morph-rs 0.2.0

Dictionary Morphologizer for Russian language
Documentation
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
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
use crate::{
    analyzer::vangovanie::VangovanieRes,
    errors::{MopsErr, MopsResult, ParseErr},
    morph::grammemes::{Form, Grammem},
    InflectWord, Method, MorphAnalyzer, NormalizedWord, ParsedWord, Vangovanie,
};
use allocative::Allocative;
use fst::Map;
use serde::{Deserialize, Serialize};
use smallstr::SmallString;
use smallvec::SmallVec;
use std::{
    collections::{HashMap, HashSet},
    path::PathBuf,
};
use tracing::debug;

// Значения для Small-хранения постфиксов ванги, граммемов в теге, лемм.
// Нынешние значения вычислены экспериментально и могут меняться при дальнейших экспериментах.

/// Количество байт, которое вмещает в себя большую часть постфиксов Ванги,
/// чтобы не аллоцировать под небольшой размер данных большое количество места на куче.
pub const SMALLVANGA: usize = 8;
/// Количество байт, которое вмещает в себя большую часть тегов
/// чтобы не аллоцировать под небольшой размер данных большое количество места на куче.
pub const SMALLTAG: usize = 8;
/// Количество байт, которое вмещает в себя большую часть лемм (нормальных форм слова)
/// чтобы не аллоцировать под небольшой размер данных большое количество места на куче.
pub const SMALLLEMMA: usize = 16;

/// Сборка словаря
pub(crate) mod dictionary;
pub use dictionary::Dictionary;

/// Сборка префиксного поиска по fst::Stream для улучшения производительности.
pub(crate) mod declension;
/// Вспомогательные функции морфологизатора для разборов слов.
pub(crate) mod morpholyzer;
/// Предугадывание слов.
pub(crate) mod vangovanie;

pub mod pretty_display;

/// Набор граммем слова.
pub type Tag = SmallVec<[Grammem; SMALLTAG]>;
/// Все наборы тегов
pub type Tags = Vec<Tag>;
/// Все нормализованные слова.
pub type Lemmas = Vec<SmallString<[u8; SMALLLEMMA]>>;

/// Структура хранения всех разборов слов.
/// Id в fst ссылается на нее.
pub type ParseTable = Vec<Vec<Parse>>;

/// OpenCorpora's LemmaId.
pub type OpCLid = u32;
/// Все слитые между собой для нормализации OpenCorpora's LemmaId.
pub type LemmasRows = Vec<Vec<OpCLid>>;

#[derive(
    Debug, PartialEq, Eq, Ord, PartialOrd, Clone, Serialize, Deserialize, Allocative, Hash,
)]
/// Один разбор слова: форма, набор тегов, нормализованная форма.
pub struct Parse {
    pub(crate) form: Form,
    pub(crate) tag: TagID,
    pub(crate) normal_form: LemmaID,
    pub(crate) lemma_row_id: LemmaRowId,
}

/// Index в Tags
pub type TagID = usize;
/// Index в Lemmas
pub type LemmaID = usize;
/// Index в LemmasRows.
pub type LemmaRowId = usize;

#[derive(Debug, Clone, PartialEq, Eq, Hash, PartialOrd, Serialize, Deserialize, Allocative)]
/// `Vanga` - предсказание по части речи на основе постфикса.
pub struct Vanga {
    pub(crate) popularity: u64,
    pub postfix: Vec<VangaItem>,
}

#[derive(Debug, Clone, PartialEq, Eq, Hash, PartialOrd, Serialize, Deserialize, Allocative)]
pub struct VangaItem {
    #[allocative(skip)]
    pub postfix: SmallString<[u8; SMALLVANGA]>,
    pub(crate) form: Form,
    pub(crate) tag: Vec<TagID>,
}

#[derive(Debug, Default, Eq, PartialEq, Clone)]
/// Вектор распознанных слов.
pub struct ParsedWords(pub Vec<ParsedWord>);

impl ParsedWords {
    pub fn find(self, memes: Vec<Grammem>) -> Option<ParsedWord> {
        self.0
            .into_iter()
            .find(|w| memes.iter().all(|meme| w.clone().tag().contains(meme)))
    }
}

#[derive(Default)]
/// Вектор нормализованных слов.
pub struct NormalizedWords(pub Vec<NormalizedWord>);

impl NormalizedWords {
    pub fn find(self, memes: Vec<Grammem>) -> Option<NormalizedWord> {
        self.0
            .into_iter()
            .find(|w| memes.iter().all(|meme| w.clone().tag().contains(meme)))
    }
}

#[derive(Debug, Default, Clone)]
/// Вектор слов в соответствующей форме.
pub struct InflectWords(pub Vec<InflectWord>);

impl InflectWords {
    pub fn find(self, memes: Vec<Grammem>) -> Option<InflectWord> {
        self.0
            .into_iter()
            .find(|w| memes.iter().all(|meme| w.clone().tag().contains(meme)))
    }
}

impl MorphAnalyzer {
    /// Создание анализатора из словаря.
    pub fn from_dictionary(dictionary: Dictionary, fst: PathBuf) -> MopsResult<Self> {
        let Dictionary {
            meta: _,
            word_parses,
            tags,
            lemmas,
            paradigms,
            lemmas_rows,
        } = dictionary;

        Ok(Self {
            fst: Self::to_bytes_map(&fst)?,
            word_parses,
            tags,
            lemmas,
            paradigms,
            lemmas_rows,
        })
    }

    /// Взятие бинарного представления из словаря на диске в RAM.
    pub(crate) fn to_bytes_map(fst: &PathBuf) -> MopsResult<Map<Vec<u8>>> {
        let buf = std::fs::read(fst).map_err(|error| MopsErr::File {
            file: fst.to_path_buf(),
            error,
        })?;
        Map::new(buf).map_err(MopsErr::FSTMap)
    }

    /// Парсинг слова.
    pub fn parse_word(&self, word: &str) -> Result<ParsedWords, ParseErr> {
        let map = &self.fst;
        let mut parsed = ParsedWords::default();

        match map.get(word.as_bytes()) {
            Some(common_id) => {
                debug!("{word} найдено в словаре");
                let vec_tags = self.get_parse(common_id)?;

                for parse in vec_tags {
                    parsed.0.push(self.try_into_parse(word, parse)?)
                }

                // Для Ванги не должно быть сортировки, т.к. она выводится по score.
                parsed.0.sort();
            }
            None => {
                if let Some(vanga) = self.vangovanie(word)? {
                    for VangovanieRes {
                        tags,
                        form: _,
                        method,
                        normal_form,
                        ..
                    } in vanga
                    {
                        let normal_form = match &method {
                            Vangovanie::KnownPrefix(affix) | Vangovanie::UnknownPrefix(affix) => {
                                format!("{affix}{normal_form}")
                            }
                            Vangovanie::Postfix => return Err(ParseErr::FutureRelease),
                        };

                        parsed.0.push(ParsedWord {
                            word: word.to_string(),
                            tags,
                            normal_form,
                            method: Method::Vangovanie(method),
                        })
                    }
                }
            }
        }

        Ok(parsed)
    }

    /// Нормализация слова.
    pub fn normalized_word(&self, word: &str) -> Result<NormalizedWords, ParseErr> {
        let map = &self.fst;
        let mut normalized = NormalizedWords::default();

        match map.get(word) {
            Some(common_id) => {
                debug!("{word} найдено в словаре");
                let vec_parses = self.get_parse(common_id)?;

                for parse in vec_parses.iter() {
                    if parse.form.is_normal() {
                        normalized.0.push(self.try_into_normalized(parse)?)
                    } else {
                        // Нам нужно брать только те нормальные формы, которые имеют отношение к соответствующему парсингу.
                        let lemmas_link = self.get_row_id(parse.lemma_row_id)?;

                        let word = self.get_lemmas(parse.normal_form)?.to_string();
                        let id = map
                            .get(&word)
                            .ok_or_else(|| ParseErr::LostNormalForm(word.clone()))?;
                        let vec_parses = self.get_parse(id)?;

                        for parse in vec_parses.iter() {
                            let normalized_word = self.try_into_normalized(parse)?;
                            if parse.form.is_normal()
                                && !normalized.0.contains(&normalized_word)
                                // Нам нужно брать только те нормальные формы, которые имеют отношение к соответствующему парсингу.
                                && lemmas_link.contains(&(parse.form.id().unwrap() as u32))
                            {
                                normalized.0.push(normalized_word)
                            }
                        }
                    }
                }

                // Для Ванги не должно быть сортировки, т.к. она выводится по score.
                normalized.0.sort();
            }
            None => {
                if let Some(vanga) = self.vangovanie(word)? {
                    for VangovanieRes {
                        tags, form, method, ..
                    } in vanga
                    {
                        if form.is_normal() {
                            normalized.0.push(NormalizedWord {
                                normal_word: word.to_owned(),
                                tags,
                                method: Method::Vangovanie(method),
                            })
                        } else {
                            return Err(ParseErr::FutureRelease);
                        }
                    }
                }
            }
        }

        Ok(normalized)
    }
}

#[derive(Debug, PartialEq)]
pub(crate) struct WordForm<'a> {
    i: u64,
    tag: &'a Tag,
    lemma: &'a SmallString<[u8; SMALLLEMMA]>,
}

impl MorphAnalyzer {
    /// Приведение слова к нужной форме, указанной через граммемы.
    ///
    /// Если граммемы не указаны, слово будет приведено к начальной форме (чаще всего, им.п., ед.ч. и т.п.).
    /// Начальная форма не является нормализацией слова.
    pub(crate) fn inflect_word(
        &self,
        word: &str,
        grammemes: Option<Vec<Grammem>>,
    ) -> Result<Option<InflectWords>, ParseErr> {
        let map = &self.fst;
        let mut inflect = InflectWords::default();

        match map.get(word) {
            Some(common_id) => {
                debug!("{word} найдено в словаре");
                let vec_parses = self.get_parse(common_id)?;

                // Для каждого парсинга слова нам нужен свой набор элементов.
                for parse in vec_parses.iter() {
                    self.inflect_parse(word, parse, grammemes.clone(), &mut inflect)?;
                }
            }
            None => return Err(ParseErr::FutureRelease),
        };

        if inflect.0.is_empty() {
            Ok(None)
        } else {
            Ok(Some(inflect))
        }
    }

    /// Привести разобранное слово к нужной форме, указанной через граммемы.
    ///
    /// Если граммемы не указаны, слово будет приведено к начальной форме (чаще всего, им.п., ед.ч. и т.п.).
    /// Начальная форма не является нормализацией слова.
    pub(crate) fn inflect_parsed_words(
        &self,
        word: ParsedWord,
        grammemes: Option<Vec<Grammem>>,
    ) -> Result<Option<InflectWords>, ParseErr> {
        let map = &self.fst;
        let mut inflect = InflectWords::default();

        match map.get(word.word()) {
            Some(common_id) => {
                let tag = self
                    .tags
                    .binary_search(&word.tag())
                    .map_err(|_| ParseErr::BinaryTag(word.tag()))?;
                let parse = self
                    .get_parse(common_id)?
                    .iter()
                    .find(|parse| parse.tag == tag)
                    .ok_or_else(|| ParseErr::LostParse(word.tag()))?;

                self.inflect_parse(&word.word(), parse, grammemes, &mut inflect)?;
            }
            None => return Err(ParseErr::FutureRelease),
        }

        if inflect.0.is_empty() {
            Ok(None)
        } else {
            Ok(Some(inflect))
        }
    }

    /// По имеющемуся разбору слова и грамматическим ограничениям (`Vec<Grammem>`)
    /// собирается измененная форма слова.
    ///
    /// Если грамматических ограничений нет, возвращается начальная форма слова.
    fn inflect_parse(
        &self,
        word: &str,
        parse: &Parse,
        grammemes: Option<Vec<Grammem>>,
        inflect: &mut InflectWords,
    ) -> Result<(), ParseErr> {
        // Если граммемы не переданы, требуется начальная форма. Она, в свою очередь, может совпадать с нормальной.
        if grammemes.is_none() && (parse.form.is_inizio() || parse.form.is_normal()) {
            inflect
                .0
                .push(self.try_into_inflect(word.to_string(), parse)?);
        } else {
            // Нам нужно брать только те формы, которые имеют отношение к соответствующему парсингу.
            let ids = self.get_row_id(parse.lemma_row_id)?.to_owned();
            // Если мы ищем начальную форму, нам понадобится не выходить за пределы Opencorpora's Lemma Id слова.
            let word_id = parse
                .form
                .id()
                .ok_or_else(|| ParseErr::LostLemmaId(word.to_string()))?;

            let mut hash_set: HashMap<(String, Option<String>), Vec<WordForm>> = HashMap::new();

            let id_forms = self.id_forms(word, &ids, Some(word_id), &grammemes);
            self.collect_stream_hashset(word, &grammemes, id_forms, &mut hash_set)?;
            self.iter_fst(&mut hash_set, inflect)?;
        }

        Ok(())
    }

    /// Проход по всем склонениям/спряжениям слова.
    ///
    /// Для каждого разбора данного слова возвращается набор `ParsedWords` всех склонений-спряжений, связанных с каждым его разбором.
    ///
    /// # Example
    /// стали (металл) -> сталь, стали, стали, сталь, сталью, стали \
    /// стали (как стать) -> стать, стал, стала, стали.
    ///
    /// ### Warn!
    /// Не быстрая функция.
    pub(crate) fn declension_word(&self, word: &str) -> Result<Vec<InflectWords>, ParseErr> {
        let map = &self.fst;
        let mut inflects = Vec::new();

        match map.get(word.as_bytes()) {
            Some(common_id) => {
                let set_ids = self
                    .get_parse(common_id)?
                    .iter()
                    .filter_map(|parse| self.lemmas_rows.get(parse.lemma_row_id))
                    .map(|v| v.to_owned())
                    .collect::<HashSet<Vec<OpCLid>>>();

                // Нам нужно брать только те формы, которые имеют отношение к соответствующему парсингу.
                for ids in set_ids {
                    let mut inflect = InflectWords::default();
                    self.declension_ids(word, &ids, &mut inflect)?;
                    if !inflect.0.is_empty() {
                        inflects.push(inflect);
                    }
                }
            }

            None => return Err(ParseErr::FutureRelease),
        }

        Ok(inflects)
    }

    /// Проход по всем склонениям/спряжениям разобранного слова.
    ///
    /// # Example
    /// `ParsedWord = 'стали', tags: [Verb, Perfetto, Indicativo, Plural, Intransitive, Past], normal_form = 'стать', Method::Dictionary`
    ///  -> `стать, стал, стала, стали и т.д.`.
    ///
    /// ### Warn!
    /// Не быстрая функция.
    pub(crate) fn declension_parsed_word(
        &self,
        word: &ParsedWord,
    ) -> Result<Option<InflectWords>, ParseErr> {
        let map = &self.fst;
        let mut inflect = InflectWords::default();

        match map.get(word.word()) {
            Some(common_id) => {
                let tag = self
                    .tags
                    .binary_search(&word.tag())
                    .map_err(|_| ParseErr::BinaryTag(word.tag()))?;
                let parse = self
                    .get_parse(common_id)?
                    .iter()
                    .find(|parse| parse.tag == tag)
                    .ok_or_else(|| ParseErr::LostParse(word.tag()))?;

                // Нам нужно брать только те формы, которые имеют отношение к соответствующему парсингу.
                let ids = self.get_row_id(parse.lemma_row_id)?;
                self.declension_ids(&word.word(), ids, &mut inflect)?;
            }
            None => return Err(ParseErr::FutureRelease),
        }

        if inflect.0.is_empty() {
            Ok(None)
        } else {
            Ok(Some(inflect))
        }
    }

    /// Склонение/спряжение всех слов, стоящих в одной связи
    /// (`ids` - id лемм из `OpenCorpora`, которые как-то связаны через `links`).
    ///
    /// При этом используется префиксное ограничение для `fst::Stream`, чтобы сократить время хождения по словарю.
    fn declension_ids(
        &self,
        word: &str,
        ids: &[u32],
        inflect: &mut InflectWords,
    ) -> Result<(), ParseErr> {
        let mut hash_set: HashMap<(String, Option<String>), Vec<WordForm>> = HashMap::new();

        let id_forms = self.id_forms(word, ids, None, &None);
        self.collect_stream_hashset(word, &None, id_forms, &mut hash_set)?;
        self.iter_fst(&mut hash_set, inflect)
    }
}

#[cfg(test)]
mod tests {
    use super::*;
    use crate::{
        grams,
        morph::grammemes::{Case, Gender, ParteSpeech},
        Method,
    };

    #[test]
    fn test_find_parsed() {
        let parsed1 = ParsedWord {
            word: "bebeka".to_string(),
            tags: SmallVec::from(grams![ParteSpeech::Noun, Gender::Feminine]),
            normal_form: "bebe".to_string(),
            method: Method::Vangovanie(crate::Vangovanie::Postfix),
        };

        let parsed2 = ParsedWord {
            word: "bebek".to_string(),
            tags: SmallVec::from(grams![ParteSpeech::Noun, Gender::Masculine]),
            normal_form: "bebe".to_string(),
            method: Method::Vangovanie(crate::Vangovanie::Postfix),
        };

        let parsed3 = ParsedWord {
            word: "bebeki".to_string(),
            tags: SmallVec::from(grams![ParteSpeech::Noun]),
            normal_form: "bebe".to_string(),
            method: Method::Vangovanie(crate::Vangovanie::Postfix),
        };

        let words = ParsedWords(vec![parsed1.clone(), parsed2, parsed3]);
        assert_eq!(
            parsed1,
            words
                .find(grams![ParteSpeech::Noun, Gender::Feminine])
                .unwrap()
        )
    }

    #[test]
    fn test_inflect_form() {
        let anal = MorphAnalyzer::open("data/result/").unwrap();

        let femn_invest = anal
            .inflect_forms(
                "инвестировавшие",
                grams![Gender::Feminine, Case::Nominativus],
            )
            .unwrap()
            .unwrap();

        assert_eq!(
            "инвестировавшая",
            femn_invest.0.first().unwrap().to_owned().word().as_str()
        );
    }

    #[test]
    fn test_inflect_form_full() {
        let anal = MorphAnalyzer::open("data/result/").unwrap();

        let femn_invest = anal.inflect_inizio("инвестировавшие").unwrap().unwrap();

        assert_eq!(
            "инвестировавший",
            femn_invest.0.first().unwrap().to_owned().word().as_str()
        );
    }
}