s375262/KWT-2024
1
0
Fork 0
forked from bfijalkowski/KWT-2024
Code Pull Requests Activity

Laboratorium #11.

Browse Source
This commit is contained in:
Marek Susniak 2024-06-15 13:12:26 +02:00
parent 2923d74c1f
commit 9e978980fd
1 changed files with 421 additions and 212 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

263
lab/lab_11.ipynb
View File

@ -3,7 +3,9 @@
{ {
"cell_type": "markdown", "cell_type": "markdown",
"id": "expanded-entrance", "id": "expanded-entrance",
"metadata": {}, "metadata": {
"id": "expanded-entrance"
},
"source": [ "source": [
"# Komputerowe wspomaganie tłumaczenia" "# Komputerowe wspomaganie tłumaczenia"
] ]
@ -11,7 +13,9 @@
{ {
"cell_type": "markdown", "cell_type": "markdown",
"id": "atlantic-greenhouse", "id": "atlantic-greenhouse",
"metadata": {}, "metadata": {
"id": "atlantic-greenhouse"
},
"source": [ "source": [
"# Zajęcia 11 - urównoleglanie" "# Zajęcia 11 - urównoleglanie"
] ]
@ -19,7 +23,9 @@
{ {
"cell_type": "markdown", "cell_type": "markdown",
"id": "hungarian-davis", "id": "hungarian-davis",
"metadata": {}, "metadata": {
"id": "hungarian-davis"
},
"source": [ "source": [
"Na poprzednich zajęciach poznaliśmy techniki pozyskiwania tekstu z Internetu. Jeśli uda nam się w ten sposób pozyskać tekst w jednym języku oraz jego tłumaczenie na inny język, jesteśmy tylko o krok od uzyskania najbardziej przydatnego zasobu z punktu widzenia wspomagania tłumaczenia - pamięci tłumaczeń. Krokiem tym jest automatyczne urównoleglanie tekstu." "Na poprzednich zajęciach poznaliśmy techniki pozyskiwania tekstu z Internetu. Jeśli uda nam się w ten sposób pozyskać tekst w jednym języku oraz jego tłumaczenie na inny język, jesteśmy tylko o krok od uzyskania najbardziej przydatnego zasobu z punktu widzenia wspomagania tłumaczenia - pamięci tłumaczeń. Krokiem tym jest automatyczne urównoleglanie tekstu."
] ]
@ -27,7 +33,9 @@
{ {
"cell_type": "markdown", "cell_type": "markdown",
"id": "bronze-removal", "id": "bronze-removal",
"metadata": {}, "metadata": {
"id": "bronze-removal"
},
"source": [ "source": [
"Automatyczne urównoleglanie tekstu składa się z dwóch kroków:\n", "Automatyczne urównoleglanie tekstu składa się z dwóch kroków:\n",
"1. Podziału tekstu źródłowego oraz docelowego na zdania.\n", "1. Podziału tekstu źródłowego oraz docelowego na zdania.\n",
@ -37,7 +45,9 @@
{ {
"cell_type": "markdown", "cell_type": "markdown",
"id": "junior-works", "id": "junior-works",
"metadata": {}, "metadata": {
"id": "junior-works"
},
"source": [ "source": [
"Zdania, o których mowa w punkcie 1., powinniśmy rozumieć jako segmenty, tj. niekoniecznie kompletne zdania w sensie gramatycznym. Standardowym sposobem podziału tekstu na segmenty jest dzielenie po znaku nowej linii lub zaraz po kropce, o ile jest ona częścią sekwencji: \".[spacja][Wielka litera]\"" "Zdania, o których mowa w punkcie 1., powinniśmy rozumieć jako segmenty, tj. niekoniecznie kompletne zdania w sensie gramatycznym. Standardowym sposobem podziału tekstu na segmenty jest dzielenie po znaku nowej linii lub zaraz po kropce, o ile jest ona częścią sekwencji: \".[spacja][Wielka litera]\""
] ]
@ -45,45 +55,111 @@
{ {
"cell_type": "markdown", "cell_type": "markdown",
"id": "legitimate-corrections", "id": "legitimate-corrections",
"metadata": {}, "metadata": {
"id": "legitimate-corrections"
},
"source": [ "source": [
"### Ćwiczenie 1: Zaimplementuj podstawowy algorytm segmentacji tekstu. Użyj odpowiedniego wyrażenia regularnego, łapiącego wielkie litery w dowolnym języku, np. \"Ż\" (użyj klasy unikodowej). Zwróć listę segmentów." "### Ćwiczenie 1: Zaimplementuj podstawowy algorytm segmentacji tekstu. Użyj odpowiedniego wyrażenia regularnego, łapiącego wielkie litery w dowolnym języku, np. \"Ż\" (użyj klasy unikodowej). Zwróć listę segmentów."
] ]
}, },
{ {
"cell_type": "code", "cell_type": "code",
"execution_count": 1, "execution_count": 7,
"id": "german-dispute", "id": "german-dispute",
"metadata": {}, "metadata": {
"outputs": [], "colab": {
"base_uri": "https://localhost:8080/"
},
"id": "german-dispute",
"outputId": "740c001c-1646-4464-9314-b0327fe927f7"
},
"outputs": [
{
"output_type": "stream",
"name": "stdout",
"text": [
"['To', 'Jest', 'Przykładowy', 'Ź', 'Ź', 'Ź', 'Tekst', 'Wielkimi', 'Literami', 'Na', 'Początku', 'Segmentów', 'Ź', 'Ź', 'Ź']\n"
]
}
],
"source": [ "source": [
"import regex as re\n",
"\n",
"def sentence_split(text):\n", "def sentence_split(text):\n",
" return []" " pattern = r'(?<!^)(?=\\p{Lu})'\n",
" regex = re.compile(pattern, re.UNICODE)\n",
" return regex.split(text)\n",
"\n",
"text = \"ToJestPrzykładowyŹŹŹTekstWielkimiLiteramiNaPoczątkuSegmentówŹŹŹ\"\n",
"print(sentence_split(text))"
] ]
}, },
{ {
"cell_type": "markdown", "cell_type": "markdown",
"id": "continued-assessment", "id": "continued-assessment",
"metadata": {}, "metadata": {
"id": "continued-assessment"
},
"source": [ "source": [
"### Ćwiczenie 2: Uruchom powyższy algorytm na treści wybranej przez siebie strony internetowej (do ściągnięcia treści strony wykorzystaj kod z laboratoriów nr 7). Zidentyfikuj co najmniej dwa wyjątki od ogólnej reguły podziału na segmenty i ulepsz algorytm." "### Ćwiczenie 2: Uruchom powyższy algorytm na treści wybranej przez siebie strony internetowej (do ściągnięcia treści strony wykorzystaj kod z laboratoriów nr 7). Zidentyfikuj co najmniej dwa wyjątki od ogólnej reguły podziału na segmenty i ulepsz algorytm."
] ]
}, },
{ {
"cell_type": "code", "cell_type": "code",
"execution_count": 3, "execution_count": 8,
"id": "guilty-morocco", "id": "guilty-morocco",
"metadata": {}, "metadata": {
"outputs": [], "colab": {
"base_uri": "https://localhost:8080/"
},
"id": "guilty-morocco",
"outputId": "ba053e0b-eb0c-4ab6-e955-bea360848bfd"
},
"outputs": [
{
"output_type": "stream",
"name": "stdout",
"text": [
"['Python (język programowania) – ', 'Wikipedia, wolna encyklopedia ', 'Przejdź do zawartości ', 'Menu główne ', 'Menu główne przypnij ukryj ', 'Nawigacja ', 'Strona główna', 'Losuj artykuł', 'Kategorie artykułów', 'Najlepsze artykuły', 'Częste pytania (FA', 'Q) ', 'Dla czytelników ', 'O ', 'Wikipedii', 'Kontakt', 'Wspomóż ', 'Wikipedię ', 'Dla wikipedystów ', 'Pierwsze kroki', 'Portal wikipedystów', 'Ogłoszenia', 'Zasady', 'Pomoc', 'Ostatnie zmiany ', 'Szukaj ', 'Szukaj ', 'Wygląd ', 'Utwórz konto ', 'Zaloguj się ', 'Narzędzia osobiste ', 'Utwórz konto ', 'Zaloguj się ', 'Strony dla anonimowych edytorów dowiedz się więcej ', 'Edycje', 'Dyskusja ', 'Python (język programowania) ', 'Dodaj języki ', 'Treść strony nie jest dostępna w innych językach. ', 'Artykuł', 'Dyskusja polski ', 'Utwórz', 'Utwórz kod źródłowy ', 'Narzędzia ', 'Narzędzia przypnij ukryj ', 'Działania ', 'Utwórz', 'Utwórz kod źródłowy ', 'Ogólne ', 'Linkujące', 'Prześlij plik', 'Strony specjalne', 'Wersja do druku', 'Informacje o tej stronie', 'Zobacz skrócony adres URL', 'Pobierz kod Q', 'R ', 'Wygląd przypnij ukryj ', 'Z ', 'Wikipedii, wolnej encyklopedii ', 'W ', 'Wikipedii nie ma jeszcze artykułu o takiej nazwie. ', 'Możesz: utworzyć go, zaproponować, żeby inni go napisali, poszukać tekstu „', 'Python (język programowania)” w artykułach, poszukać strony o tym tytule na jednym z siostrzanych projektów ', 'Wikipedii: ', 'Commons ', 'Wikiźródła ', 'Wikisłownik ', 'Wikicytaty ', 'Wikibooks ', 'Wikinews ', 'Źródło: „https://pl.wikipedia.org/wiki/', 'Python_(język_programowania)” ', 'Polityka prywatności ', 'O ', 'Wikipedii ', 'Korzystasz z ', 'Wikipedii tylko na własną odpowiedzialność ', 'Powszechne ', 'Zasady ', 'Postępowania ', 'Dla deweloperów ', 'Statystyki ', 'Komunikat na temat ciasteczek ', 'Wersja mobilna']\n"
]
}
],
"source": [ "source": [
"import requests\n",
"from bs4 import BeautifulSoup\n",
"\n",
"def get_page_text(url):\n",
" page = requests.get(url)\n",
" soup = BeautifulSoup(page.content, 'html.parser')\n",
" for script_or_style in soup(['script', 'style']):\n",
" script_or_style.extract()\n",
" text = soup.get_text()\n",
" text = ' '.join(text.split())\n",
" return text\n",
"\n",
"def sentence_split_enhanced(text):\n", "def sentence_split_enhanced(text):\n",
" return []" " segments = sentence_split(text)\n",
" improved_segments = []\n",
" for segment in segments:\n",
" if len(segment) == 1 and segment.isupper():\n",
" if improved_segments:\n",
" improved_segments[-1] += segment\n",
" else:\n",
" improved_segments.append(segment)\n",
" else:\n",
" improved_segments.append(segment)\n",
" return improved_segments\n",
"\n",
"text = get_page_text(\"https://pl.wikipedia.org/wiki/Python_(język_programowania)\")\n",
"print(sentence_split_enhanced(text))"
] ]
}, },
{ {
"cell_type": "markdown", "cell_type": "markdown",
"id": "experimental-recipient", "id": "experimental-recipient",
"metadata": {}, "metadata": {
"id": "experimental-recipient"
},
"source": [ "source": [
"Po podziale tekstu na segmenty po stronie źródłowej oraz docelowej, możemy przystąpić do kroku drugiego - dopasowania segmentów. Głównym wyzwaniem tego kroku jest fakt, iż po stronie źródłowej może być inna liczba segmentów, niż po stronie docelowej. Takie rozbieżności są bardzo częste, a wynikają między innymi z:\n", "Po podziale tekstu na segmenty po stronie źródłowej oraz docelowej, możemy przystąpić do kroku drugiego - dopasowania segmentów. Głównym wyzwaniem tego kroku jest fakt, iż po stronie źródłowej może być inna liczba segmentów, niż po stronie docelowej. Takie rozbieżności są bardzo częste, a wynikają między innymi z:\n",
"* tłumaczenia jednego zdania źródłowego przy użyciu więcej niż jednego zdania\n", "* tłumaczenia jednego zdania źródłowego przy użyciu więcej niż jednego zdania\n",
@ -96,7 +172,9 @@
{ {
"cell_type": "markdown", "cell_type": "markdown",
"id": "australian-hundred", "id": "australian-hundred",
"metadata": {}, "metadata": {
"id": "australian-hundred"
},
"source": [ "source": [
"Problemy te rozwiązwyane są na różne sposoby. Najpopularniejszym programem do przeprowadzania urównoleglania jest [Hunalign](https://github.com/danielvarga/hunalign). Wejściem do programu są dwa pliki, zawierające po jednym segmencie w linii. Wyjściem - plik urównoleglony w wewnętrznym formacie hunaligna." "Problemy te rozwiązwyane są na różne sposoby. Najpopularniejszym programem do przeprowadzania urównoleglania jest [Hunalign](https://github.com/danielvarga/hunalign). Wejściem do programu są dwa pliki, zawierające po jednym segmencie w linii. Wyjściem - plik urównoleglony w wewnętrznym formacie hunaligna."
] ]
@ -104,7 +182,9 @@
{ {
"cell_type": "markdown", "cell_type": "markdown",
"id": "russian-chambers", "id": "russian-chambers",
"metadata": {}, "metadata": {
"id": "russian-chambers"
},
"source": [ "source": [
"### Ćwiczenie 3: Odnajdź dowolną stronę, która jest dostępna w wielu językach. Pobierz z tej strony tekst oryginalny (tylko ze strony głównej) oraz przetłumaczony na dowolny inny język. Przy użyciu Pythona przygotuj pliki dla Hunaligna i uruchom go." "### Ćwiczenie 3: Odnajdź dowolną stronę, która jest dostępna w wielu językach. Pobierz z tej strony tekst oryginalny (tylko ze strony głównej) oraz przetłumaczony na dowolny inny język. Przy użyciu Pythona przygotuj pliki dla Hunaligna i uruchom go."
] ]
@ -112,7 +192,9 @@
{ {
"cell_type": "markdown", "cell_type": "markdown",
"id": "controlled-pacific", "id": "controlled-pacific",
"metadata": {}, "metadata": {
"id": "controlled-pacific"
},
"source": [ "source": [
"Wyjściem z Hunaligna jest plik w specjalnym formacie Hunaligna. Problem jednak w tym, że niestety nie można go w prosty sposób zaimportować do jakiegokolwiek narzędzia typu CAT. Potrzebna jest konwersja do któregoś z bardziej popularnych formatów, np. XLIFF." "Wyjściem z Hunaligna jest plik w specjalnym formacie Hunaligna. Problem jednak w tym, że niestety nie można go w prosty sposób zaimportować do jakiegokolwiek narzędzia typu CAT. Potrzebna jest konwersja do któregoś z bardziej popularnych formatów, np. XLIFF."
] ]
@ -120,7 +202,9 @@
{ {
"cell_type": "markdown", "cell_type": "markdown",
"id": "divided-chain", "id": "divided-chain",
"metadata": {}, "metadata": {
"id": "divided-chain"
},
"source": [ "source": [
"XLIFF jest formatem do przechowywania pamięci tłumaczeń, który opiera się na XML-u. Przykładowy plik XLIFF wygląda następująco:" "XLIFF jest formatem do przechowywania pamięci tłumaczeń, który opiera się na XML-u. Przykładowy plik XLIFF wygląda następująco:"
] ]
@ -128,7 +212,9 @@
{ {
"cell_type": "raw", "cell_type": "raw",
"id": "appropriate-timber", "id": "appropriate-timber",
"metadata": {}, "metadata": {
"id": "appropriate-timber"
},
"source": [ "source": [
"<?xml version=\"1.0\" encoding=\"UTF-8\"?>\n", "<?xml version=\"1.0\" encoding=\"UTF-8\"?>\n",
"<xliff xmlns=\"urn:oasis:names:tc:xliff:document:1.2\" version=\"1.2\">\n", "<xliff xmlns=\"urn:oasis:names:tc:xliff:document:1.2\" version=\"1.2\">\n",
@ -164,23 +250,143 @@
"</xliff>" "</xliff>"
] ]
}, },
{
"cell_type": "code",
"source": [
"import requests\n",
"from bs4 import BeautifulSoup\n",
"\n",
"\n",
"def create_hunaligna_file(text_en, text_pl, output_file):\n",
" sentences_en = text_en.split('. ')\n",
" sentences_pl = text_pl.split('. ')\n",
"\n",
" with open(output_file, \"w\", encoding=\"utf-8\") as f:\n",
" f.write(\"# Sentence pairs\\n\")\n",
" for i, (en, pl) in enumerate(zip(sentences_en, sentences_pl)):\n",
" f.write(f\"{i}\\n\")\n",
" f.write(\"# Source\\n\")\n",
" f.write(f\"{en.strip()}\\n\")\n",
" f.write(\"# Target\\n\")\n",
" f.write(f\"{pl.strip()}\\n\")\n",
"\n",
"def main():\n",
" url_en = \"https://en.wikipedia.org/wiki/Main_Page\"\n",
" url_pl = \"https://pl.wikipedia.org/wiki/Strona_g%C5%82%C3%B3wna\"\n",
"\n",
" text_en = get_page_text(url_pl)\n",
" text_pl = get_page_text(url_en)\n",
"\n",
" with open(\"english.txt\", \"w\", encoding=\"utf-8\") as f_en:\n",
" f_en.write(text_en)\n",
"\n",
" with open(\"polish.txt\", \"w\", encoding=\"utf-8\") as f_pl:\n",
" f_pl.write(text_pl)\n",
"\n",
" create_hunaligna_file(text_en, text_pl, \"hunaligna.txt\")\n",
"\n",
" print(\"Texts have been saved to 'english.txt' and 'polish.txt'\")\n",
" print(\"Hunaligna file has been created as 'hunaligna.txt'\")\n",
"\n",
"main()"
],
"metadata": {
"colab": {
"base_uri": "https://localhost:8080/"
},
"id": "yJFtZ0FwksXG",
"outputId": "867cfbf2-b2ad-405c-e8d0-19dcdaed82bd"
},
"id": "yJFtZ0FwksXG",
"execution_count": 11,
"outputs": [
{
"output_type": "stream",
"name": "stdout",
"text": [
"Texts have been saved to 'english.txt' and 'polish.txt'\n",
"Hunaligna file has been created as 'hunaligna.txt'\n"
]
}
]
},
{ {
"cell_type": "markdown", "cell_type": "markdown",
"id": "falling-greenhouse", "id": "falling-greenhouse",
"metadata": {}, "metadata": {
"id": "falling-greenhouse"
},
"source": [ "source": [
"### Ćwiczenie 4: Napisz konwerter formatu hunaligna na XLIFF." "### Ćwiczenie 4: Napisz konwerter formatu hunaligna na XLIFF."
] ]
}, },
{ {
"cell_type": "code", "cell_type": "code",
"execution_count": null, "execution_count": 13,
"id": "remarkable-pillow", "id": "remarkable-pillow",
"metadata": {}, "metadata": {
"outputs": [], "colab": {
"base_uri": "https://localhost:8080/"
},
"id": "remarkable-pillow",
"outputId": "59a072b2-79a0-4a57-8b00-cc704f9d1a7b"
},
"outputs": [
{
"output_type": "stream",
"name": "stdout",
"text": [
"XLIFF file has been created as 'output.xliff'\n"
]
}
],
"source": [ "source": [
"def convert2xliff(hunalign_file_name):\n", "import xml.etree.ElementTree as ET\n",
" return 0" "\n",
"def parse_hunaligna_file(filepath):\n",
" segments = []\n",
" with open(filepath, 'r', encoding='utf-8') as file:\n",
" segment = {}\n",
" for line in file:\n",
" line = line.strip()\n",
" if line.startswith(\"# Source\"):\n",
" segment['source'] = next(file).strip()\n",
" elif line.startswith(\"# Target\"):\n",
" segment['target'] = next(file).strip()\n",
" segments.append(segment)\n",
" segment = {}\n",
" return segments\n",
"\n",
"def create_xliff(segments, source_lang, target_lang, output_file):\n",
" xliff = ET.Element('xliff', version=\"1.2\")\n",
" file_elem = ET.SubElement(xliff, 'file', {\n",
" 'source-language': source_lang,\n",
" 'target-language': target_lang,\n",
" 'datatype': \"plaintext\",\n",
" 'original': \"file.txt\"\n",
" })\n",
" body = ET.SubElement(file_elem, 'body')\n",
"\n",
" for i, segment in enumerate(segments):\n",
" trans_unit = ET.SubElement(body, 'trans-unit', id=str(i))\n",
" source = ET.SubElement(trans_unit, 'source')\n",
" source.text = segment['source']\n",
" target = ET.SubElement(trans_unit, 'target')\n",
" target.text = segment['target']\n",
"\n",
" tree = ET.ElementTree(xliff)\n",
" tree.write(output_file, encoding='UTF-8', xml_declaration=True)\n",
"\n",
"def convert2xliff(hunalign_file_name, xliff_file):\n",
" source_lang = 'en'\n",
" target_lang = 'pl'\n",
"\n",
" segments = parse_hunaligna_file(hunalign_file_name)\n",
" create_xliff(segments, source_lang, target_lang, xliff_file)\n",
" print(f\"XLIFF file has been created as '{xliff_file}'\")\n",
"\n",
"\n",
"convert2xliff('hunaligna.txt', 'output.xliff')"
] ]
} }
], ],
@ -207,6 +413,9 @@
"nbconvert_exporter": "python", "nbconvert_exporter": "python",
"pygments_lexer": "ipython3", "pygments_lexer": "ipython3",
"version": "3.8.10" "version": "3.8.10"
},
"colab": {
"provenance": []
} }
}, },
"nbformat": 4, "nbformat": 4,