mirror of https://github.com/qurator-spk/neat.git
add annotation tools and url mapping integration
parent
3d10f7b001
commit
6afb0a6375
@ -0,0 +1,97 @@
|
|||||||
|
import re
|
||||||
|
import click
|
||||||
|
import pandas as pd
|
||||||
|
from io import StringIO
|
||||||
|
|
||||||
|
|
||||||
|
@click.command()
|
||||||
|
@click.argument('tsv-file', type=click.Path(exists=True), required=True, nargs=1)
|
||||||
|
def extract_document_links(tsv_file):
|
||||||
|
|
||||||
|
parts = extract_doc_links(tsv_file)
|
||||||
|
|
||||||
|
for part in parts:
|
||||||
|
|
||||||
|
print(part['url'])
|
||||||
|
|
||||||
|
|
||||||
|
@click.command()
|
||||||
|
@click.argument('tsv-file', type=click.Path(exists=True), required=True, nargs=1)
|
||||||
|
@click.argument('annotated-tsv-file', type=click.Path(exists=False), required=True, nargs=1)
|
||||||
|
def annotate_tsv(tsv_file, annotated_tsv_file):
|
||||||
|
|
||||||
|
parts = extract_doc_links(tsv_file)
|
||||||
|
|
||||||
|
annotated_parts = []
|
||||||
|
|
||||||
|
urls = []
|
||||||
|
|
||||||
|
for part in parts:
|
||||||
|
|
||||||
|
part_data = StringIO(part['header'] + part['text'])
|
||||||
|
urls.append(part['url'])
|
||||||
|
|
||||||
|
df = pd.read_csv(part_data, sep="\t", comment='#', quoting=3)
|
||||||
|
|
||||||
|
df['url_id'] = len(annotated_parts)
|
||||||
|
|
||||||
|
annotated_parts.append(df)
|
||||||
|
|
||||||
|
df = pd.concat(annotated_parts)
|
||||||
|
|
||||||
|
df.to_csv(annotated_tsv_file, sep="\t", quoting=3, index=False)
|
||||||
|
|
||||||
|
|
||||||
|
def extract_doc_links(tsv_file):
|
||||||
|
|
||||||
|
parts = []
|
||||||
|
|
||||||
|
header = None
|
||||||
|
|
||||||
|
with open(tsv_file, 'r') as f:
|
||||||
|
|
||||||
|
text = []
|
||||||
|
url = None
|
||||||
|
|
||||||
|
for line in f:
|
||||||
|
|
||||||
|
if header is None:
|
||||||
|
header = "\t".join(line.split()) + '\n'
|
||||||
|
continue
|
||||||
|
|
||||||
|
urls = [url for url in
|
||||||
|
re.findall(r'http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+', line)]
|
||||||
|
|
||||||
|
if len(urls) > 0:
|
||||||
|
if url is not None:
|
||||||
|
parts.append({"url": url, 'header': header, 'text': "".join(text)})
|
||||||
|
text = []
|
||||||
|
|
||||||
|
url = urls[-1]
|
||||||
|
else:
|
||||||
|
if url is None:
|
||||||
|
continue
|
||||||
|
|
||||||
|
line = '\t'.join(line.split())
|
||||||
|
|
||||||
|
if line.count('\t') == 2:
|
||||||
|
|
||||||
|
line = "\t" + line
|
||||||
|
|
||||||
|
if line.count('\t') == 3:
|
||||||
|
|
||||||
|
text.append(line + '\n')
|
||||||
|
|
||||||
|
continue
|
||||||
|
|
||||||
|
if line.startswith('#'):
|
||||||
|
continue
|
||||||
|
|
||||||
|
if len(line) == 0:
|
||||||
|
continue
|
||||||
|
|
||||||
|
print('Line error: |', line, '|Number of Tabs: ', line.count('\t'))
|
||||||
|
|
||||||
|
parts.append({"url": url, 'header': header, 'text': "".join(text)})
|
||||||
|
|
||||||
|
return parts
|
@ -0,0 +1,3 @@
|
|||||||
|
numpy
|
||||||
|
pandas
|
||||||
|
click
|
@ -0,0 +1,35 @@
|
|||||||
|
from io import open
|
||||||
|
from setuptools import find_packages, setup
|
||||||
|
|
||||||
|
with open('requirements.txt') as fp:
|
||||||
|
install_requires = fp.read()
|
||||||
|
|
||||||
|
setup(
|
||||||
|
name="ner-edith",
|
||||||
|
version="0.0.1",
|
||||||
|
author="",
|
||||||
|
author_email="qurator@sbb.spk-berlin.de",
|
||||||
|
description="ner.edith",
|
||||||
|
long_description=open("README.md", "r", encoding='utf-8').read(),
|
||||||
|
long_description_content_type="text/markdown",
|
||||||
|
keywords='qurator',
|
||||||
|
license='Apache',
|
||||||
|
url="https://github.com/cneud/ner.edith",
|
||||||
|
packages=find_packages(exclude=["*.tests", "*.tests.*",
|
||||||
|
"tests.*", "tests"]),
|
||||||
|
install_requires=install_requires,
|
||||||
|
entry_points={
|
||||||
|
'console_scripts': [
|
||||||
|
"extract-doc-links=cli:extract_document_links",
|
||||||
|
"annotate-tsv=cli:annotate_tsv"
|
||||||
|
]
|
||||||
|
},
|
||||||
|
python_requires='>=3.6.0',
|
||||||
|
tests_require=['pytest'],
|
||||||
|
classifiers=[
|
||||||
|
'Intended Audience :: Science/Research',
|
||||||
|
'License :: OSI Approved :: Apache Software License',
|
||||||
|
'Programming Language :: Python :: 3',
|
||||||
|
'Topic :: Scientific/Engineering :: Artificial Intelligence',
|
||||||
|
],
|
||||||
|
)
|
Loading…
Reference in New Issue