price_detector_fa extracts product/price/amount tuples from Persian text using rule-based methods.

• Feraidoon Mehri
• Fahime Hosseini
• Soroush Vafaie Tabar

This library does not work on Windows.

1. Run the following in this project’s directory:

pip install -e .
bash install.sh

1. Install graphviz using your OS package manager.

from price_detector_fa.samples import *
from price_detector_fa.utils import *
from price_detector_fa.extractors import *
from price_detector_fa.preprocessing import *
from price_detector_fa.hardcoded import *


def matching_extract(sample):
    output = []
    for s in sentence_tokenizer.tokenize(sample):
        s_tokens, s_spans = preprocess(s)

        s_parsed = parser.parse(s_tokens)
        s_spans = find_spans(s_parsed, s_spans)

        matchings = all_extract(s_parsed)
        output = output + list(
            matching_show(matching, s_spans) for matching in matchings
        )
    return output


import pprint 
pp = pprint.PrettyPrinter(indent=2)

pp.pprint(matching_extract("عباس‌آقا ده فروند شتر را به بهای پنجاه قران خریداری نموده و و خوشال شدند"))

[ { 'price_amount': ['مقدار:  پنجاه'],
    'price_unit': ['مقدار:  قران'],
    'product_amount': ['مقدار:  ده'],
    'product_name': 'مقدار:  شتر',
    'product_name_span': (18, 21),
    'product_unit': ['مقدار:  فروند']}]

pp.pprint(matching_extract("با سه هزار تومان میشود یک عدد بادکنک خرید."))

[ { 'price_amount': ['مقدار:  سه هزار'],
    'price_unit': ['مقدار:  تومان'],
    'product_amount': ['مقدار:  یک'],
    'product_name': 'مقدار:  بادکنک خرید .',
    'product_name_span': (30, 42),
    'product_unit': ['مقدار:  عدد']}]

print(sample_16_2)
pp.pprint(matching_extract(sample_16_2))

قیمت هندوانه ارزان شد و قیمت  هر گرم طلا هزار تومان است
[ { 'price_amount': ['مقدار:  هزار'],
    'price_unit': ['مقدار:  تومان'],
    'product_amount': ['مقدار:  یک'],
    'product_name': 'مقدار:  طلا',
    'product_name_span': (37, 40),
    'product_unit': ['مقدار:  گرم']}]