add English morph analysis; test for lurking debug statements
Tara L Andrews [Wed, 2 May 2012 13:57:40 +0000 (15:57 +0200)]
lib/Text/Tradition/Language/English.pm [new file with mode: 0644]
lib/Text/Tradition/Language/French.pm
t/00dependencies.t
t/text_tradition_language_english.t [new file with mode: 0644]

diff --git a/lib/Text/Tradition/Language/English.pm b/lib/Text/Tradition/Language/English.pm
new file mode 100644 (file)
index 0000000..0ea6858
--- /dev/null
@@ -0,0 +1,267 @@
+package Text::Tradition::Language::English;
+
+use strict;
+use warnings;
+use Encode qw/ encode_utf8 decode_utf8 /;
+use IPC::Run qw/ run /;
+use Lingua::TagSet::TreeTagger;
+use Module::Load;
+use Text::Tradition::Collation::Reading::Lexeme;
+use Text::Tradition::Collation::Reading::WordForm;
+use TryCatch;
+
+my $MORPHDIR = '/Users/tla/Projects/morphology';
+
+=head1 NAME
+
+Text::Tradition::Language::English - language-specific module for English
+
+=head1 DESCRIPTION
+
+Implements morphology lookup for English words in context.  This module
+depends on the TreeTagger software
+(L<http://www.ims.uni-stuttgart.de/projekte/corplex/TreeTagger/>), which is
+(for now) expected to be installed in $MORPHDIR/TreeTagger.
+
+=head1 SUBROUTINES
+
+=head2 lemmatize( $text )
+
+Evaluates the string using the TreeTagger, and returns the results.
+
+=begin testing
+
+binmode STDOUT, ':utf8';
+use Text::Tradition;
+use_ok( 'Text::Tradition::Language::English' );
+
+=end testing
+
+=cut
+
+sub lemmatize {
+       my $tradition = shift;
+
+       # Given a tradition, lemmatize it witness by witness and see what we get.
+       my $workdir = File::Temp->newdir();
+       my $c = $tradition->collation;
+       # First, clear out all existing lexemes from the readings. Save the
+       # path as long as we went to the trouble of generating it.
+       my %witness_paths;
+       foreach my $wit ( $tradition->witnesses ) {
+               my @sigla = ( $wit->sigil );
+               push( @sigla, $wit->sigil . $c->ac_label ) if $wit->is_layered;
+               foreach my $sig ( @sigla ) {
+                       my @path = grep { !$_->is_meta } 
+                               $c->reading_sequence( $c->start, $c->end, $sig );
+                       map { $_->clear_lexemes } @path;
+                       $witness_paths{$sig} = \@path;
+               }
+       }
+       
+       foreach my $sig ( keys %witness_paths ) {
+               # Get the text as a sequence of readings and as a string
+               print STDERR "Morphologizing witness $sig\n";
+               _lemmatize_sequence( undef, @{$witness_paths{$sig}} );
+       }
+}
+
+sub _update_reading_lexemes {
+       my( $replace, $reading, @lexemes ) = @_;
+       if( $reading->has_lexemes && !$replace ) {
+               # We need to merge what is in @lexemes with what we have already.
+               my @oldlex = $reading->lexemes;
+               my $cmp1 = join( '||', map { $_->string } @oldlex );
+               my $cmp2 = join( '||', map { $_->string } @lexemes );
+               if ( @oldlex == @lexemes && $cmp1 eq $cmp2 ) {
+                       # The lexeme strings are the same, so merge the possible
+                       # word forms from new to old.
+                       foreach my $i ( 0 .. $#lexemes ) {
+                               my $ol = $oldlex[$i];
+                               my $nl = $lexemes[$i];
+                               my %ofw;
+                               map { $ofw{$_->to_string} = 1 } $ol->matching_forms;
+                               foreach my $form ( $nl->matching_forms ) {
+                                       unless( $ofw{$form->to_string} ) {
+                                               print STDERR "Adding form " . $form->to_string . 
+                                                       " to lexeme " . $nl->string . " at $reading\n";
+                                               $ol->add_matching_form( $form );
+                                               $ol->is_disambiguated(0);
+                                       }
+                               }
+                       }
+               } else {
+                       warn "Lexeme layout for $reading changed; replacing the lot";
+                       $reading->clear_lexemes;
+                       $reading->add_lexeme( @lexemes );
+               }
+       } else {
+               $reading->clear_lexemes if $replace;
+               $reading->add_lexeme( @lexemes );
+       }
+}
+
+=head2 reading_lookup( $rdg[, $rdg, ...] )
+
+Looks up one or more readings using the Flemm package, and returns the
+possible results.  This uses the same logic as L<lemmatize> above for the
+entire tradition, but can also be used to (re-)analyze individual readings.
+
+=cut
+
+sub reading_lookup {
+       return _lemmatize_sequence( 1, @_ );
+}
+
+sub _lemmatize_sequence {
+       my( $replace, @path ) = @_;
+       my $tagresult = _treetag_string( _text_from_path( 1, @path ) );
+       if( $tagresult ) {
+               # Map the tagged words onto the original readings, splitting 
+               # them up into lexemes where necessary.
+               # NOTE we can have multiple lexemes in a reading, but not
+               # multiple readings to a lexeme.
+               my @tags = split( /\n/, $tagresult );
+               my @lexemes;
+               my $curr_rdg = shift @path;
+               my @curr_lexemes;
+               my $unused_rdg_part;
+               foreach my $tag ( @tags ) {
+                       # Get the original word
+                       my( $lexeme, @rest ) = split( /\t/, $tag );
+                       # Lemmatize the whole
+                       my @forms = _parse_wordform( $tag );
+                       my $lexobj = Text::Tradition::Collation::Reading::Lexeme->new(
+                               'string' => $lexeme, 'language' => 'English',
+                               'wordform_matchlist' => \@forms );
+                       # Find the next non-meta reading
+                       while( $curr_rdg && $curr_rdg->is_meta ) {
+                               $curr_rdg = shift @path;
+                       }
+                       unless( $curr_rdg ) {
+                               warn "Ran out of readings in sequence at $lexeme";
+                               last;
+                       }
+                       my $curr_rdg_text = $curr_rdg->has_normal_form 
+                               ? $curr_rdg->normal_form : $curr_rdg->text;
+                       if( $unused_rdg_part &&
+                               $unused_rdg_part =~ /^\Q$lexeme\E(\s*)(.*)$/ ) {
+                               # Nth part of curr_rdg
+                               $unused_rdg_part = $2;
+                               push( @curr_lexemes, $lexobj );
+                       } elsif( $curr_rdg_text =~ /^\Q$lexeme\E(\s*)(.*)$/ ) {
+                               # Flag an error if there is already an unused reading part.
+                               warn "Skipped over unused text $unused_rdg_part at $curr_rdg"
+                                       if $unused_rdg_part;
+                               $unused_rdg_part = $2; # will be empty if the whole reading matched
+                               push( @curr_lexemes, $lexobj );
+                       } else {
+                               # We do not cope with the idea of a lexeme being 
+                               # spread across multiple readings.
+                               warn "Word sequence changed unexpectedly in text";
+                               # See if we can find a matching reading
+                               my @lookahead;
+                               my $matched;
+                               while( my $nr = shift @path ) {
+                                       my $nrtext = $nr->has_normal_form ? $nr->normal_form : $nr->text;
+                                       if( $nrtext =~ /^\Q$lexeme\E/ ) {
+                                               $curr_rdg = $lookahead[-1] if @lookahead;
+                                               $matched = 1;
+                                               last;
+                                       } else {
+                                               push( @lookahead, $nr );
+                                       }
+                               }
+                               # No match? Restore the state we had
+                               unless( $matched ) {
+                                       unshift( @path, @lookahead );
+                               }
+                               # Trigger a move
+                               $unused_rdg_part = '';
+                       }
+                       
+                       unless( $unused_rdg_part ) {
+                               # Record the lexemes for the given reading.
+                               #print STDERR sprintf( "Adding lexeme(s) %s to reading %s (%s)\n",
+                               #       join( ' ', map { $_->string } @curr_lexemes ),
+                               #       $curr_rdg->id, $curr_rdg->text );
+                               _update_reading_lexemes( $replace, $curr_rdg, @curr_lexemes );
+                               $curr_rdg = shift @path;
+                               @curr_lexemes = ();
+                       }
+               }
+       }
+}
+
+# Utility function so that we can cheat and use it when we need both the path
+# and its text.
+sub _text_from_path {
+       my( $normalize, @path ) = @_;
+       my $pathtext = '';
+       my $last;
+       foreach my $r ( @path ) {
+               unless ( $r->join_prior || !$last || $last->join_next ) {
+                       $pathtext .= ' ';
+               } 
+               $pathtext .= ( $normalize && $r->has_normal_form ) 
+                       ? $r->normal_form : $r->text;
+               $last = $r;
+       }
+       return $pathtext;
+}
+
+# Utility function that actually calls the tree tagger.
+sub _treetag_string {
+       my( $text ) = @_;
+       my $wittext = encode_utf8( $text );
+       # Then see if we have TreeTagger
+       my $taggercmd = "$MORPHDIR/TreeTagger/cmd/tree-tagger-english";
+       unless( -f $taggercmd ) {
+               warn "Cannot do English word lemmatization without TreeTagger";
+               return;
+       }
+       # OK, we can run it then.
+       my @cmd = ( $taggercmd );
+       my( $tagresult, $err ); # Capture the output and error
+       run( \@cmd, \$wittext, \$tagresult, \$err );
+       # TODO check for error
+       return decode_utf8( $tagresult );
+}
+
+# Utility function to turn a TreeTagger result into a WordForm
+sub _parse_wordform {
+       my $tagresult = shift;
+       my( $orig, $tag, $lemma ) = split( /\t/, $tagresult );
+       my $morphobj = Lingua::TagSet::TreeTagger->tag2structure( $tag );
+       if( $morphobj ) {
+               return Text::Tradition::Collation::Reading::WordForm->new(
+                       'language' => 'English',
+                       'lemma' => $lemma,
+                       'morphology' => $morphobj,
+                       );
+       } else {
+               warn "No morphology found for word: $_";
+       }
+}
+
+1;
+
+=head2 TODO
+
+=over
+
+=item * Handle package dependencies more gracefully
+
+=item * Refactor English/French use of TreeTagger into its own util package
+
+=back
+
+=head1 LICENSE
+
+This package is free software and is provided "as is" without express
+or implied warranty.  You can redistribute it and/or modify it under
+the same terms as Perl itself.
+
+=head1 AUTHOR
+
+Tara L Andrews E<lt>aurum@cpan.orgE<gt>
index 780b9de..6847354 100644 (file)
@@ -1,5 +1,7 @@
 package Text::Tradition::Language::French;
 
+use strict;
+use warnings;
 use Encode qw/ encode_utf8 decode_utf8 /;
 use IPC::Run qw/ run /;
 use Lingua::TagSet::Multext;
@@ -157,7 +159,6 @@ sub reading_lookup {
 
 sub _lemmatize_sequence {
        my( $replace, @path ) = @_;
-       $DB::single = 1 if $replace;
        my $tagresult = _treetag_string( _text_from_path( 1, @path ) );
        if( $tagresult ) {
                # Map the tagged words onto the original readings, splitting 
@@ -182,8 +183,7 @@ sub _lemmatize_sequence {
                                $curr_rdg = shift @path;
                        }
                        unless( $curr_rdg ) {
-                               warn "Ran out of readings in sequence for " . $wit->sigil
-                                       . " at $lexeme";
+                               warn "Ran out of readings in sequence at $lexeme";
                                last;
                        }
                        my $curr_rdg_text = $curr_rdg->has_normal_form 
index c979d8e..9b46598 100644 (file)
@@ -6,7 +6,8 @@ use strict;
 =head1 DESCRIPTION
 
 Makes sure that all of the modules that are 'use'd are listed in the
-Makefile.PL as dependencies.
+Makefile.PL as dependencies.  Also as long as we are source filtering,
+make sure there are no $DB::single statements in the code.
 
 =cut
 
@@ -45,13 +46,17 @@ sub wanted {
     close(FILE);
 
     # strip pod, in a really idiotic way.  Good enough though
-    $data =~ s/^=head.+?(^=cut|\Z)//gms;
+    $data =~ s/^=(begin|head).+?(^=cut|\Z)//gms;
 
     # look for use and use base statements
     $used{$1}{$File::Find::name}++ while $data =~ /^\s*use\s+([\w:]+)/gm;
     while ( $data =~ m|^\s*use base qw.([\w\s:]+)|gm ) {
         $used{$_}{$File::Find::name}++ for split ' ', $1;
     }
+    # look for DB statements while we are here
+    while( $data =~ /^\s*\$DB::single/gm ) {
+       fail( "DB::single statement present in source " . $File::Find::name );
+    }
 }
 
 my %required;
diff --git a/t/text_tradition_language_english.t b/t/text_tradition_language_english.t
new file mode 100644 (file)
index 0000000..96bd2d9
--- /dev/null
@@ -0,0 +1,19 @@
+#!/usr/bin/perl -w
+
+use strict;
+use Test::More 'no_plan';
+$| = 1;
+
+
+
+# =begin testing
+{
+binmode STDOUT, ':utf8';
+use Text::Tradition;
+use_ok( 'Text::Tradition::Language::English' );
+}
+
+
+
+
+1;