t_sent[i])) {
printf(" <TIME> %s </TIME>", t_sent[i]);
i++;
} else if ((if_number_hour(t_sent[i])) && (t_sent[i + 1]) && (!strcmp(t_sent[i + 1], "h")) && (t_sent[i + 2]) && (if_number_minute(t_sent[i + 2]))) {
printf(" <TIME> %s h %s </TIME>", t_sent[i], t_sent[i + 2]);
i += 3;
} else if ((if_number_hour(t_sent[i])) && (t_sent[i + 1]) && (!strcmp(t_sent[i + 1], "h"))) {
printf(" <TIME> %s h </TIME>", t_sent[i]);
i += 2;
} else if (word2code(lexid, t_sent[i], &indice)) {
if (indice >= NB_NP)
ERREUR("bad indice:", t_sent[i]);
prevnetag = T_NE[indice];
printf(" <%s> %s", prevnetag, t_sent[i]);
for (++i; (t_sent[i]) && (word2code(lexid, t_sent[i], &indice)) && (!strcmp(T_NE[indice], prevnetag)); i++)
printf(" %s", t_sent[i]);
printf(" </%s>", prevnetag);
} else { /* default */
printf(" %s", t_sent[i]);
i++;
}
} else {/* inside */
ifdone = False;
if ((!strcmp(t_sent[i], "<PERS>")) || (!strcmp(t_sent[i], "<GSP>")) || (!strcmp(t_sent[i], "<ORG>")) ||
(!strcmp(t_sent[i], "<LOC>")) && (!strcmp(t_sent[i], "<FAC>"))) {
/* if no capital at all, suppress */
for (j = i + 1; (t_sent[j]) && (t_sent[j][0] != '<') && (!(at_least_one_cap(t_sent[j]))); j++);
if (t_sent[j] == '\0')
ERREUR("YUOP::", t_sent[0]);
if (t_sent[j][0] != '<') { /* we check for « */
for (j = i + 1; (t_sent[j]) && (t_sent[j][0] != '<') && (!strstr(t_sent[j], "«")) && (!strstr(t_sent[j], "»")); j++);
if (t_sent[j][0] == '<') /* OK */
j = i + 1;
else /* suppress */
for (; (t_sent[j]) && (t_sent[j][0] != '<'); j++);
}
if (t_sent[j][0] == '<') { /* suppress */
for (++i; i < j; i++)
printf(" %s", t_sent[i]);
i++;
ifdone = True;
}
}
/* regles ad-hoc */
if (!ifdone) {
if ((t_sent[i + 1]) && (!strncmp(t_sent[i + 1], "C-", 2)) && (t_sent[i + 2]) && (t_sent[i + 2][0] == '<')) {
printf(" <PROD> %s </PROD>", t_sent[i + 1]);
i += 3;
} else if ((t_sent[i + 1]) && (t_sent[i + 2]) && (t_sent[i + 2][0] == '<') && (strstr(t_sent[i + 1], "--"))) {
printf(" <ORG> %s </ORG>", t_sent[i + 1]);
i += 3;
} else { /* default */
printf(" %s", t_sent[i]);
for (++i; (t_sent[i]) && (t_sent[i][0] != '<'); i++)
printf(" %s", t_sent[i]);
printf(" %s", t_sent[i]);
i++;
}
}
}
}
}
delete_lexicon(lexid);
exit(0);
}