Class: Ovec::Tier

Inherits:
TextManipulator show all
Defined in:
lib/ovec/tier.rb

Constant Summary collapse

REGEX =

The last character this regex matches is changed to a tilde.

/(
  ((\p{Z}|\~|\n)[KkSsVvZzOoUu]\p{Z})|   # KSVZOU jako samostatne slovo
  ([\.\?\!](\p{Z}|\~)+[KSVZOUAI]\p{Z})| # KSVZOUAI na zacatku vety
  (\A[KSVZOUAI]\p{Z})|                  # KSVZOUAI na zacatku textu
  (\p{Z}(?=--(\p{Z}|\n)))|              # mezera, za kterou je pomlcka
  (,(\p{Z}|\~|\n)+a\p{Z})               # ... modulo 10, a~timto prvkem ...; TODO: plati tohle i pro "i"?
)/x
DATE_REGEX =

TODO: generally tie “5.~batalion”, … All changes within this regex are changed to a tilde.

/(
  (?<=\p{Z})\p{Nd}{1,2}\.\p{Z}
  (\p{Nd}{1,2}\.|leden|únor|březen|duben|květen|červen|červenec|srpen|září|říjen|listopad|prosinec| # TODO: plne sklonovani? nebo nejaky wildcard?
    ledna|února|března|dubna|května|června|července|srpna|září|října|listopadu|prosince)\p{Z}
  \p{Nd}{4}(?=\p{Z}) # Datum jako "1. 5. 2013"
)/x

Instance Method Summary collapse

Methods inherited from TextManipulator

#bind

Instance Method Details

#run ⇒ Object 



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
 
# File 'lib/ovec/tier.rb', line 23

def run
  # ~ neni mezi \p{Z}.
  # TODO: moznosti na dvojpismenne predlozky
  matches = @joined.to_enum(:scan, REGEX).map { Regexp.last_match }

  # Matches may overlap, find all matches with more scans.
  # TODO: optimize
  until matches.empty?
    for i in 0...matches.length
      # TODO: check ze za tim neni tilda nikde (napr. na dalsim radku, par mezer pozdeji, ...)
      match = matches[i]
      change = match.end(0) - 1
      chunk, offset = _find_chunk_and_offset(change)
      chunk[offset] = '~'
    end
  
    _rejoin
    matches = @joined.to_enum(:scan, REGEX).map { Regexp.last_match }
  end

  # Dates can't overlap. 1 scan is enough.
  matches = @joined.to_enum(:scan, DATE_REGEX).map { Regexp.last_match }
  for i in 0...matches.length
    match = matches[i]
    for j in match.begin...match.end
      if @joined[j] == ' '
        chunk, offset = _find_chunk_and_offset(j)
        chunk[offset] = '~'
      end
    end
  end
end