-
Notifications
You must be signed in to change notification settings - Fork 0
/
procesamiento.py
505 lines (401 loc) · 14.9 KB
/
procesamiento.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
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
# -*- coding: utf-8 -*-
"""
Created on Mon Feb 1 08:26:09 2021
@author: Jhoncone
"""
from preprocesamiento import Preprocesar
from parsear import ParserConsulta
import re
import os
import yaml
import nltk
#from nltk.stem import PorterStemmer
import math
import codecs
class procesar:
b = 0.75
k = 1.2
#Frases_coincide=1
def __init__(self,ruta):
Frases_coincide=1
self.tf = {}
self.df = {}
self.rutafiles=ruta
self.ymls=self.pasaryml()
self.textos=self.sintoken()
self.file_a_terms=self.procesar_file()
self.indice=self.indice_doc(self.file_a_terms)
self.reindx=self.regular_indx(self.file_a_terms)
self.invertedIndx=self.inverted_indx()
self.dltabla=self.docLtabla()
self.dl=self.docLongi()
self.avgdl=self.avgdoc()
self.N=self.n_doc()
self.idf=self.invers_df()
qry=self.retornar_query()#retorna el primer elemento de la lista que es la consulta
#q= ParserConsulta(input("Digite una pregunta "))
q=ParserConsulta(qry)
#q=set(tokenize(input("Consulta: ")))# con el set convierte una expresion que esta entre [] a {}
query=list(q.tokens)#convirtiendo a lista
#self.p=q#el argumento inici que entra a self.coincide es de tipo lista sino cambiarlo
self.p=query
self.totalscore=self.BM25scores(query)
self.clasiDocs=self.clasific_doc()
self.retnomdoc=self.retornar_nom(query)
self.retordoc=self.retornar_doc(self.retnomdoc)#dentro de esta variable esta el contenido que corresponde a la key anterior buscada
self.docmayu=self.doc_mayus(self.retordoc)#convirtiendo a mayuscula el texto de la key
self.inversed=self.calcular_idfs(self.file_a_terms)
#passage retrievel
self.passages=self.separar_frases(self.retordoc)
#calculando idfs del documento top
self.idfsdoc=self.calcular_idfs(self.passages)
#determinado las frases top
self.coincide=self.top_frases(self.p,self.passages,self.idfsdoc,n=Frases_coincide)
self.retrieve=self.informes(self.coincide)
self.pregun=self.buscar_preg(self.retrieve)#contiene el indice de la pregunta
self.retyml=self.retor_yml(self.retnomdoc)
self.retpre,self.retolu=self.lista_pre_olu(self.retyml)
self.retexto=self.retorn_texto(self.retyml)
self.retresp=self.procesar_res(self.retyml,self.pregun,self.retpre,self.retolu)
def retornar_query(self):
listPre=[]
q= (input("Digite una pregunta: "))
a=input("Digite la alternativa A: ")
b=input("Digite la alternativa B: ")
c=input("Digite la alternativa C: ")
d=input("Digite la alternativa D: ")
e=input("Digite la alternativa E: ")
listPre.append(q)
listPre.append(a)
listPre.append(b)
listPre.append(c)
listPre.append(d)
listPre.append(e)
print(listPre)
return listPre[0]
def pasaryml(self):
filePath = []
for file in os.listdir(self.rutafiles):
filePath.append(os.path.join(self.rutafiles, file))
fileName = re.compile('\\\\(.*)\.yml')
file_a_terms={}
for file in filePath:
key = fileName.search(file)
with codecs.open(file, "r", "utf-8-sig") as file:
texto_list = yaml.load(file, Loader=yaml.FullLoader)
file_a_terms[key[1]]=texto_list
texto=file_a_terms[key[1]]
file_a_terms[key[1]]=texto
return file_a_terms
def sintoken(self):#pasar a diccionario sin tokenizar
filePath = []
for file in os.listdir(self.rutafiles):
filePath.append(os.path.join(self.rutafiles, file))
fileName = re.compile('\\\\(.*)\.yml')
file_a_terms={}
for file in filePath:
key = fileName.search(file)
with codecs.open(file, "r", "utf-8-sig") as readFile:#codecs para poder abrir con modo utf8
file_a_terms[key[1]]=readFile.read()
textos=file_a_terms[key[1]]
file_a_terms[key[1]]=textos
return file_a_terms
def procesar_file(self):
filePath = []
for file in os.listdir(self.rutafiles):
filePath.append(os.path.join(self.rutafiles, file))
fileName = re.compile('\\\\(.*)\.yml')
file_a_terms={}
for file in filePath:
key = fileName.search(file)
with codecs.open(file, "r", "utf-8-sig") as readFile:#codecs para poder abrir con modo utf8
file_a_terms[key[1]]=readFile.read()
texto=file_a_terms[key[1]]
#wordsintextos=self.normaliz(texto)
proc=Preprocesar(texto)
wordsintextos=proc.prep
wordsintextos=nltk.word_tokenize(wordsintextos)
file_a_terms[key[1]]=wordsintextos
return file_a_terms
def n_doc(self):
return len(self.procesar_file())
def indice_doc(self,listater):
fileIndex = {}
for index,word in enumerate(listater):
if word in fileIndex.keys():
fileIndex[word].append(index)
else:
fileIndex[word] = [index]
return fileIndex
def regular_indx(self,listaterm):
regdex = {}
for filenombre in listaterm.keys():
regdex[filenombre] = self.indice_doc(listaterm[filenombre])
return regdex
def inverted_indx(self):
total_index = {}
regdex = self.reindx
for filenombre in regdex.keys():
self.tf[filenombre] = {}
for word in regdex[filenombre].keys():
self.tf[filenombre][word] = len(regdex[filenombre][word])
if word in self.df.keys():
self.df[word] += 1
else:
self.df[word] = 1
if word in total_index.keys():
if filenombre in total_index[word].keys():
total_index[word][filenombre].extend(regdex[filenombre][word])
else:
total_index[word][filenombre] = regdex[filenombre][word]
else:
total_index[word] = {filenombre: regdex[filenombre][word]}
return total_index
def docLtabla(self):
dltable = {}
for w in self.invertedIndx.keys():
total_freq = 0
for file in self.invertedIndx[w].keys():
total_freq += len(self.invertedIndx[w][file])
dltable[w] = {len(self.invertedIndx[w].keys()):total_freq}
return dltable
def docLongi(self):
dl = {}
for file in self.file_a_terms.keys():
dl[file]=len(self.file_a_terms[file])
return dl
def avgdoc(self):
sum = 0
for file in self.dl.keys():
sum += self.dl[file]
avgdl = sum/len(self.dl.keys())
return avgdl
def invers_df(self):
idf = {}
for w in self.df.keys():
# idf[w] = math.log((self.N - self.df[w] + 0.5)/(self.df[w] + 0.5))
idf[w] = math.log((self.N +1 )/self.df[w])
return idf
def obtener_score(self,nombrefile,qlista):
score = 0
for w in self.file_a_terms[nombrefile]:
if w not in qlista:
continue
wc = len(self.invertedIndx[w][nombrefile])
score += self.idf[w] * ((wc)* (self.k+1)) / (wc + self.k *
(1 - self.b + self.b * self.dl[nombrefile] / self.avgdl))
return score
def BM25scores(self,qlista):
total_score = {}#los diccionarios se tienen que declarar
for doc in self.file_a_terms.keys():
total_score[doc] = self.obtener_score(doc,qlista)
return total_score
def clasific_doc(self):
ranked_docs = sorted(self.totalscore.items(), key=lambda x: x[1], reverse=True)
return ranked_docs
def retornar_nom(self,qlistas):
orde=self.clasiDocs[0]
#orde=docu
vari=str(orde)
#regex = re.compile('[a-z][a-z][a-z] [0-9][.][t][x][t]')
#regex = re.compile('[a-z][a-z][a-z] [0-9]')
regex=re.compile('[A-Z][0-9][_][0-9][0-9][0-9][0-9][_][A-Z][0-9][A-Z][_][A-Z][0-9]')
m=regex.findall(vari)
#print(m)
listString = ' '.join([str(elem) for elem in m])
#print(listString)
nom=listString
return nom
def retornar_doc(self,nom):
total_nom={}
key=nom
total_nom[key]=self.file_a_terms.get(nom)#cambiando a diccionario asignando como key al nom
return total_nom
def doc_mayus(self,doc):
texto = ""
#almacenando el texto en una variable
for linea in doc:
#linea = linea.strip()
texto = texto + " " + linea
return texto.upper()
#return docmayu
def separar_frases(self,filenames):
frases = dict()
for filenombre in filenames:
for passage in self.textos[filenombre].split("\n"):#probando con otra forma de dividir el texto /n cada salto de linea o cada :
for frase in nltk.sent_tokenize(passage):
token=ParserConsulta(frase)
tokens=token.tokens
if tokens:
frases[frase] = tokens
return frases
def calcular_idfs(self,documents):
inverse_doc = {}
unique_doc =[]
num_dic = len(documents)
#print(num_dic)
for k,v in documents.items():
documents[k] = set(v)
unique_doc.append(documents[k])
for k,v in documents.items():
for word in v:
cont = 0
for ud in unique_doc:
if word in ud:
cont += 1
if word not in inverse_doc.keys():
inverse_doc[word] = num_dic/cont
return inverse_doc
def top_frases(self,query, sentences, idfs, n):
q_c_f = {}
for k,v in sentences.items():
for q in query:
if q in v:
if k not in q_c_f:
q_c_f[k] = idfs[q]
else:
q_c_f[k] += idfs[q]
q_c_f = {k: v for k, v in sorted(q_c_f.items(), key=lambda item: item[1],reverse=True)}
#print(q_c_f)
#confirma si hay mas de una coincidencia
highest = max(q_c_f.values())
match_frase = [k for k, v in q_c_f.items() if v == highest]
densidad_term = {}
if len(match_frase) > 1:
for sentence in match_frase:
intersec = set(sentence).interseccion(query)
densidad_term[sentence] = len(intersec)
densidad_term = {k: v for k, v in sorted(densidad_term.items(), key=lambda item: item[1],reverse=True)}
fs = []
for k in q_c_f:
fs.append(k)
td = fs[:n]
return td
#print(match_frase)
fs = []
for k in q_c_f:
fs.append(k)
sen = fs[:n]
#print(tf)
return sen
def informes(self,frase):
for fr in frase:
infor=fr
return fr
def buscar_preg(self,consulta):
pretok=nltk.word_tokenize(consulta)
#print(pretok)
#obteniendo con el primer elemento de la lista
preel=pretok[0]
return preel
def retor_yml(self,nombreyml):
texto_list=self.ymls.get(nombreyml)
#tokens=texto_list
return texto_list
def lista_pre_olu(self,tokens):
lispreg=[]
regex = re.compile('[p][r][e][g][u][n][t][a][0-9]')
for dics in tokens:
if regex.findall(dics)!=None:
m=regex.findall(dics)
listString = ' '.join([str(elem) for elem in m])
nom=listString
lispreg.append(nom)
else:
pass
listafil=['',' ',' ']
#print(lispreg)
b=[]
for lis in lispreg:
if lis not in listafil:
b.append(lis)
#print(b)
#obteniendo la lista de soluciones en el texto
lisolu=[]
regex = re.compile('[s][o][l][u][c][i][o][n][0-9]')
for dics in tokens:
if regex.findall(dics)!=None:
m=regex.findall(dics)
listString = ' '.join([str(elem) for elem in m])
olu=listString
lisolu.append(olu)
else:
pass
#print("no token pregunta")
s=[]
for olu in lisolu:
if olu not in listafil:
s.append(olu)
return b,s
def retorn_texto(self,texto_list):
texto=texto_list.get('texto')
#print(texto)
return texto
def procesar_res(self,texto_list,preel,b,s):
longi=len(b)
#print(longi)
i=0
for pre in enumerate(b):
if preel in b:
pregun=preel
for i in range(longi):
if b[i]==pregun:
pos=i
#print("pos ",pos,"val ",pregun)
pregun=texto_list.get(pregun)
#print(pos)
olu=s[pos]
#print(olu)
#obteniendo la solucion
luc=texto_list.get(olu)
#print(luc)
luc2=list(luc.values())
alt=luc2[0]
#print(alt)
#imprimiendo la solucion
dic=texto_list.get('alternativas'+str(pos+1))
dic2=dic.get(alt)
#print(dic)
ans=alt+':'+dic2
#print(ans)
#print("ol")
return ans
'''
q3=procesar("./test")
#print(q3.ymls)
#print(q3.textos)
#print(q3.file_a_terms)
#print(q3.file_a_terms.keys())
#print(q3.indice)
#print(q3.reindx)
#print(q3.invertedIndx)
#print(q3.dltabla)
#print(q3.dl)
#print(q3.avgdl)
#print(q3.N)
#print(q2.idf)
#print(q3.totalscore)
#grafico de scores
#print(q3.clasiDocs)
#print("proban")
#print(q3.retnomdoc)
#print(q3.retordoc)
#print(q3.docmayu)
#print(q3.inversed)
#print(q3.p)
#print(q3.passages)
#print(q3.idfsdoc)
#testeado con el archivo new2 .txt de la carpeta blo sucess
#en el texto 3 al reducir la pregunta 2 sin sostener si encuentra la respuesta
print(q3.retrieve)
#retornando el archivo yml donde esta la pregunta
#print(q3.retyml)
#retorna la lista de preguntas que hay en el archivo
#print(q3.retpre)
#retorna la lista de soluciones de la pregunta
#print(q3.retolu)
#retorna el texto donde esta la pregunta
#print(q3.retexto)
#retorna la respuesta
print(q3.retresp)
'''