spanish_syllabification.py

# -*- coding: utf-8 -*-

# very old (1999?) code for syllabification of spanish words
# based on this thesis: http://www.fismat.umich.mx/~karina/tesisLicenciatura/capitulo2.html
# Author: Manuel Aristarán (jazzido.com)
# License: Creative Commons Atribución 2.5 Argentina -- http://creativecommons.org/licenses/by/2.5/ar/

# usage: determina_caso('cadena de entrada')

vocales = u'aeiouyáéíóúÁÉÍÓÚAEIOUY'
vocalesny = u'aeiouAEIOU'
consonantes = u'qwrtpsdfghjklñzxcvbnmQWERTPSDFGHJKLÑZXCVBNM'
consonantes_inseparables = (u'BR',u'BL',u'CR',u'CL',u'DR',u'FR',u'FL',u'GR',u'GL',u'KR',u'LL',u'PR',u'PL',u'TR',u'RR',u'CH',u'br',u'bl',u'cr',u'cl',u'dr',u'fr',u'fl',u'gr',u'gl',u'kr',u'll',u'pr',u'pl',u'tr',u'rr',u'ch')


def determina_caso(palabra):
    resultado = ''
    sep = ''
    nosep=1
    while 1:
        if not len(palabra):
            break
        elif palabra[0] not in vocales + consonantes:
            resultado = resultado + palabra[0]
            palabra = palabra[1:]
            sep = ''
            nosep=1
        else:
            l1 = palabra[0]

            if len(palabra) > 1: l2 = palabra[1]

            if l1 in vocales:
                # caso 1
                s = segmenta_caso_1(palabra)
            elif l2 in vocales:
                # caso 2
                s = segmenta_caso_2(palabra)
            else:
                s = segmenta_caso_3(palabra)

            #            print '%s' % (s)
            if nosep == 1: resultado = resultado  +  jeringozar(s)
            else: resultado = resultado  + '-' +  jeringozar(s)
            nosep =0
            palabra = palabra[len(s):]

    return resultado


def segmenta_caso_1(palabra):

    #C1,1 V
    if es_fin_palabra(palabra[1:]) or es_cv(palabra[1:]) or es_ccv(palabra[1:]): return palabra[:1]
    elif palabra[1] in consonantes:
        #C1,2 VC
        if es_cv(palabra[2:]) or es_ccv(palabra[2:]) or es_fin_palabra(palabra[2:]): return palabra[:2]
        # error
        else: return 0
    elif palabra[1] in vocales:
        # C1,3 VV
        if es_cv(palabra[2:]) or es_ccv(palabra[2:]) or es_fin_palabra(palabra[2:]): return palabra[:2]
        elif palabra[2] in consonantes:
             #C1,4 VVC
            if es_cv(palabra[3:]) or es_ccv(palabra[3:]) or es_fin_palabra(palabra[3:]): return palabra[:3]
    else:
        return 0


def segmenta_caso_2(palabra):
    if es_cv(palabra[2:]) or es_ccv(palabra[2:]) or es_fin_palabra(palabra[2:]):
        # C2,1 CV
        return palabra[:2]
    elif palabra[2] in consonantes:
        #C2,2 CVC
        if es_cv(palabra[3:]) or es_ccv(palabra[3:]) or es_fin_palabra(palabra[3:]):
            return palabra[:3]
        elif palabra[3] in consonantes:
            #C2,3 CVCC
            if es_fin_palabra(palabra[4:]) or es_cv(palabra[4:]):
                return palabra[:4]
    #C2,4 CVV

    elif es_cv(palabra[3:]) or es_ccv(palabra[3:]) or es_fin_palabra(palabra[3:]):
    	if (palabra[0] not in vocalesny) and (palabra[1] in vocalesny) and (palabra[2] in vocalesny) and (palabra[1] == palabra[2]): 
            return palabra[:2]
        else: 
            return palabra[:3]

    elif palabra[3] in consonantes:
        #C2,5 CVVC
        if es_fin_palabra(palabra[4:]) or es_cv(palabra[4:]) or es_ccv(palabra[4:]):
            if (palabra[0] not in vocalesny) and (palabra[1] in vocalesny) and (palabra[2] in vocalesny) and (palabra[3] not in vocalesny) and (palabra[1] == palabra[2]):  return palabra[:2]
            else: return palabra[:4]



    #C2,6 CVVV
    elif es_fin_palabra(palabra[4:]) or es_cv(palabra[4:]) or es_ccv(palabra[4:]): return palabra[:4]
    elif palabra[4] in consonantes:
        #C2,7 CVVVC
        if es_cv(palabra[5:]) or es_ccv(palabra[5:]) or es_fin_palabra(palabra[5:]): return palabra[:5]
    else: return 0

def segmenta_caso_3(palabra):
    #C3,1 CCV
    if es_cv(palabra[3:]) or es_ccv(palabra[3:]) or es_fin_palabra(palabra[3:]):
        return palabra[:3]
    elif palabra[3] in consonantes:
        #C3,3 CCVCC
        if es_cv(palabra[5:]) or es_fin_palabra(palabra[5:]):
            return palabra[:5]
        #C3,2 CCVC
        elif es_ccv(palabra[4:]) or es_cv(palabra[4:]) or es_fin_palabra(palabra[4:]):
            return palabra[:4]

    #C3,4 CCVV

#codigo original
#  elif es_cv(palabra[4:]) or es_ccv(palabra[4:]) or es_fin_palabra(palabra[4:]): return palabra[:4]
#fin codigo original

     #codigo modificado por Santiago Bruno (bananabruno@hotmail.com)
     #si las dos vocales son iguales se deberia separar
     #ej: creen: cre-en.
     #no se nada de lenguaje asi que si hay una regla o excepciones
     #que se deban considerar avisen por mail.
    elif es_cv(palabra[4:]) or es_ccv(palabra[4:]) or es_fin_palabra(palabra[4:]):
        if (palabra[0] not in vocalesny) and (palabra[1] not in vocalesny) and (palabra[2] in vocalesny) and (palabra[3] in vocalesny) and (palabra[2] == palabra[3]):
            return palabra[:3]
        else:
            return palabra[:4]
# fin codigo modificado

    #C3,5 CCVVC

    elif es_cv(palabra[5:]) or es_ccv(palabra[5:]) or es_fin_palabra(palabra[5:]):
        if (palabra[0] not in vocalesny) and (palabra[1] not in vocalesny) and (palabra[2] in vocalesny) and (palabra[3] in vocalesny) and (palabra[5] not in vocalesny) and (palabra[2] == palabra[3]):
            return palabra[:3]
        else:
            return palabra[:5]

# fin codigo modificado

    else: return 0


#es_ccv() y es_cv() controlan que la palabra tenga la forma consonante-consonante-vocal o
#consonante-vocal respectivamente


def es_ccv(palabra):
    try:
        retVal = palabra[:2] in consonantes_inseparables
    except:
        retVal = None
    return retVal

def es_cv(palabra):
    try:
        retVal = (palabra[0] in consonantes) and (palabra[1] in vocales)
    except:
        retVal = None

    return retVal

def es_fin_palabra(palabra):
    if not palabra: return 1
    if len(palabra) == 0: return 1
    elif palabra and (palabra[0] not in vocales+consonantes): return 1
    return None


def jeringozar(silaba):
    t = range(len(silaba))
    t.reverse()
    for i in t:
        if (len(silaba) == 3) and (silaba[2] == "y") and (silaba[1] in vocalesny): # caso soy= sopoy, hoy= hopoy
            return silaba[0] + silaba[1] + 'p' + silaba[1] + silaba[2]
        elif silaba[i] in vocales:
            return silaba + 'p' + silaba[i]

    return None