QC: Umlaut-Dict aus hunspell-de-de generieren (statt handkuratiert)
Loest das Abdeckungs-Problem des handkuratierten Dicts (~300 Eintraege, ~95%). Neu: vollautomatisch erzeugtes Korpus-Dict aus hunspell-de-de mit 153.869 Eintraegen (>99% Abdeckung), plus schlankes Supplement fuer Komposita, die hunspell nicht liefert. Build-Skript (scripts/build_umlaut_dict.py): - ruft /usr/bin/unmunch gegen /usr/share/hunspell/de_DE.dic+aff auf - filtert Woerter mit echten Umlauten (ä/ö/ü/ß) - generiert je Wort die Umschreibungsform (ae/oe/ue/ss) + Capitalize - Mehrdeutigkeits-Check: skippt Paare wo die Umschreibung selbst ein gueltiges deutsches Wort ist (z. B. dass/daß, Masse/Maße, Busse/Buße) - Ergebnis: 153.869 Eintraege, 27 mehrdeutige Formen ausgefiltert - Alphabetisch sortiertes JSON (diff-freundlich) Laufzeit-Refactor (src/services/post_refresh_qc.py): - _UMLAUT_BASE Dict (handkuratiert) entfernt, dafuer JSON-Loader beim Modul-Import aus src/services/umlaut_dict.json - _MANUAL_SUPPLEMENT fuer Luecken (Konjunktiv saeen, Amtstitel- Komposita wie Aussenminister/Parlamentspraesident, Strassen- Komposita, Fuehrungs-Komposita) — ueberlagert Korpus-Dict - _UMLAUT_WHITELIST erweitert um englische Fremdwoerter (Boeing, Business, Access, Process, Message, Password, Miss, Boss, Goethe, Yahoo, Israel, Israels) - Regex-Strategie umgestellt: statt riesigem alternierenden Pattern ueber alle Keys jetzt Tokenizer (_WORD_PATTERN) + O(1) Dict-Lookup pro Wort. Deutlich performanter bei 150k+ Eintraegen. - normalize_german_umlauts() Signatur unveraendert - normalize_umlaut_fields() unveraendert - Einhaengung in run_post_refresh_qc() unveraendert Daten-Artefakt (src/services/umlaut_dict.json): - 4.88 MB alphabetisch sortiertes JSON - Im Repo committet zwecks Reproduzierbarkeit und kein hunspell- Laufzeit-Abhaengigkeit im Container Verwerfbarkeit voll erhalten: - git revert entfernt alle drei neuen Elemente - Bestand in DB bleibt repariert (korrektes Deutsch, kein Schaden) - hunspell-Paket kann bleiben oder mit apt purge entfernt werden Bootstrap-Rerun mit neuem Dict: - 7 Lagen aktualisiert, 306 zusaetzliche Ersetzungen - Lage #6 (Irankonflikt) von 140 ursprungs- und 15 Rest-Treffern nach voriger Runde jetzt auf 0 Hard-Hits - andere aktive Lagen insgesamt 8 verbleibende Rest-Treffer (spezielle Eigennamen, koennen bei Bedarf ins Supplement) Performance: - Dict-Load beim Modul-Import: ~100 ms - Gesamt Unit-Tests (11 Faelle): 161 ms - Refresh-Pfad unveraendert schnell: O(Wortzahl) mit Hashmap-Lookup
Dieser Commit ist enthalten in:
claude-dev
@@ -9,6 +9,7 @@ Regelbasierte Listen dienen als Fallback falls Haiku fehlschlaegt.
|
||||
"""
|
||||
import json
|
||||
import logging
|
||||
import os
|
||||
import re
|
||||
from difflib import SequenceMatcher
|
||||
|
||||
@@ -425,191 +426,82 @@ async def run_post_refresh_qc(db, incident_id: int) -> dict:
|
||||
# 3. Umlaut-Normalisierung (deterministisch, Sicherheitsnetz gegen LLM-Drift)
|
||||
# ---------------------------------------------------------------------------
|
||||
|
||||
# Basis-Woerterbuch: Umschreibungsform (lowercase) -> Umlaut-Form.
|
||||
# Die Capitalize-Variante wird automatisch generiert (z. B. "Oeffnung" -> "Öffnung").
|
||||
_UMLAUT_BASE = {
|
||||
# Oeffnung / Schliessung / Strasse / Schuesse (Topic-spezifisch aus Lage #6)
|
||||
"oeffnung": "öffnung", "oeffnungen": "öffnungen",
|
||||
"oeffne": "öffne", "oeffnen": "öffnen", "oeffnet": "öffnet",
|
||||
"geoeffnet": "geöffnet", "geoeffnete": "geöffnete", "geoeffneten": "geöffneten",
|
||||
"oeffentlich": "öffentlich", "oeffentlichkeit": "öffentlichkeit",
|
||||
"schliessung": "schließung", "schliessen": "schließen", "schliesst": "schließt",
|
||||
"schliesse": "schließe", "schliesslich": "schließlich",
|
||||
"strasse": "straße", "strassen": "straßen",
|
||||
"schuss": "schuss", "schuesse": "schüsse", "schuessen": "schüssen",
|
||||
"beschuss": "beschuss",
|
||||
# Hilfsverben + haeufige Woerter
|
||||
"fuer": "für", "fuers": "fürs",
|
||||
"ueber": "über", "ueberall": "überall", "ueberfall": "überfall",
|
||||
"moeglich": "möglich", "moegliche": "mögliche", "moeglicher": "möglicher",
|
||||
"moegliches": "mögliches", "moeglichen": "möglichen",
|
||||
"moeglichkeit": "möglichkeit", "moeglichkeiten": "möglichkeiten",
|
||||
"koennen": "können", "koennte": "könnte", "koennten": "könnten",
|
||||
"koenne": "könne", "koennt": "könnt",
|
||||
"muessen": "müssen", "muesse": "müsse", "muessten": "müssten",
|
||||
"muesste": "müsste", "muesst": "müsst",
|
||||
"duerfen": "dürfen", "duerfte": "dürfte", "duerften": "dürften",
|
||||
# fuehr*, waehr*, loes*, erklaer*
|
||||
"fuehren": "führen", "fuehrt": "führt", "fuehrte": "führte", "gefuehrt": "geführt",
|
||||
"fuehrung": "führung", "fuehrungen": "führungen", "fuehrer": "führer",
|
||||
"ausfuehren": "ausführen", "ausgefuehrt": "ausgeführt", "ausfuehrlich": "ausführlich",
|
||||
"einfuehrung": "einführung", "einfuehren": "einführen",
|
||||
"waehrend": "während", "waehrung": "währung", "waehrungen": "währungen",
|
||||
"gewaehren": "gewähren", "gewaehrt": "gewährt", "gewaehrleisten": "gewährleisten",
|
||||
"erwaehnt": "erwähnt", "erwaehnung": "erwähnung", "erwaehnen": "erwähnen",
|
||||
"loesen": "lösen", "loest": "löst", "geloest": "gelöst",
|
||||
"loesung": "lösung", "loesungen": "lösungen",
|
||||
"loeschen": "löschen", "geloescht": "gelöscht",
|
||||
"erklaeren": "erklären", "erklaert": "erklärt", "erklaerte": "erklärte",
|
||||
"erklaerten": "erklärten", "erklaertes": "erklärtes", "erklaertem": "erklärtem",
|
||||
"erklaerung": "erklärung", "erklaerungen": "erklärungen",
|
||||
"verspaetet": "verspätet", "verspaetung": "verspätung", "verspaetungen": "verspätungen",
|
||||
"veroeffentlichen": "veröffentlichen", "veroeffentlicht": "veröffentlicht",
|
||||
"veroeffentlichte": "veröffentlichte", "veroeffentlichten": "veröffentlichten",
|
||||
"veroeffentlichung": "veröffentlichung", "veroeffentlichungen": "veröffentlichungen",
|
||||
# Auslaender, Verstaendnis, Bevoelkerung
|
||||
"auslaender": "ausländer", "auslaendisch": "ausländisch",
|
||||
"auslaendische": "ausländische", "auslaendischen": "ausländischen",
|
||||
"verstaendnis": "verständnis", "verstaendigung": "verständigung",
|
||||
"verstaendlich": "verständlich", "verstaendlicher": "verständlicher",
|
||||
"bevoelkerung": "bevölkerung", "bevoelkerungen": "bevölkerungen",
|
||||
# Aussen, Aeusser, Kuenftig, Grundsaetzlich
|
||||
"aussen": "außen", "aussenminister": "außenminister",
|
||||
"aussenministerin": "außenministerin", "aussenpolitik": "außenpolitik",
|
||||
# Das grosse Mapping wird aus umlaut_dict.json geladen. Das JSON wird einmalig
|
||||
# aus hunspell-de-de erzeugt (siehe scripts/build_umlaut_dict.py) und enthaelt
|
||||
# >150.000 deutsche Umlaut-Woerter inklusive Flexionsformen. Mehrdeutigkeiten
|
||||
# (z. B. "dass"/"daß", "Masse"/"Maße") sind bereits ausgefiltert.
|
||||
_DICT_PATH = os.path.join(os.path.dirname(__file__), "umlaut_dict.json")
|
||||
try:
|
||||
with open(_DICT_PATH, encoding="utf-8") as _dict_file:
|
||||
_UMLAUT_REPLACEMENTS = json.load(_dict_file)
|
||||
logger.info("Umlaut-Dict geladen: %d Eintraege aus %s", len(_UMLAUT_REPLACEMENTS), _DICT_PATH)
|
||||
except FileNotFoundError:
|
||||
logger.warning("umlaut_dict.json nicht gefunden – Umlaut-Normalisierung laeuft mit leerem Dict")
|
||||
_UMLAUT_REPLACEMENTS = {}
|
||||
|
||||
# _MANUAL_SUPPLEMENT: Lueckenfueller fuer Woerter, die hunspell-de-de nicht abdeckt
|
||||
# (primaer Komposita und seltene Konjunktiv-Formen). Wird ueber das Korpus-Dict gelegt.
|
||||
_MANUAL_SUPPLEMENT = {
|
||||
# Konjunktiv I von "saeen" (selten, aber kommt vor)
|
||||
"saee": "säe", "saeen": "säen", "gesaet": "gesät",
|
||||
# Komposita mit Amtstitel, die hunspell als Teile kennt aber nicht kombiniert
|
||||
"aussenminister": "außenminister", "aussenministerin": "außenministerin",
|
||||
"aussenministern": "außenministern",
|
||||
"aussenpolitik": "außenpolitik",
|
||||
"aussenpolitisch": "außenpolitisch", "aussenpolitische": "außenpolitische",
|
||||
"aeusserung": "äußerung", "aeusserungen": "äußerungen",
|
||||
"aeussern": "äußern", "aeussert": "äußert", "aeusserte": "äußerte",
|
||||
"aeusserst": "äußerst", "aeussere": "äußere", "aeusseren": "äußeren",
|
||||
"kuenftig": "künftig", "kuenftige": "künftige", "kuenftigen": "künftigen",
|
||||
"grundsaetzlich": "grundsätzlich", "grundsaetze": "grundsätze", "grundsatz": "grundsatz",
|
||||
# Maenner, Aerzte, Aendern, Entsteh*
|
||||
"maenner": "männer", "maennlich": "männlich", "maennliche": "männliche",
|
||||
"aerzte": "ärzte", "aerztlich": "ärztlich", "aerztliche": "ärztliche",
|
||||
"aendern": "ändern", "aenderung": "änderung", "aenderungen": "änderungen",
|
||||
"geaendert": "geändert", "unveraendert": "unverändert",
|
||||
"verstaerken": "verstärken", "verstaerkt": "verstärkt", "verstaerkung": "verstärkung",
|
||||
# Gruend*, Rueck*, Zurueck*
|
||||
"gruenden": "gründen", "gruendung": "gründung", "gegruendet": "gegründet",
|
||||
"gruende": "gründe", "begruendung": "begründung", "begruendet": "begründet",
|
||||
"rueckkehr": "rückkehr", "rueckzug": "rückzug", "ruecken": "rücken",
|
||||
"rueckseite": "rückseite", "rueckfall": "rückfall",
|
||||
"zuruecknahme": "zurücknahme", "zurueck": "zurück", "zuruecknehmen": "zurücknehmen",
|
||||
"zurueckgezogen": "zurückgezogen", "zurueckgekehrt": "zurückgekehrt",
|
||||
# Fluege, Behoerden, Buerg*
|
||||
"fluege": "flüge", "fluegel": "flügel",
|
||||
"ruestung": "rüstung", "ruestungen": "rüstungen", "ruestungsexport": "rüstungsexport",
|
||||
"aufruestung": "aufrüstung", "abruestung": "abrüstung",
|
||||
"anschliessen": "anschließen", "anschliesst": "anschließt",
|
||||
"angeschlossen": "angeschlossen",
|
||||
"entschliessen": "entschließen", "entschliesst": "entschließt",
|
||||
"entschloss": "entschloss", "entschlossen": "entschlossen",
|
||||
"entschliessung": "entschließung",
|
||||
"beschliessen": "beschließen", "beschliesst": "beschließt",
|
||||
"beschloss": "beschloss", "beschlossen": "beschlossen", "beschluss": "beschluss",
|
||||
"ausschliessen": "ausschließen", "ausschliesst": "ausschließt",
|
||||
"ausgeschlossen": "ausgeschlossen", "ausschluss": "ausschluss",
|
||||
"erfuellen": "erfüllen", "erfuellt": "erfüllt", "erfuellung": "erfüllung",
|
||||
"durchfuehren": "durchführen", "durchgefuehrt": "durchgeführt",
|
||||
"durchfuehrung": "durchführung",
|
||||
"zurueckfuehren": "zurückführen", "zurueckgefuehrt": "zurückgeführt",
|
||||
"zurueckziehen": "zurückziehen", "zurueckgezogen": "zurückgezogen",
|
||||
"zurueckgewiesen": "zurückgewiesen",
|
||||
"behoerde": "behörde", "behoerden": "behörden", "behoerdlich": "behördlich",
|
||||
"buerger": "bürger", "buergerlich": "bürgerlich", "buergermeister": "bürgermeister",
|
||||
"buergerrechte": "bürgerrechte",
|
||||
"tuerkei": "türkei", "tuerkisch": "türkisch", "tuerkische": "türkische",
|
||||
"tuerkischen": "türkischen", "tuerke": "türke", "tuerken": "türken",
|
||||
# Staedtenamen (Spezialfaelle)
|
||||
"koeln": "köln", "koelner": "kölner",
|
||||
"muenchen": "münchen", "muenchner": "münchner",
|
||||
# Thema aktueller Lage: Praesident, Druecker, etc.
|
||||
"praesident": "präsident", "praesidentin": "präsidentin",
|
||||
"praesidenten": "präsidenten", "praesidentschaft": "präsidentschaft",
|
||||
# Suedeutsch -> Sueddeutsch (Doppel-D-Spezialfall, daher NICHT in der Form ss/oe)
|
||||
# NOTE: "Suedeutsch" ist schon die Umschreibung; korrekt ist "Sueddeutsch"
|
||||
# dann weiter zu "Süddeutsch". Wir loesen nur die ue->ü-Wandlung:
|
||||
"suedeutsch": "süddeutsch", "suedeutsche": "süddeutsche",
|
||||
"suedeutschen": "süddeutschen",
|
||||
"sueddeutsch": "süddeutsch", "sueddeutsche": "süddeutsche",
|
||||
"sueddeutschen": "süddeutschen",
|
||||
"sued": "süd", "sueden": "süden", "suedlich": "südlich",
|
||||
"suedost": "südost", "suedwest": "südwest",
|
||||
"suedkorea": "südkorea", "suedkoreas": "südkoreas", "suedkoreanisch": "südkoreanisch",
|
||||
# Bestaetigen, Gespraech, Toetung, Sekretaer, Franzoesisch
|
||||
"bestaetigen": "bestätigen", "bestaetigt": "bestätigt",
|
||||
"bestaetigte": "bestätigte", "bestaetigten": "bestätigten",
|
||||
"bestaetigung": "bestätigung", "bestaetigungen": "bestätigungen",
|
||||
"gespraech": "gespräch", "gespraeche": "gespräche",
|
||||
"gespraechen": "gesprächen", "gespraechs": "gesprächs",
|
||||
"toetung": "tötung", "toetungen": "tötungen",
|
||||
"toeten": "töten", "toetet": "tötet", "getoetet": "getötet",
|
||||
"sekretaer": "sekretär", "sekretaerin": "sekretärin",
|
||||
"aussenpolitischer": "außenpolitischer", "aussenpolitischen": "außenpolitischen",
|
||||
"vizepraesident": "vizepräsident", "vizepraesidenten": "vizepräsidenten",
|
||||
"vizepraesidentin": "vizepräsidentin",
|
||||
"parlamentspraesident": "parlamentspräsident",
|
||||
"parlamentspraesidenten": "parlamentspräsidenten",
|
||||
"parlamentspraesidentin": "parlamentspräsidentin",
|
||||
"generalsekretaer": "generalsekretär", "generalsekretaerin": "generalsekretärin",
|
||||
"franzoesisch": "französisch", "franzoesische": "französische",
|
||||
"franzoesischen": "französischen", "franzoesischer": "französischer",
|
||||
"franzoesisches": "französisches",
|
||||
# Sanitaeter, Stationaer, Militaer, Maerz, Vollstaendig
|
||||
"sanitaet": "sanität", "sanitaeter": "sanitäter",
|
||||
"stationaer": "stationär", "stationaere": "stationäre", "stationaeren": "stationären",
|
||||
"militaer": "militär", "militaerisch": "militärisch",
|
||||
"militaerische": "militärische", "militaerischen": "militärischen",
|
||||
"generalsekretaers": "generalsekretärs",
|
||||
"staatssekretaer": "staatssekretär", "staatssekretaerin": "staatssekretärin",
|
||||
# Strassen-Komposita
|
||||
"wasserstrasse": "wasserstraße", "wasserstrassen": "wasserstraßen",
|
||||
"hauptstrasse": "hauptstraße", "autostrasse": "autostraße",
|
||||
"bundesstrasse": "bundesstraße", "landstrasse": "landstraße",
|
||||
# Militaer-Komposita (haeufig in OSINT-Kontext)
|
||||
"militaerkommando": "militärkommando", "militaerbasis": "militärbasis",
|
||||
"militaerschlag": "militärschlag", "militaerschlaege": "militärschläge",
|
||||
"maerz": "märz",
|
||||
"vollstaendig": "vollständig", "vollstaendige": "vollständige",
|
||||
"vollstaendigen": "vollständigen", "vollstaendigkeit": "vollständigkeit",
|
||||
# Gegenueber, Abhaengig, Zehntaegig, Geloest, Enthuellt, Wuerden, Weiss
|
||||
"gegenueber": "gegenüber",
|
||||
"abhaengig": "abhängig", "abhaengige": "abhängige", "abhaengigen": "abhängigen",
|
||||
"abhaengigkeit": "abhängigkeit", "unabhaengig": "unabhängig",
|
||||
"taeglich": "täglich", "taegliche": "tägliche", "taeglichen": "täglichen",
|
||||
"taegig": "tägig", "zehntaegig": "zehntägig", "zehntaegige": "zehntägige",
|
||||
"geloest": "gelöst", "geloeste": "gelöste", "geloesten": "gelösten",
|
||||
"enthuellen": "enthüllen", "enthuellt": "enthüllt",
|
||||
"enthuellte": "enthüllte", "enthuellung": "enthüllung",
|
||||
"wuerde": "würde", "wuerden": "würden", "wuerdig": "würdig",
|
||||
"wuerdigung": "würdigung",
|
||||
"weiss": "weiß", "weisse": "weiße", "weissen": "weißen", "weisses": "weißes",
|
||||
# Vize- und Parlamentspraesident, Ankuendigung, Knuepfen
|
||||
"vizepraesident": "vizepräsident", "vizepraesidentin": "vizepräsidentin",
|
||||
"vizepraesidenten": "vizepräsidenten",
|
||||
"parlamentspraesident": "parlamentspräsident",
|
||||
"ankuendigung": "ankündigung", "ankuendigungen": "ankündigungen",
|
||||
"ankuendigen": "ankündigen", "angekuendigt": "angekündigt",
|
||||
"knuepfen": "knüpfen", "knuepft": "knüpft", "geknuepft": "geknüpft",
|
||||
"anknuepfen": "anknüpfen",
|
||||
# Komposita mit Strasse, Oeffnung
|
||||
"wasserstrasse": "wasserstraße", "wasserstrassen": "wasserstraßen",
|
||||
"autostrasse": "autostraße", "hauptstrasse": "hauptstraße",
|
||||
# Weitere zusammengesetzte Formen
|
||||
"zugefuehrt": "zugeführt", "ueberfuehrt": "überführt",
|
||||
"hergefuehrt": "hergeführt", "hingefuehrt": "hingeführt",
|
||||
# Suedeutsch-Doppel-D-Spezialfall (haendisch korrigierbar)
|
||||
"suedeutsch": "süddeutsch", "suedeutsche": "süddeutsche",
|
||||
"suedeutschen": "süddeutschen",
|
||||
# Fuehrungs- und Oeffnungs-Komposita (hunspell kennt die Stamm-Woerter, nicht die Komposita)
|
||||
"wiedereroeffnung": "wiedereröffnung", "wiedereroeffnungen": "wiedereröffnungen",
|
||||
"kriegsfuehrung": "kriegsführung", "kriegsfuehrer": "kriegsführer",
|
||||
"fuehrungsebene": "führungsebene", "fuehrungsebenen": "führungsebenen",
|
||||
"fuehrungskraft": "führungskraft", "fuehrungskraefte": "führungskräfte",
|
||||
"fuehrungsposition": "führungsposition", "fuehrungspositionen": "führungspositionen",
|
||||
"fuehrungsrolle": "führungsrolle",
|
||||
"geschaeftsfuehrer": "geschäftsführer", "geschaeftsfuehrung": "geschäftsführung",
|
||||
"staatsfuehrung": "staatsführung", "parteifuehrung": "parteiführung",
|
||||
"militaerfuehrung": "militärführung",
|
||||
}
|
||||
# Capitalize-Varianten fuer das Supplement (hunspell-Korpus hat sie schon eingebaut)
|
||||
_MANUAL_SUPPLEMENT_FULL = {}
|
||||
for _k, _v in _MANUAL_SUPPLEMENT.items():
|
||||
_MANUAL_SUPPLEMENT_FULL[_k] = _v
|
||||
if _k[:1].islower():
|
||||
_MANUAL_SUPPLEMENT_FULL[_k[:1].upper() + _k[1:]] = _v[:1].upper() + _v[1:]
|
||||
|
||||
# Supplement ueber das Korpus-Dict legen (Supplement hat Vorrang bei Kollision)
|
||||
_UMLAUT_REPLACEMENTS = {**_UMLAUT_REPLACEMENTS, **_MANUAL_SUPPLEMENT_FULL}
|
||||
|
||||
def _build_umlaut_map() -> dict:
|
||||
"""Baut die vollstaendige Ersetzungs-Map inklusive Capitalize-Varianten."""
|
||||
result = {}
|
||||
for k, v in _UMLAUT_BASE.items():
|
||||
result[k] = v
|
||||
# Erste-Buchstabe-gross (haeufigster Case am Satzanfang)
|
||||
result[k[:1].upper() + k[1:]] = v[:1].upper() + v[1:]
|
||||
return result
|
||||
# Whitelist: Tokens, die trotz Dict-Match NIE ersetzt werden (Eigennamen,
|
||||
# englische Fremdwoerter, Fachbegriffe). Greift vor dem Dict-Lookup.
|
||||
_UMLAUT_WHITELIST = frozenset({
|
||||
# Englische Fremdwoerter
|
||||
"Boeing", "Business", "Access", "Process", "Message", "Password",
|
||||
"Miss", "Boss", "Goethe", "Yahoo",
|
||||
# Eigennamen, die zufaellig "ss" enthalten und nicht umgeschrieben werden sollen
|
||||
"Israel", "Israels",
|
||||
})
|
||||
|
||||
|
||||
_UMLAUT_REPLACEMENTS = _build_umlaut_map()
|
||||
|
||||
# Whitelist: Tokens, die trotz potenziellen Matches NIE ersetzt werden.
|
||||
# Aktuell leer, weil kein Eintrag in _UMLAUT_BASE mit englischen Eigennamen kollidiert.
|
||||
# Falls in Zukunft Ambiguitaeten auftreten (z. B. Nachname "Kuehn"), hier ergaenzen.
|
||||
_UMLAUT_WHITELIST = frozenset()
|
||||
|
||||
# Kompilierter Regex: laengste Keys zuerst (damit "aussenminister" vor "aussen" trifft)
|
||||
_UMLAUT_PATTERN = re.compile(
|
||||
r"\b(" + "|".join(
|
||||
re.escape(k) for k in sorted(_UMLAUT_REPLACEMENTS.keys(), key=len, reverse=True)
|
||||
) + r")\b"
|
||||
)
|
||||
# Tokenizer: matcht Woerter aus Buchstaben (inkl. deutschen Umlauten).
|
||||
# Performanter als ein alternierendes Regex ueber 150k Keys — O(1) Dict-Lookup pro Wort.
|
||||
_WORD_PATTERN = re.compile(r"[A-Za-zÄÖÜäöüß]+")
|
||||
|
||||
|
||||
def normalize_german_umlauts(text: str) -> tuple[str, int]:
|
||||
@@ -635,7 +527,7 @@ def normalize_german_umlauts(text: str) -> tuple[str, int]:
|
||||
count[0] += 1
|
||||
return replacement
|
||||
|
||||
new_text = _UMLAUT_PATTERN.sub(_replace, text)
|
||||
new_text = _WORD_PATTERN.sub(_replace, text)
|
||||
return new_text, count[0]
|
||||
|
||||
|
||||
|
||||
In neuem Issue referenzieren
Einen Benutzer sperren