piskvorky/gensim

WikiCorpus.filter_wiki/remove_markup don't remove heading-markup

Open

#2,561 建立於 2019年7月26日

在 GitHub 查看
 (8 留言) (0 反應) (0 負責人)Python (15,144 star) (4,349 fork)batch import
Hacktoberfestbugdifficulty mediumgood first issuehelp wantedimpact LOWreach LOW

描述

Problem description

I am trying to get clean wiki texts. But still getting headings markup.

Steps/code/corpus to reproduce

Just create WikiCorpus and call get_texts. Some texts will contain ==headings== (different number of = and different headings, of course). Simple test-case:

>>> import gensim.corpora.wikicorpus
>>> print(gensim.corpora.wikicorpus.filter_wiki('===heading==='))
===heading===

Versions

Python 3.7.4 (default, Jul 13 2019, 14:04:11) 
[GCC 8.3.0]
NumPy 1.16.4
SciPy 1.3.0
gensim 3.8.0
FAST_VERSION 1

貢獻者指南

技術棧
python
領域
data
議題類型
bug
難度面向新貢獻者的預計實作難度，1 表示很小改動，5 表示專家級工作。
3
預計時間有經驗貢獻者完成調查、實作、測試並準備 pull request 的粗略時間範圍。
1-3 hours
活動狀態議題目前的可參與程度：新鮮、活躍、陳舊、阻塞或等待維護者輸入。
stale
清晰度議題是否清楚說明預期改動、驗收標準和下一步。
clear
前置要求
Pythonregular expressions
新手友善度1-100 的估計分數，表示該議題對首次貢獻者的友善程度。
75
研究方向
The bug is in the `filter wiki` function in `gensim/corpora/wikicorpus.py`. Currently, the regex pattern for removing headings (e.g., `===heading===`) might be missing or incorrect. Investigate the existing regex patterns for wiki markup removal and add or correct the pattern to strip heading markers. Test with the provided example and ensure existing tests still pass.