-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathTokenizeDe.l
537 lines (485 loc) · 26.1 KB
/
TokenizeDe.l
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
/* -*- coding: utf-8; -*- */
/* TokenizeDe.l -- definitions for German */
/* iso-8859-1 */
/* cp1252 */
/* run through a filter to discriminate charsets */
%{
#include <string.h>
#include "Tokenizer.h"
#include "TokenizerLexer.h"
%}
%option 8bit batch noyywrap
/**** character classes for iso-8859-1 (latin-1) ****/
/**** and cp1252 (Windows) ****/
/**** and utf-8 ****/
LETTER_UC [A-ZÀÁÂÃÄÅÆÇÈÉÊËÌÍÎÏÐÑÒÓÔÕÖØÙÚÛÜÝÞ] /* ####filter: iso-8859-1#### */
LETTER_UC [A-ZÀÁÂÃÄÅÆÇÈÉÊËÌÍÎÏÐÑÒÓÔÕÖØÙÚÛÜÝÞŠŒŽŸ] /* ####filter: cp1252#### */
LETTER_UC ([A-Z]|À|Á|Â|Ã|Ä|Å|Æ|Ç|È|É|Ê|Ë|Ì|Í|Î|Ï|Ð|Ñ|Ò|Ó|Ô|Õ|Ö|Ø|Ù|Ú|Û|Ü|Ý|Þ|Ě|Š|Č|Ř|Ž|Ů|Ł) /* ####filter: utf-8#### */
LETTER_LC [a-zßàáâãäåæçèéêëìíîïðñòóôõöøùúûüýþÿ] /* ####filter: iso-8859-1#### */
LETTER_LC [a-zßàáâãäåæçèéêëìíîïðñòóôõöøùúûüýþÿšœž] /* ####filter: cp1252#### */
LETTER_LC ([a-z]|ß|à|á|â|ã|ä|å|æ|ç|è|é|ê|ë|ì|í|î|ï|ð|ñ|ò|ó|ô|õ|ö|ø|ù|ú|û|ü|ý|þ|ÿ|ě|š|č|ř|ž|ů|ł) /* ####filter: utf-8#### */
LETTER ({LETTER_UC}|{LETTER_LC})
CHAR . /* ####filter: iso-8859-1#### */
CHAR . /* ####filter: cp1252#### */
CHAR ([\xc0-\xdf].|[\xe0-\xef]..|[\xf0-\xf7]...|[\xf8-\xfb]....|[\xfc-\xfd].....|.) /* ####filter: utf-8#### */
DIGIT [0-9]
HSPACE [\x20\x09\xa0] /* ####filter: iso-8859-1#### */
HSPACE [\x20\x09\xa0] /* ####filter: cp1252#### */
HSPACE ([\x20\x09]|\xc2\xa0) /* ####filter: utf-8#### */
/* normalize also non-breaking space */
VSPACE [\x0a-\x0d]
NEWLINE [\x0a\x0c\x0d]
SPACE ({HSPACE}|{VSPACE})
#define _EQUAL_SPACE_(c) (c=='\x20'||(c>='\x0a'&&c<='\x0d')||c=='\x09'||c=='\xa0')
/* o.k. for iso-8859-1, cp1252 */
CONTR [\x00-\x1f\x7f-\x9f] /* ####filter: iso-8859-1#### */
CONTR [\x00-\x1f] /* ####filter: cp1252#### */
CONTR [\x00-\x1f] /* ####filter: utf-8#### */
NO_SPACECONTR [^\x20\x09\xa0\x0a-\x0d\x00-\x1f\x7f-\x9f] /* ####filter: iso-8859-1#### */
NO_SPACECONTR [^\x20\x09\xa0\x0a-\x0d\x00-\x1f] /* ####filter: cp1252#### */
NO_SPACECONTR [^\x20\x09\x0a-\x0d\x00-\x1f] /* ####filter: utf-8#### */
SOFTHYPHEN \xad
HYPHEN [-{SOFTHYPHEN]
#define _EQUAL_HYPHEN_(c) (c == '-' || c == '\xad')
#define _EQUAL_REAL_HYPHEN_(c) (c == '-')
/**** DEFINITIONS FOR END-OF-SENTENCE DETECTION ****/
EOS_PUNCT [.!?]
#define _IS_EOS_PUNCT_(c) (c == '.' || c == '!' || c == '?')
ALL_EXCEPT_EOS_PUNCT [^.!?]
EOS_ADD [\'\"\)\]\}>«»] /* ####filter: iso-8859-1#### */
EOS_ADD [\'\"\)\]\}>«»‹›“”‘’] /* ####filter: cp1252#### */
EOS_ADD ([\'\"\)\]\}>]|«|»|‹|›|“|”|‘|’) /* ####filter: utf-8#### */
/* \xbb = '»' ; cp1252 only: '›' and [“”‘’]*/
BOS_ADD [\(\[\{<\"\'`»«¡¿] /* ####filter: iso-8859-1#### */
BOS_ADD [\(\[\{<\"\'`»«›‹„‚“”‘’¡¿] /* ####filter: cp1252#### */
BOS_ADD ([\(\[\{<\"\'`]|»|«|›|‹|„|‚|“|”|‘|’|¡|¿) /* ####filter: utf-8#### */
/* \xa1 = '¡', \xbf = '¿' */
/* \xab = '«' ; cp1252 only: [„‚“”‘’] */
BOS_MARK ({BOS_ADD}*({LETTER_UC}|{DIGIT}))
BOS_INDIC ({BOS_ADD}*((D(as|e[mnrs]|ie(se[mnrs]?|[s])?)|(Jene|Welche)[mnrs]?)|(A(ls|n(hand|s)|u(fs|ßer|[fs])|[bmn])|B(eim?|is)|D(a(mit|ss|ß)|e(nn|ren)|urchs?)|E(ntweder|s)|Für|Gegen|H(i(er|nter))|Ins?|Je|Mit|N(ach|eben)|O(b(wohl)?|der|hne)|S(eit|owohl|tatt)|U(m|nd)|Vo[mnr]|We(gen|il)|Zu[mr]|Über|À)){SPACE})
/* Words which are typically at the beginning of a sentence (capitalized, of course): */
/* der den das des die dem der deren den das des die dem dies dieses diese diesen diesem dieser dies dieses diese diesen diesem dieser es jenes jene jenen jenem jener welches welchem welche welchen welcher */
/* à ab als am an anhand ans auf aufs aus außer bei beim bis damit dass daß denn durch durchs entweder für gegen hier hinter in ins je mit nach neben ob obwohl der ohne seit sowohl statt über um und vom von vor wegen weil zum zur */
/* Make sure that BOS_INDIC is not recognized as prefix of another word! */
OTHER_PUNCT [,;·] /* ####filter: iso-8859-1#### */
OTHER_PUNCT [,;·…†‡¶–—] /* ####filter: cp1252#### */
OTHER_PUNCT [,;] /* ####filter: utf-8#### */
/* \xb7 = '·' (middle dot) ; other: cp1252 only */
PUNCT ({EOS_PUNCT}|{EOS_ADD}|{BOS_ADD}|{OTHER_PUNCT})
/**** and exceptions: points or other BOS_MARKs that (usually) are not EOS marks ****/
PS (\.{SPACE}*)
ROMAN_NUMBER_UC_M (M{1,2})
ROMAN_NUMBER_UC_C (C{1,3}|CD|DC{1,3}|CM)
ROMAN_NUMBER_UC_X (X{1,3}|XL|LX{1,3}|XC)
ROMAN_NUMBER_UC_I (I{1,3}|IV|VI{1,3}|IX)
ROMAN_NUMBER_UC ({ROMAN_NUMBER_UC_M}({ROMAN_NUMBER_UC_C})?({ROMAN_NUMBER_UC_X})?({ROMAN_NUMBER_UC_I})?|{ROMAN_NUMBER_UC_C}({ROMAN_NUMBER_UC_X})?({ROMAN_NUMBER_UC_I})?|{ROMAN_NUMBER_UC_X}({ROMAN_NUMBER_UC_I})?|{ROMAN_NUMBER_UC_I})
ROMAN_NUMBER_LC_M (m{1,2})
ROMAN_NUMBER_LC_C (c{1,3}|cd|dc{1,3}|cm)
ROMAN_NUMBER_LC_X (x{1,3}|xl|lx{1,3}|xc)
ROMAN_NUMBER_LC_I (i{1,3}|iv|vi{1,3}|ix)
ROMAN_NUMBER_LC ({ROMAN_NUMBER_LC_M}({ROMAN_NUMBER_LC_C})?({ROMAN_NUMBER_LC_X})?({ROMAN_NUMBER_LC_I})?|{ROMAN_NUMBER_LC_C}({ROMAN_NUMBER_LC_X})?({ROMAN_NUMBER_LC_I})?|{ROMAN_NUMBER_LC_X}({ROMAN_NUMBER_LC_I})?|{ROMAN_NUMBER_LC_I})
ROMAN_NUMBER ({ROMAN_NUMBER_UC}|{ROMAN_NUMBER_LC})
ORDINAL (({DIGIT}{1,3}|{ROMAN_NUMBER})\.)
DATE_DAY (([012]?[0-9]|3[01]))
WORD_MONTH (Jan(\.?|uar)|Feb(r?\.?|ruar)|Mär(\.?|z)|Apr(\.?|il)|Mai|Jun(\.?|i)|Jul(\.?|i)|Aug(\.?|ust)|Sep(t?\.?|tember)|Okt(\.?|ober)|Nov(\.?|ember)|Dez(\.?|ember))
DATE_MONTH_ROMAN (i{1,3}|iv|vi{0,3}|ix|xi{0,2}|I{1,3}|IV|VI{0,3}|IX|XI{0,2})
DATE_MONTH_NUM (0?[1-9]|1[012])
DATE_MONTH ({WORD_MONTH}|{DATE_MONTH_NUM}\.|{DATE_MONTH_ROMAN}\.)
DATE_YEAR ([1-9][0-9]{0,3}|0[0-9]|{ROMAN_NUMBER})
DATE_YEAR_POSTCLASS (([vn]{PS}(Chr|u{PS}Z)|B{PS}P)\.)
DATE_QUART ([1-4]{PS}Quar(t?\.|tal)({SPACE}*{DATE_YEAR})?)
DATE_CENT ({ORDINAL}{SPACE}*(Jahr(hundert|tausend)[s]?|(Jh|Jt)\.))
DATE (({DATE_DAY}{PS}{DATE_MONTH}{SPACE}*{DATE_YEAR}({SPACE}*{DATE_YEAR_POSTCLASS})?)|({DATE_DAY}{PS}{DATE_MONTH})|({DATE_YEAR}{SPACE}*{DATE_YEAR_POSTCLASS})|{DATE_QUART}|{DATE_CENT})
ABBR_WITH_POINT (A(b(zgl|[bst])|llg(em)?|m(er(ikan)?|tl)|n(schl|[hklm])|pp|r(ab|t)|ufl|[dz])|B(de|e(il|s({PS}G|t{PS}-{SPACE}*N|G)r|tr|[sz])|osn|rit|sd|ulgar|z(gl|w)|[dw])|Ca(nd)?|D(gl|i(p({PS}-{SPACE}*In[fg]|l{PS}(In[fg]|-{SPACE}*In[fg])|l)|[pr])|oz|r{PS}([Jj]ur|med|phil|rer{PS}nat|theol)|än|[rt])|E(hem|i(dg|gtl|nschl)|n(gl|tspr)|rb|stn|vtl|x[kp]l|[dv])|F(am|i(nn|g)|o(lg|rts)|r(anz|[lz])|[afr])|G(e(br|gr|s(ch|t)|[bkswz])|gfs?|riech|r)|H(ann|ebr|ins|oll(änd)?|r(sg|n)|[gr])|I(n(cl|kl|[cfgh])|sländ|tal)|J(hrl|ur)|K(a(th|ufm|p)|f[mz]|roat|to|l)|L(f(rg|[dg])|t[dg]|uth|t)|M(ax|dl|ech|i(ll|tw|[no])|od|r[ds]|tl|öbl|[rs])|N(orweg|äml|[or])|O(bb|ffiz|rth|d)|P(ers|fd|kt|o(ln|rtug)|pa|r(iv{PS}(-{SPACE}*)?Doz|o[fv])|[lp])|Qualif|R(e(g{PS}-{SPACE}*Bez|sp|[lp])|uss|öm|[dk])|S(chwed|erb|lowen|pan|t(ud|ädt|[er])|t)|T(ab|el|gl|schech|ägl|ürk)|Ungar|V(er(g({PS})?Gr|[fhlw])|glb?|o(r[ms]|l))|W(dh(lg)?|hg|z)|Z({PS}B|eitgen|t(schr|g)|u(zgl|[rs])|zgl|[iw])|a({PS}[do]|bzgl|llg(em)?|m(er(ikan)?|tl)|nschl|rab|d)|b(e(il|s)|osn|rit|sd|ulgar|z(gl|w))|ca(nd)?|d({PS}[hi]|gl|än|t)|e({PS}[Vh]|hem|i(dg|gtl|nschl)|n(gl|tspr)|rb|stn|vtl|xkl|[dv])|f(i(nn|g)|olg|r(an)?z|[fr])|g(e(gr|s(ch|t)|[bksz])|gfs?|riech|r)|h({PS}c|ebr|ins|oll(änd)?|rsg|g)|i({PS}(allg|[ADVbd])|n[ck]l|sländ|tal)|j(hrl|ur)|k(a(th|ufm)|fm|roat)|l(fd|td|uth|t)|m({PS}[EW]|ax|dl|ech|in|od|tl|öbl)|n(orweg|äml)|o({PS}[dgä]|ffiz|rth|d)|p({PS}A(dr)?|ers|o(ln|rtug)|pa|p)|qualif|r({PS}-{SPACE}*k|e(r{PS}nat|sp)|uss|öm|[dk])|s({PS}u|chwed|erb|lowen|pan|t(ud|ädt))|t(ab|gl|schech|ägl|ürk)|u({PS}[ad]|ngar)|v(er[hw]|glb?|orm)|z({PS}(Hd|Zt|[BHTZb])|eitgen|u(zgl|[rs])|zgl|w)|(Ö|ö)sterr|{LETTER})
ABBR_WITHOUT_POINT (C[oO]{PS}KG|Y(ahoo)?\!)
/* the abbreviations are literally:
a. an/am
Abb. Abbildung
Abs. Absatz
Abt. Abteilung
abzgl. abzüglich
a.d. an der: Freising an der Isar
ad. an der: Freising an der Isar
allg. allgemein
allgem. allgemein
amer. amerikanisch
amerikan. amerikanisch
amtl. amtlich
Anh. Anhang
Ank. Ankunft
Anl. Anlage
Anm. Anmerkung
anschl. anschließend
a.o. außerordentlicher
App. Apparat
arab. arabisch
Art. Artikel
Aufl. Auflage
Az. Aktenzeichen
b. bei
Bd. Band
Bde. Bände
beil. beiliegend
bes. besonders
Bes.Gr. Besoldungsgruppe
BesGr. Besoldungsgruppe
Best.-Nr. Bestellnummer
Betr. Betreff
Bez. Bezeichnung
Bez. Bezirk
bosn. bosnisch
brit. britisch
bsd. besonders
bulgar. bulgarisch
Bw. Bundeswehr
bzgl. bezüglich
bzw. beziehungsweise
ca. circa
cand. Kandidat
C[oO].KG Co. KG
dän. dänisch
d. der/die/das
dgl. dergleichen, desgleichen
d.h. das heißt
d.i. das ist
Dip. Diplom
Dip.-Inf. Diplominformatiker
Dip.-Ing. Diplomingenieur
Dipl. Diplom
Dipl.-Inf. Diplominformatiker
Dipl.Inf. Diplominformatiker
Dipl.-Ing. Diplomingenieur
Dipl.Ing. Diplomingenieur
Dir. Direktion
Dir. Direktor
Doz. Dozent
Dr. Doktor
Dr.[Jj]ur. Doktor der Rechte
Dr.med. Doktor der Medizin
Dr.phil. Doktor der Philosophie
Dr.rer.nat. Doktor der Naturwissenschaften
Dr.theol. Doktor der Theologie
dt. deutsch
Ed. Edition, Ausgabe
ed. hat herausgegeben
e.h. ehrenhalber
ehem. ehemals
eidg. eidgenössisch
eigtl. eigentlich
einschl. einschließlich/einschlägig
engl. englisch
entspr. entsprechend
erb. erbaut
estn. estnisch
e.V. eingetragener Verein
ev. Evangelisch
evtl. Eventuell
exkl. Exklusive
Expl. Exemplar
Fa. Firma
Fam. Familie
ff. folgende
f. folgend
Fig. Figur
fig. figurativ
finn. finnisch
folg. Folgend
Forts. Fortsetzung
franz. französisch
fr. französisch
Fr. Frau
Frl. Fräulein
frz. französisch
frz. Französisch
geb. geboren, geborene
geb. gebunden
Gebr. Gebrüder
gegr. Gegründet
gek. Gekürzt
gesch. geschieden/geschützt
Ges. Gesellschaft/Gesetz
ges. gesetzlich
gest. gestorben
Gew. Gewicht
gez. Gezeichnet
ggf. gegebenenfalls
ggfs. gegebenenfalls
gr. griechisch
griech. griechisch
Hann. Münden Hannoversch Münden
h.c. ehrenhalber
hebr. hebräisch
Hg. Herausgeber
hg. herausgegeben
hins. Hinsichtlich
holländ. holländisch
holl. holländisch
Hr. Herr
Hrn. Herrn
Hrsg. Herausgeber
hrsg. herausgegeben
i.A. im Auftrag
i.allg. im allgemeinen
i.b. im besonderen
i.D. im Dienst/im Durchschnitt
i.d. in der
i. in/im
Inc. Incorporated
incl. Inklusive
Inf. Informatiker
Ing. Ingenieur
Inh. Inhaber
Inh. Inhalt
inkl. Inklusive
isländ. isländisch
ital. italienisch
i.V. in Vertretung/in Vorbereitung
jhrl. Jährlich
jur. juristisch
Kap. Kapitel
kath. Katholisch
kaufm. kaufmännisch
Kfm. Kaufmann
kfm. kaufmännisch
kfm. Kaufmännisch
Kfz. Kraftfahrzeug
Kl. Klasse
kroat. kroatisch
Kto. Konto
lfd. laufend
Lfg. Lieferung
Lfrg. Lieferung
l. links
ltd. leitend
Ltg. Leitung
lt. laut
Lt. laut
luth. lutherisch
max. maximal
mdl. mündlich
mech. mechanisch
m.E. meines Erachtens
Mill. Million
Min. Minute
min. Minute/minimal
Mio. Million
Mitw. Mitwirkung
möbl. möbliert
mod. modern
Mrd. Milliarde
Mr. Mister
Mrs. Mistress
Ms. Misses
mtl. monatlich
m.W. meines Wissens
näml. nämlich
n. nach
No. Nummer
norweg. norwegisch
Nr. Nummer
o.ä. oder ähnliche
o.d. ob der
Obb. Oberbayern
od. oder
offiz. offiziell
o.g. oben genannt
o. ob/oben/oder/ohne
orth. orthodox
österr. österreichisch
p.Adr. per Adresse
p.A. per Adresse
pers. persönlich
Pfd. Pfund
Pkt. Punkt
Pl. Platz
poln. polnisch
portug. portugiesisch
ppa. per Prokura
pp. per Prokura
Priv.-Doz. Privatdozent
Priv.Doz. Privatdozent
Prof. Professor
Prov. Provinz
qualif. qualifiziert
rd. rund
Reg.-Bez. Regierungsbezirk
Rel. Religion
Rep. Republik
rer.nat. Naturwissenschaften
resp. respektive
r.-k. römisch-katholisch
rk. römisch-katholisch
röm. römisch
r. rechts
russ. russisch
schwed. schwedisch
serb. serbisch
slowen. slowenisch
span. spanisch
s. siehe
städt. städtisch
Ste. Sainte
Str. Straße
St. Sankt
stud. Student
s.u. siehe unten
tab. tabellarisch
tägl. täglich
Tel. Telefon
tgl. täglich
tschech. tschechisch
türk. türkisch
u.a. und andere/unter anderem
u.d. unter der
ungar. ungarisch
u. und
u. unter
ü. über
Verf. Verfasser
Verg.Gr. Vergütungsgruppe
VergGr. Vergütungsgruppe
verh. verheiratet
Verl. Verlag
verw. verwitwet
vglb. vergleichbar
vgl. vergleiche
Vol. volume/Band
vorm. vormittags/vormals
Vors. Vorsitzende
V. Vers
Wdhlg. Wiederholung
Wdh. Wiederholung
Whg. Wohnung
Wz. Warenzeichen/Wasserzeichen
Yahoo! Yahoo (Firmenname)
Y! Yahoo (Firmenname)
z.b. zum Beispiel
z.B. zum Beispiel
Z.B. zum Beispiel
zeitgen. zeitgenössisch
z.Hd. zu Händen
z.H. zu Händen
Zi. Zimmer/Ziffer
Ztg. Zeitung
Ztschr. Zeitschrift
z.T. zum Teil
zur. zurück
zus. zusammen
zuzgl. zuzüglich
zw. zwischen
Z. Zeile/Zahl
zzgl.
zzgl. zuzüglich
z.Zt. zur Zeit
z. zu, zum, zur
z.Z. zur Zeit
*/
DOCTOR_ADD (agr|des|disc{PS}pol|e{PS}h|em|emer|habil|h{PS}c|iur|iur{PS}can|iur{PS}utr|med|med{PS}dent|med{PS}univ|med{PS}vet|mont|mult|nat{PS}techn|oec|oec{PS}publ|oec{PS}troph|paed|pharm|phil|phil{PS}fac{PS}theol|phil{PS}nat|rer{PS}agr|rer{PS}biol{PS}hum|rer{PS}biol{PS}vet|rer{PS}cam|rer{PS}comm|rer{PS}cult|rer{PS}cur|rer{PS}forest|rer{PS}hort|rer{PS}medic|rer{PS}merc|rer{PS}mil|rer{PS}mont|rer{PS}nat|rer{PS}oec|rer{PS}physiol|rer{PS}pol|rer{PS}publ|rer{PS}sec|rer{PS}silv|rer{PS}soc|rer{PS}soc{PS}oec|rer{PS}techn|sc|scient{PS}med|sc{PS}agr|sc{PS}hum|sc{PS}math|sc{PS}nat|sc{PS}pol|sc{PS}rer{PS}omn|techn|theol|troph)
DOCTORES ((Dr|DDr|Dres|Dr-Ing|Dr{PS}-Ing|Ph{PS}?D)({PS}{DOCTOR_ADD})*)
SUFFIX_WITH_POINT (-?([Ss]tr|[Pp]l))
ABBR ({ABBR_WITHOUT_POINT}|({LETTER_UC}|{WORD}{SUFFIX_WITH_POINT}|{DOCTORES}|{ABBR_WITH_POINT})\.)
/**** DEFINITIONS OF TOKENS ****/
WORD ({LETTER}+("-"{LETTER}+)*)
/* includes also Binde-strich-woerter */
NUMBER ({DIGIT}+)
FNUMBER ({DIGIT}+([,\.]{DIGIT}+)?)
/**** internet and e-mail adresses ****/
WWW_VALID [A-Za-z0-9_-]
WWW_HOST ({WWW_VALID}+(\.{WWW_VALID}+)+)
WWW_PROT ((https?|ftps?|file|news):\/\/)
WWW_ADR ({WWW_PROT}|www\.){WWW_HOST}(\/{NO_SPACECONTR}+({WWW_VALID}|[\/]))?
EMAIL_USER ({WWW_VALID}+(\.{WWW_VALID}+)*)
EMAIL ((mailto:)?{EMAIL_USER}@{WWW_HOST})
WWW ({WWW_ADR}|{EMAIL})
/**** exceptions to hyphenated words, i.e. words including a hyphen ****/
/**** make sure that there is a {HP} in every word, or tokenizer will hang !!! ****/
HP {HYPHEN}{HSPACE}*{NEWLINE}{HSPACE}*
HYPH_LEX1 B{HP}to{HP}B|Mund{HP}zu{HP}Mund{HP}Propaganda|Stand{HP}by{HP}Betrieb|Ad{HP}hoc|vhs{HP}ed|Park{HP}and|Wohn{HP}und|Turn{HP}around|Fast{HP}food|halbe{HP}halbe|Aix{HP}en{HP}Provence|Port{HP}au{HP}Prince|[Ee]{HP}commerce|Park{HP}and{HP}Ride|Park{HP}and{HP}ride|Play{HP}off{HP}Runde|Podbielski{HP}allee|Duty{HP}free|Park{HP}and{HP}Ride{HP}Anlage|Park{HP}and{HP}ride{HP}Anlage|Geld{HP}zurück{HP}Garantie|Call{HP}a{HP}bike|Play{HP}off{HP}Viertelfinale|Just{HP}in{HP}time|schwarz{HP}rot{HP}goldene|t{HP}online|Varennes{HP}en{HP}Argonne|Laisser{HP}faire|Laissez{HP}faire|Joint{HP}venture|[Ee]{HP}mail{HP}Adresse|Dun{HP}sur{HP}Meuse|Musica{HP}viva{HP}Konzerte|Open{HP}air{HP}Konzerte|Fast{HP}food{HP}Kette|Tête{HP}à{HP}tête|Shareholder{HP}value|liberal{HP}konservative|HIV{HP}positive|Park{HP}and{HP}ride{HP}Plätze|Spin{HP}off|Play{HP}off|Masar{HP}i{HP}Scharif|Do{HP}it{HP}yourself|Best{HP}of|Kopf{HP}an{HP}Kopf|Rechts{HP}vor{HP}Links{HP}Regelung|Rechts{HP}vor{HP}links{HP}Regelung|Ad{HP}hoc{HP}Mitteilung|Mund{HP}zu{HP}Mund{HP}Beatmung|Tse{HP}tung|High{HP}tech|B{HP}to{HP}B{HP}Bereich|Business{HP}to{HP}Business{HP}Bereich|römisch{HP}katholisch|griechisch{HP}römisch|Sowohl{HP}als{HP}auch|BSE{HP}frei|Hesb{HP}i{HP}Islami|Tie{HP}break|Nacht{HP}a{HP}Rock|ruck{HP}zuck|x{HP}mal|heute{HP}journal|Open{HP}air{HP}Festival|Katz{HP}und{HP}Maus{HP}Spiel|Frage{HP}und{HP}Antwort{HP}Spiel|[Ee]{HP}mail|Call{HP}by{HP}Call|[acdefgh]{HP}moll|a{HP}moll|c{HP}moll|d{HP}moll|e{HP}moll|f{HP}moll|g{HP}moll|h{HP}moll|Swimming{HP}pool|Berg{HP}am{HP}Laim
HYPH_LEX2 Science{HP}fiction{HP}Film|Best{HP}of{HP}Programm|Shui{HP}bian|Unser{HP}aller{HP}Welt{HP}Laden|Einsendun{HP}gen|Park{HP}and{HP}Ride{HP}Anlagen|Ad{HP}hoc{HP}Mitteilungen|Au{HP}pair{HP}Mädchen|PS{HP}starken|Start{HP}up{HP}Unternehmen|Start{HP}up{HP}Firmen|schwarz{HP}rot{HP}goldenen|Kopf{HP}an{HP}Kopf{HP}Rennen|SPD{HP}internen|Sie{HP}und{HP}Er{HP}Turnen|Break{HP}even|bürgerlich{HP}konservativen|liberal{HP}konservativen|HIV{HP}positiven|Check{HP}in|sz{HP}magazin|Motoren{HP}und{HP}Turbinen{HP}Union|Science{HP}fiction|Nacht{HP}und{HP}Nebel{HP}Aktion|Taekwon{HP}do|Open{HP}air{HP}Kino|i{HP}camp|Shop{HP}in{HP}Shop|second{HP}hand{HP}shop|non{HP}stop|Make{HP}up|Check{HP}up|Pick{HP}up|Park{HP}up|Warm{HP}up|Start{HP}up|gegen{HP}über|Know{HP}how{HP}Transfer|Tour{HP}de{HP}France{HP}Sieger|Check{HP}in{HP}Schalter|Prêt{HP}à{HP}porter|süß{HP}sauer|Stop{HP}and{HP}go{HP}Verkehr|Open{HP}air|Au{HP}pair|sixty{HP}four|Rush{HP}hour|Chaux{HP}de{HP}Fonds|Joint{HP}ventures|Spin{HP}offs|Play{HP}offs|Déjà{HP}vu{HP}Erlebnis|Midlife{HP}crisis|vis{HP}a{HP}vis|[Vv]is{HP}à{HP}vis|[Ee]{HP}mails|Dot{HP}coms|Pick{HP}ups|Pin{HP}ups|Start{HP}ups|Internet{HP}Start{HP}ups|co{HP}stars|Open{HP}airs|Au{HP}pairs|Business{HP}to{HP}Business|vario{HP}press|RTL{HP}plus|[Ee]{HP}plus|Rendez{HP}vous|Know{HP}hows|Give{HP}aways|Arbeiter{HP}und{HP}Bauern{HP}Staat|Unser{HP}aller{HP}Welt|Pop{HP}art|Open{HP}air{HP}Konzert|mega{HP}out|Coming{HP}out|Ad{HP}hoc{HP}Publizität|Peter{HP}u|Port{HP}au|Déjà{HP}vu|Hann{HP}v|HIV{HP}positiv|n{HP}tv|Pay{HP}per{HP}View|Pay{HP}per{HP}view|Know{HP}how|Cash{HP}flow|d{HP}box|Stand{HP}by|[Ff]ifty{HP}fifty|bonn{HP}sequenz|Park{HP}and{HP}Ride{HP}Platz|Park{HP}and{HP}ride{HP}Platz
HYPH_LEX3 (rot{HP}gelb|blau{HP}gelb|schwarz{HP}gelb|neblig{HP}trüb|x{HP}beliebig|spanisch{HP}sprachig|L{HP}förmig|IRA{HP}nah|SPD{HP}nah|CDU{HP}nah|CSU{HP}nah|feucht{HP}fröhlich|politisch{HP}gesellschaftlich|technisch{HP}wissenschaftlich|mathematisch{HP}naturwissenschaftlich|[Öö]ffentlich{HP}rechtlich|nicht{HP}öffentlich|jüdisch{HP}christlich|west{HP}östlich|israelisch{HP}arabisch|saudi{HP}arabisch|bosnisch{HP}serbisch|schwul{HP}lesbisch|britisch{HP}indisch|christlich{HP}abendländisch|britisch{HP}niederländisch|deutsch{HP}niederländisch|türkisch{HP}kurdisch|christlich{HP}jüdisch|deutsch{HP}jüdisch|nicht{HP}jüdisch|asiatisch{HP}pazifisch|medizinisch{HP}psychologisch|mechanisch{HP}biologisch|baden{HP}württembergisch|bayerisch{HP}tschechisch|deutsch{HP}tschechisch|bayerisch{HP}österreichisch|deutsch{HP}österreichisch|türkisch{HP}irakisch|iranisch{HP}irakisch|deutsch{HP}tschechoslowakisch|deutsch{HP}türkisch|rhythmisch{HP}musikalisch|[Ll]iterarisch{HP}musikalisch|geistig{HP}moralisch|politisch{HP}moralisch|arabisch{HP}israelisch|palästinensisch{HP}israelisch|deutsch{HP}israelisch|anti{HP}israelisch|pro{HP}israelisch|deutsch{HP}englisch|römisch{HP}katholisch|nordrhein{HP}westfälisch|arabisch{HP}islamisch|radikal{HP}islamisch|biologisch{HP}dynamisch|tänzerisch{HP}rhythmisch|bosnisch{HP}muslimisch|sozio{HP}ökonomisch|griechisch{HP}römisch|kosovo{HP}albanisch|israelisch{HP}jordanisch|russisch{HP}aserbaidschanisch|tadschikisch{HP}afghanisch|US{HP}amerikanisch|australisch{HP}amerikanisch|japanisch{HP}amerikanisch|chinesisch{HP}amerikanisch|russisch{HP}amerikanisch|britisch{HP}amerikanisch|europäisch{HP}amerikanisch|deutsch{HP}amerikanisch|anti{HP}amerikanisch|anglo{HP}amerikanisch|afro{HP}amerikanisch|deutsch{HP}japanisch|irakisch{HP}iranisch|deutsch{HP}iranisch|pro{HP}iranisch|französisch{HP}italienisch|deutsch{HP}italienisch|gewerblich{HP}technisch)(e[rsnm]?)?
HYPH_LEX4 (wissenschaftlich{HP}technisch|naturwissenschaftlich{HP}technisch|medizinisch{HP}technisch|multi{HP}ethnisch|schleswig{HP}holsteinisch|serbisch{HP}montenegrinisch|sachsen{HP}anhaltinisch|[Dd]eutsch{HP}polnisch|slawisch{HP}mazedonisch|deutsch{HP}dänisch|nicht{HP}olympisch|österreichisch{HP}ungarisch|deutsch{HP}ungarisch|[Ee]vangelisch{HP}lutherisch|königlich{HP}bayerisch|schwedisch{HP}schweizerisch|deutsch{HP}schweizerisch|pro{HP}irisch|[Pp]olitisch{HP}historisch|israelisch{HP}syrisch|deutsch{HP}chinesisch|pro{HP}indonesisch|israelisch{HP}palästinensisch|jordanisch{HP}palästinensisch|amerikanisch{HP}russisch|deutsch{HP}russisch|pro{HP}russisch|britisch{HP}französisch|[Dd]eutsch{HP}französisch|serbisch{HP}kroatisch|muslimisch{HP}kroatisch|bosnisch{HP}kroatisch|freiheitlich{HP}demokratisch|christlich{HP}demokratisch|deutsch{HP}sowjetisch|historisch{HP}politisch|niederländisch{HP}britisch|amerikanisch{HP}britisch|deutsch{HP}britisch|pro{HP}britisch|historisch{HP}kritisch|euro{HP}atlantisch|klassisch{HP}romantisch|islamisch{HP}fundamentalistisch|marxistisch{HP}leninistisch|ex{HP}kommunistisch|rheinland{HP}pfälzisch|mecklenburg{HP}vorpommersch|französisch{HP}deutsch|[Dd]eutsch{HP}deutsch|christlich{HP}sozial|ökologisch{HP}sozial|psycho{HP}sozial|bürgerlich{HP}liberal|christlich{HP}liberal|sozial{HP}liberal|konservativ{HP}liberal|militärisch{HP}industriell|schaurig{HP}schön|Rot{HP}grün|[Rr]ot{HP}grün|rot{HP}grün|schwarz{HP}grün|x{HP}t|berühmt{HP}berüchtigt|EG{HP}weit|EU{HP}weit|[Gg]elb{HP}rot|grün{HP}rot|rot{HP}rot|schwarz{HP}rot|nicht{HP}behindert|SPD{HP}regiert|CDU{HP}regiert|CSU{HP}regiert|SPD{HP}dominiert|HIV{HP}infiziert|SPD{HP}geführt|US{HP}geführt|CDU{HP}geführt|CSU{HP}geführt|EDV{HP}gestützt|gelb{HP}blau|rot{HP}blau|[Ww]eiß{HP}blau|ultra{HP}orthodox|serbisch{HP}orthodox|griechisch{HP}orthodox|syrisch{HP}orthodox|russisch{HP}orthodox|gelb{HP}schwarz|rot{HP}schwarz|grün{HP}weiß|rot{HP}weiß|blau{HP}weiß|[Ss]chwarz{HP}weiß|schwarz{HP}weiß)(e[rsnm]?)?
HYPH_LEX ({HYPH_LEX1}|{HYPH_LEX2}|{HYPH_LEX3}|{HYPH_LEX4})
HYPH_WORDS ({LETTER_UC}{LETTER}+({HP}{LETTER}+)*{HP}(Straße|Str.|Pl.|Ring|(S|(Musik|Haupt|Real|Sonder)s)chule|Gymnasiums?|Uni(versität)?|Kaserne|Museum))
/** yes it works, having a exclude-lexicon: the lines should not be too long **/
/** but the scanners becomes very big (4 times) and about 3% slower with the lexicon abow **/
/* HYPH_WORD ({HYPH_WORDS}|{HYPH_LEX}) */
/** so we don't use it **/
HYPH_WORD {HYPH_WORDS}
/* STATES used */
%s contHyph EOScontHyph EOS WWW contHyphWWW EOScontHyphWWW EOSWWW
%x testEOS noEOS tokenizeOneToken
%%
_TEST_IF_OPTIONS_SET_
/**** hyphenated words: ****/
<contHyph,EOScontHyph,contHyphWWW,EOScontHyphWWW>{
{HYPH_WORD} { _UNPUT_COMBINED_BS_WORD_ }
{WORD}{SOFTHYPHEN}/{WORD} { _UNPUT_WORD_WITHOUT_LAST_CHAR_ }
{WORD}{HYPHEN}{HSPACE}*{NEWLINE}{HSPACE}*/{LETTER_LC} { _UNPUT_WORD_WITHOUT_HYPHEN_ }
}
/* www adresses */
<WWW,contHyphWWW,EOScontHyphWWW,EOSWWW>{
{WWW}/{PUNCT} return TOK_WWW;
/* exclude ')' etc. at the end of an www adress */
{WWW} return TOK_WWW;
}
/**** rules relevant only for EOS detection: ****/
<EOS,EOScontHyph,EOSWWW,EOScontHyphWWW>{
/* exclude short snippets in parenthesis, esp. "(!)" or "(?)" */
/* (an expensive rule) */
({WORD}|{NUMBER}){SPACE}+"("({ALL_EXCEPT_EOS_PUNCT}{1,40}{EOS_PUNCT}.{0,40}|[!?]+)")" |
/* exclude dates, ordinal numbers, and selected abbreviations */
{DATE} |
{ORDINAL} |
{ABBR} { no_eos_length = (yyleng);
/* fprintf(stderr,"noeos: %s\n", yytext); */
yyless(0);
BEGIN(noEOS);
}
/* EOS only if EOS_PUNCT followed by space and uppercase letter */
/* {EOS_PUNCT}/{EOS_PUNCT} return TOK_OTHER; */
{EOS_PUNCT}+/{EOS_ADD}*{SPACE}+{BOS_MARK} {
/* fprintf(stderr,"eos: %s\n", yytext); */
yyless(0); BEGIN(testEOS); }
/* if there is an abbreviation followed by things like
capitalized articles, prepositions and conjunctions, there is
usually an EOS, e.g. „… 23 n. Chr. In diesem Jahr …“ */
({DATE}|{ORDINAL}|{ABBR})/{EOS_ADD}*{SPACE}+{BOS_INDIC}({SPACE}|[,]) {
/* test if last matched character is EOS-char:
if yes: stop immediately before it. So it
(usually the period) will be treated as EOS-punctuation */
/* fprintf(stderr,"yes (%i): %s\n", yyleng, yytext); */
if (_IS_EOS_PUNCT_(yytext[(yyleng-1)]))
no_eos_length = (yyleng-1);
else
no_eos_length = (yyleng);
yyless(0);
BEGIN(noEOS);
}
}
<testEOS>{
{EOS_PUNCT} |
{EOS_ADD} return TOK_OTHER;
{SPACE}+/{BOS_MARK} yyless(0); BEGIN(stateINITIAL); return TOK_EOS;
{CHAR} yyless(0); BEGIN(stateINITIAL); return TOK_EOS;
}
<noEOS>{
{WORD} test_no_eos_length(yyleng); return TOK_WORD;
{NUMBER}|{FNUMBER} test_no_eos_length(yyleng); return TOK_NUMBER;
/* noEOS are actually dates, ordinals, and abbreviations, but no floating point numbers */
{HSPACE}*{VSPACE}+{SPACE}* test_no_eos_length(yyleng); return TOK_VSPACE;
{SPACE}+ test_no_eos_length(yyleng); return TOK_HSPACE;
{CHAR} test_no_eos_length(yyleng); return TOK_OTHER;
}
<tokenizeOneToken>{
{WORD} BEGIN(stateINITIAL); return TOK_WORD;
{NUMBER}|{FNUMBER} BEGIN(stateINITIAL); return TOK_NUMBER;
{CHAR} BEGIN(stateINITIAL); return TOK_OTHER;
}
/**** general rules: ****/
{WORD} return TOK_WORD;
{NUMBER}|{FNUMBER} return TOK_NUMBER;
{HSPACE}*{VSPACE}+{SPACE}* return TOK_VSPACE; /* skip horizontal spaces */
^{HSPACE}+ ; /* at the begining or end of line */
{HSPACE}+ return TOK_HSPACE;
{CONTR}+ ;
{CHAR} return TOK_OTHER;