Concordancia KWIC

kwic(source, keyword, window=5, by_lemma=False, ignore_case=True)

Una concordancia KWIC (keyword in context) - todas las apariciones de una palabra o de una expresión con su contexto a ambos lados. Las apariciones se buscan entre las palabras del texto por la forma, sin distinguir mayúsculas y minúsculas o distinguiéndolas (ignore_case=False), o por el lema (by_lemma=True); la palabra clave se lematiza como una cadena, así que con un lematizador una expresión puede escribirse en cualquier forma y sin él se da por lemas. Las palabras de una cadena y de la palabra clave salen del tokenizador, las de un Doc de sus tokens: un tokenizador que divide una cadena como lo hace el pipeline encuentra lo mismo en ambos. La puntuación y los símbolos no son palabras; las formas se comparan en la forma compuesta de Unicode (NFC), sin guiones blandos.

Una expresión no cruza el final de un párrafo o de una oración salvo que la palabra clave tenga un signo final o un comienzo de oración en el mismo lugar (U.S. Army). Una oración termina en un límite de un Doc en cualquier punto entre las palabras, incluido un signo de apertura, o, sin límites o con límites parciales (has_sents), en un comienzo de oración del segmentador de oraciones, por defecto un signo final ante un espacio. El contexto son window palabras a cada lado tal como están escritas, puntuación incluida; los espacios se reducen a uno, y las apariciones no se solapan.

La función llama al kwic del núcleo anyTS con los ganchos del español. El texto y la palabra clave se dividen en palabras del mismo modo, con el tokenizador del pipeline español vacío, así que EE. UU. es una palabra en los dos; las abreviaturas que el tokenizador mantiene enteras (Sr., pág., etc., EE. UU.) son una palabra igual en minúsculas, con mayúscula inicial y en mayúsculas, así que sr. pérez encuentra Sr. Pérez y SR. PÉREZ, y la puntuación y los símbolos no son palabras de ninguno: ¿Dónde encuentra Dónde, 20 € encuentra 20. Las formas y los lemas se pasan a minúsculas; las tildes forman parte de la forma: solo y sólo son dos formas. Las oraciones de una cadena, de la palabra clave y del texto de un Doc sin límites son las de SentsExtractor: unos puntos suspensivos o una exclamación seguidos de una palabra en minúscula no terminan la oración, así que honrado piensa encuentra honrado... piensa.

Por lema, la palabra clave se lematiza con simplemma, así que una expresión se da por lemas - mirar a el pájaro - o tal como se escribe, y una palabra del texto se encuentra por su lema de simplemma y, en un Doc que lleva lemas, también por el lema del modelo: gatos se encuentra por gato. En Mi amigo vino con una botella de vino el modelo da venir al verbo, así que venir encuentra el verbo, donde simplemma, que no ve el contexto, no encontraría nada; vino encuentra los dos, porque simplemma lee el verbo como vino.

CódigoResultado

from ests.corpus import kwic, print_kwic

text = (
    "El gato estaba en la ventana y miraba a los pájaros. Los pájaros se fueron y el gato "
    "se durmió en la ventana. Mañana el gato volverá a estar en la ventana y mirará a los pájaros."
)
lines = kwic(text, "ventana", by_lemma=True, window=3)
lines[0]
print_kwic(lines, width=20)

[line.keyword for line in kwic(text, "mirar a los pájaros", by_lemma=True)]

Concordance(start=21, end=28, left='estaba en la', keyword='ventana', right='y miraba a')
        estaba en la  ventana  y miraba a
        durmió en la  ventana  . Mañana el gato
         estar en la  ventana  y mirará a
['miraba a los pájaros', 'mirará a los pájaros']

Parámetros

Parámetro	Tipo	Por defecto	Descripción
source	str / Doc	-	Texto u objeto Doc
keyword	str	-	Palabra o expresión
window	int	5	Número de palabras de contexto a cada lado
by_lemma	bool	False	Comparar lemas en lugar de formas
ignore_case	bool	True	No distinguir mayúsculas y minúsculas al comparar formas

Una palabra clave sin palabras, una ventana que no es un entero o es negativa y un by_lemma o un ignore_case que no es un bool lanzan ParameterError; una fuente que no es ni una cadena ni un Doc, una palabra clave que no es una cadena y un gancho que no es invocable lanzan SourceTypeError.

Resultado

Concordance(start, end, left, keyword, right)

Una lista de tuplas con nombre Concordance en el orden del texto.

Campo	Tipo	Descripción
start	int	Posición del primer carácter de la aparición en el texto
end	int	Posición tras el último carácter de la aparición
left	str	Contexto a la izquierda
keyword	str	Aparición tal como está escrita en el texto
right	str	Contexto a la derecha

Líneas alineadas

format_kwic(concordances, width=40)

Alinea las líneas en la palabra clave en un texto, una línea por aparición: el contexto de la izquierda se recorta por la izquierda y se alinea a la derecha, el de la derecha se recorta por la derecha. Las líneas pueden venir de cualquier iterable y se toman en la forma compuesta de Unicode (NFC), así que las anchuras cuentan los caracteres tal como se ven.

Parámetro	Tipo	Por defecto	Descripción
concordances	list[Concordance]	-	Líneas de una concordancia
width	int	40	Anchura de un contexto en caracteres

Unas líneas que son una cadena o que no se pueden iterar lanzan SourceTypeError, y un width que no es un entero de al menos uno, ParameterError.

print_kwic(concordances, width=40)

Imprime el resultado de format_kwic.