/
util.py
270 lines (266 loc) · 12.4 KB
/
util.py
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
# Natural Language Toolkit: Stemmer Utilities
#
# Copyright (C) 2001-2017 NLTK Project
# Author: Helder <he7d3r@gmail.com>
# URL: <http://nltk.org/>
# For license information, see LICENSE.TXT
from __future__ import unicode_literals, print_function
def suffix_replace(original, old, new):
"""
Replaces the old suffix of the original string by a new suffix
"""
return original[:-len(old)] + new
def prefix_replace(original, old, new):
"""
Replaces the old prefix of the original string by a new suffix
:param original: string
:param old: string
:param new: string
:return: string
"""
return new + original[len(old):]
arabic_stopwords = ['\u0625\u0630', # إذ
'\u0625\u0630\u0627', # إذا
'\u0625\u0630\u0645\u0627', # إذما
'\u0625\u0630\u0646', # إذن
'\u0623\u0641', # أف
'\u0623\u0642\u0644', # أقل
'\u0623\u0643\u062B\u0631', # أكثر
'\u0623\u0644\u0627', # ألا
'\u0625\u0644\u0627', # إلا
'\u0627\u0644\u062A\u064A', # التي
'\u0627\u0644\u0630\u064A', # الذي
'\u0627\u0644\u0630\u064A\u0646', # الذين
'\u0627\u0644\u0644\u0627\u062A\u064A', # اللاتي
'\u0627\u0644\u0644\u0627\u0626\u064A', # اللائي
'\u0627\u0644\u0644\u062A\u0627\u0646', # اللتان
'\u0627\u0644\u0644\u062A\u064A\u0627', # اللتيا
'\u0627\u0644\u0644\u062A\u064A\u0646', # اللتين
'\u0627\u0644\u0644\u0630\u0627\u0646', # اللذان
'\u0627\u0644\u0644\u0630\u064A\u0646', # اللذين
'\u0627\u0644\u0644\u0648\u0627\u062A\u064A', # اللواتي
'\u0625\u0644\u0649', # إلى
'\u0625\u0644\u064A\u0643', # إليك
'\u0625\u0644\u064A\u0643\u0645', # إليكم
'\u0625\u0644\u064A\u0643\u0645\u0627', # إليكما
'\u0625\u0644\u064A\u0643\u0646', # إليكن
'\u0623\u0645', # أم
'\u0623\u0645\u0627', # أما
'\u0625\u0645\u0627', # إما
'\u0623\u0646', # أن
'\u0625\u0646', # إن
'\u0625\u0646\u0627', # إنا
'\u0623\u0646\u0627', # أنا
'\u0623\u0646\u062A', # أنت
'\u0623\u0646\u062A\u0645', # أنتم
'\u0623\u0646\u062A\u0645\u0627', # أنتما
'\u0623\u0646\u062A\u0646', # أنتن
'\u0625\u0646\u0645\u0627', # إنما
'\u0625\u0646\u0647', # إنه
'\u0623\u0646\u0649', # أنى
'\u0622\u0647', # آه
'\u0622\u0647\u0627', # آها
'\u0623\u0648', # أو
'\u0623\u0648\u0644\u0627\u0621', # أولاء
'\u0623\u0648\u0644\u0626\u0643', # أولئك
'\u0623\u0648\u0647', # أوه
'\u0622\u064A', # آي
'\u0623\u064A', # أي
'\u0623\u064A\u0647\u0627', # أيها
'\u0625\u064A', # إي
'\u0623\u064A\u0646', # أين
'\u0623\u064A\u0646\u0645\u0627', # أينما
'\u0625\u064A\u0647', # إيه
'\u0628\u062E', # بخ
'\u0628\u0633', # بس
'\u0628\u0639\u062F', # بعد
'\u0628\u0639\u0636', # بعض
'\u0628\u0643', # بك
'\u0628\u0643\u0645', # بكم
'\u0628\u0643\u0645\u0627', # بكما
'\u0628\u0643\u0646', # بكن
'\u0628\u0644', # بل
'\u0628\u0644\u0649', # بلى
'\u0628\u0645\u0627', # بما
'\u0628\u0645\u0627\u0630\u0627', # بماذا
'\u0628\u0645\u0646', # بمن
'\u0628\u0646\u0627', # بنا
'\u0628\u0647', # به
'\u0628\u0647\u0627', # بها
'\u0628\u0647\u0645', # بهم
'\u0628\u0647\u0645\u0627', # بهما
'\u0628\u0647\u0646', # بهن
'\u0628\u064A', # بي
'\u0628\u064A\u0646', # بين
'\u0628\u064A\u062F', # though بيد
'\u062A\u0644\u0643', # تلك
'\u062A\u0644\u0643\u0645', # تلكم
'\u062A\u0644\u0643\u0645\u0627', # تلكما
'\u062A\u0647', # ته
'\u062A\u064A', # تي
'\u062A\u064A\u0646', # تين
'\u062A\u064A\u0646\u0643', # تينك
'\u062B\u0645', # ثم
'\u062B\u0645\u0629', # ثمة
'\u062D\u0627\u0634\u0627', # حاشا
'\u062D\u0628\u0630\u0627', # حبذا
'\u062D\u062A\u0649', # حتى
'\u062D\u064A\u062B', # حيث
'\u062D\u064A\u062B\u0645\u0627', # حيثما
'\u062D\u064A\u0646', # حين
'\u062E\u0644\u0627', # خلا
'\u062F\u0648\u0646', # دون
'\u0630\u0627', # ذا
'\u0630\u0627\u062A', # ذات
'\u0630\u0627\u0643', # ذاك
'\u0630\u0627\u0646', # ذان
'\u0630\u0627\u0646\u0643', # ذانك
'\u0630\u0644\u0643', # ذلك
'\u0630\u0644\u0643\u0645', # ذلكم
'\u0630\u0644\u0643\u0645\u0627', # ذلكما
'\u0630\u0644\u0643\u0646', # ذلكن
'\u0630\u0647', # ذه
'\u0630\u0648', # ذو
'\u0630\u0648\u0627', # ذوا
'\u0630\u0648\u0627\u062A\u0627', # ذواتا
'\u0630\u0648\u0627\u062A\u064A', # ذواتي
'\u0630\u064A', # ذي
'\u0630\u064A\u0646', # ذين
'\u0630\u064A\u0646\u0643', # ذينك
'\u0631\u064A\u062B', # ريث
'\u0633\u0648\u0641', # سوف
'\u0633\u0648\u0649', # except سوى
'\u0634\u062A\u0627\u0646', # شتان
'\u0639\u062F\u0627', # عدا
'\u0639\u0633\u0649', # عسى
'\u0639\u0644', # عل
'\u0639\u0644\u0649', # على
'\u0639\u0644\u064A\u0643', # عليك
'\u0639\u0644\u064A\u0647', # عليه
'\u0639\u0645\u0627', # عما
'\u0639\u0646', # عن
'\u0639\u0646\u062F', # عند
'\u063A\u064A\u0631', # except غير
'\u0641\u0625\u0630\u0627', # فإذا
'\u0641\u0625\u0646', # فإن
'\u0641\u0644\u0627', # فلا
'\u0641\u0645\u0646', # فمن
'\u0641\u064A', # في
'\u0641\u064A\u0645', # فيم
'\u0641\u064A\u0645\u0627', # فيما
'\u0641\u064A\u0647', # فيه
'\u0641\u064A\u0647\u0627', # فيها
'\u0642\u0628\u0644', # قبل
'\u0642\u062F', # قد
'\u0643\u0623\u0646', # كأن
'\u0643\u0623\u0646\u0645\u0627', # كأنما
'\u0643\u0623\u064A', # كأي
'\u0643\u0623\u064A\u0646', # كأين
'\u0643\u0630\u0627', # كذا
'\u0643\u0630\u0644\u0643', # كذلك
'\u0643\u0644', # كل
'\u0643\u0644\u0627', # كلا
'\u0643\u0644\u0627\u0647\u0645\u0627', # كلاهما
'\u0643\u0644\u062A\u0627', # كلتا
'\u0643\u0644\u0645\u0627', # كلما
'\u0643\u0644\u064A\u0643\u0645\u0627', # كليكما
'\u0643\u0644\u064A\u0647\u0645\u0627', # كليهما
'\u0643\u0645', # كم
'\u0643\u0645\u0627', # كما
'\u0643\u064A', # كي
'\u0643\u064A\u062A', # كيت
'\u0643\u064A\u0641', # كيف
'\u0643\u064A\u0641\u0645\u0627', # كيفما
'\u0644\u0627', # لا
'\u0644\u0627\u0633\u064A\u0645\u0627', # لاسيما
'\u0644\u062F\u0649', # لدى
'\u0644\u0633\u062A', # لست
'\u0644\u0633\u062A\u0645', # لستم
'\u0644\u0633\u062A\u0645\u0627', # لستما
'\u0644\u0633\u062A\u0646', # لستن
'\u0644\u0633\u0646', # لسن
'\u0644\u0633\u0646\u0627', # لسنا
'\u0644\u0639\u0644', # لعل
'\u0644\u0643', # لك
'\u0644\u0643\u0645', # لكم
'\u0644\u0643\u0645\u0627', # لكما
'\u0644\u0643\u0646', # لكن
'\u0644\u0643\u0646\u0645\u0627', # لكنما
'\u0644\u0643\u064A', # لكي
'\u0644\u0643\u064A\u0644\u0627', # لكيلا
'\u0644\u0645', # لم
'\u0644\u0645\u0627', # لما
'\u0644\u0646', # لن
'\u0644\u0646\u0627', # لنا
'\u0644\u0647', # له
'\u0644\u0647\u0627', # لها
'\u0644\u0647\u0645', # لهم
'\u0644\u0647\u0645\u0627', # لهما
'\u0644\u0647\u0646', # لهن
'\u0644\u0648', # لو
'\u0644\u0648\u0644\u0627', # لولا
'\u0644\u0648\u0645\u0627', # لوما
'\u0644\u064A', # لي
'\u0644\u0626\u0646', # لئن
'\u0644\u064A\u062A', # ليت
'\u0644\u064A\u0633', # ليس
'\u0644\u064A\u0633\u0627', # ليسا
'\u0644\u064A\u0633\u062A', # ليست
'\u0644\u064A\u0633\u062A\u0627', # ليستا
'\u0644\u064A\u0633\u0648\u0627', # ليسوا
'\u0645\u0627', # ما
'\u0645\u0627\u0630\u0627', # ماذا
'\u0645\u062A\u0649', # when متى
'\u0645\u0630', # مذ
'\u0645\u0639', # مع
'\u0645\u0645\u0627', # مما
'\u0645\u0645\u0646', # ممن
'\u0645\u0646', # من
'\u0645\u0646\u0647', # منه
'\u0645\u0646\u0647\u0627', # منها
'\u0645\u0646\u0630', # منذ
'\u0645\u0647', # مه
'\u0645\u0647\u0645\u0627', # مهما
'\u0646\u062D\u0646', # نحن
'\u0646\u062D\u0648', # نحو
'\u0646\u0639\u0645', # نعم
'\u0647\u0627', # ها
'\u0647\u0627\u062A\u0627\u0646', # هاتان
'\u0647\u0627\u062A\u0647', # هاته
'\u0647\u0627\u062A\u064A', # هاتي
'\u0647\u0627\u062A\u064A\u0646', # هاتين
'\u0647\u0627\u0643', # هاك
'\u0647\u0627\u0647\u0646\u0627', # هاهنا
'\u0647\u0630\u0627', # هذا
'\u0647\u0630\u0627\u0646', # هذان
'\u0647\u0630\u0647', # هذه
'\u0647\u0630\u064A', # هذي
'\u0647\u0630\u064A\u0646', # هذين
'\u0647\u0643\u0630\u0627', # هكذا
'\u0647\u0644', # هل
'\u0647\u0644\u0627', # هلا
'\u0647\u0645', # هم
'\u0647\u0645\u0627', # هما
'\u0647\u0646', # هن
'\u0647\u0646\u0627', # هنا
'\u0647\u0646\u0627\u0643', # هناك
'\u0647\u0646\u0627\u0644\u0643', # هنالك
'\u0647\u0648', # هو
'\u0647\u0624\u0644\u0627\u0621', # هؤلاء
'\u0647\u064A', # هي
'\u0647\u064A\u0627', # هيا
'\u0647\u064A\u062A', # هيت
'\u0647\u064A\u0647\u0627\u062A', # هيهات
'\u0648\u0627\u0644\u0630\u064A', # والذي
'\u0648\u0627\u0644\u0630\u064A\u0646', # والذين
'\u0648\u0625\u0630', # وإذ
'\u0648\u0625\u0630\u0627', # وإذا
'\u0648\u0625\u0646', # وإن
'\u0648\u0644\u0627', # ولا
'\u0648\u0644\u0643\u0646', # ولكن
'\u0648\u0644\u0648', # ولو
'\u0648\u0645\u0627', # وما
'\u0648\u0645\u0646', # ومن
'\u0648\u0647\u0648', # وهو
'\u064A\u0627' # يا
]