ArWikiCats 0.2.2

Arabic Wikipedia Categories Translation Engine

مكتبة ArWikiCats — نظام تعريب تلقائي لتصنيفات ويكيبيديا العربية

---

جدول المحتويات

• لماذا ArWikiCats
• 1. المزايا الرئيسية
• 2. داخل محرك ArWikiCats
• 3. المتطلبات والتثبيت
• 4. الاستخدام السريع
• 5. إعدادات النظام
• 6. توسيع النظام
• 7. بنية المشروع
• 8. الاختبارات
• 9. الأداء
• 10. ملاحظات للمساهمين
• 11. القيود الحالية
• 12. خارطة الطريق
• 13. الخلاصة

---

لماذا ArWikiCats

تعريب تصنيفات ويكيبيديا العربية يمثل تحديًا بسبب العدد الهائل من التصنيفات الإنجليزية والأنماط المتداخلة. يهدف مشروع ArWikiCats إلى معالجة هذه المشكلة عبر بناء نظام قادر على:

• توحيد أسلوب الترجمة.
• معالجة التصنيفات بدقة عالية.
• تنفيذ أنماط زمنية وجغرافية ووظيفية ورياضية معقدة.
• دعم عمل البوتات ومهام الإنتاج التحريري.
• معالجة الفئات المركبة التي تتضمن جنسيات ورياضات ووظائف معًا.

---

1. المزايا الرئيسية

• سرعة عالية للغاية بعد التحسينات الأخيرة.
• قواعد ترجمة واسعة تغطي آلاف الأنماط (سنوات – بلدان – وظائف – رياضة – إعلام).
• تخزين مؤقت داخلي لتسريع الأداء في كل خطوة باستخدام functools.lru_cache.
• نظام وحدات (Bots) قابل للتوسعة بسهولة.
• نتائج دقيقة وموحّدة متوافقة مع أسلوب ويكيبيديا العربية.
• قدرة على معالجة دفعات ضخمة تشمل آلاف أو مئات آلاف التصنيفات.
• محللات متعددة المستويات لحل الفئات المعقدة (وظائف، جنسيات، رياضات، أسماء بلدان).

---

2. داخل محرك ArWikiCats

المعالجة الكاملة تمر عبر المراحل التالية:

• التصنيف الخام → التطبيع → اكتشاف الأنماط الزمنية → المحللات المتخصصة (وظائف/رياضات/جنسيات/بلدان) → مطابقة القواعد والترجمات → وحدة الحل الرئيسية → تنسيق العربية → التسمية النهائية (تصنيف:)

---

2.1 التطبيع (Normalization)

تنظيف التصنيف قبل التحليل:

• إزالة الشرطات السفلية.
• توحيد المسافات.
• إزالة الرموز غير الضرورية.
• حذف بادئة Category:.

---

2.2 اكتشاف الأنماط

• التعامل مع الحالات الزمنية مثل:
  • المدى الزمني:
  • السنوات (2015 - 10BC)
  • العقود: 1550s
  • القرون: 20th century
  • الألفيات:

مثال:

Category:1550s establishments in Namibia → تصنيف:تأسيسات عقد 1550 في ناميبيا

---

2.3 القواعد والقواميس

يشمل ذلك:

• الجنسيات:
  • صيغ المذكر والمؤنث والجمع والمفرد واسم البلد العربي والإنجليزي.
• الجغرافيا والمدن:
  • المدن والدول والمناطق والأقاليم والمحافظات والبلديات والمقاطعات والتقسيمات الإدارية الأخرى.
• الوظائف والمهن:
  • مختلف مسميات الوظائف والمهن والأعمال. وتصنيفها حسب الجنس (للرجال/للسيدات) يشمل ذلك الوظائف الرياضية والوظائف السينمائية والمهن العلمية والدينية.
• الرياضات:
  • التسميات والفرق والوظائف والألعاب الأولمبية، والتنسيقات الرياضية، وأسماء الفرق، ومراكز اللاعبين، ومصطلحات مختلف الرياضات، والرياضات النسائية والشبابية.
• الأفلام والتلفزيون:
  • الأفلام وأنواعها ومهن صناعة السينما، مثل صناع الأفلام والمخرجين والممثلين، وأنواع وتنسيقات التلفزيون وكافة المصطلحات المتعلقة بالأفلام والتلفزيون.
• الجوائز والأحداث:
  • جوائز الأفلام والمسابقات الرياضية والجوائز الموسيقية، والأحداث والمناسبات حسب الشهر والسنة.
• المفاهيم:
  • الأيديولوجيات السياسية، والفترات التاريخية، والمجالات العلمية، والمفاهيم الاقتصادية، واللغات.
• الكيانات والأشياء:
  • المباني والبنية التحتية والمركبات والأسلحة والكتب والألبومات.
• الأنواع:
  • الأنواع الحيوانية والنباتية.
• الأشخاص:
  • الشخصيات التي تملك تصنيفات باسمائها مثل أصحاب المناصب الرسمية والفنانون والمخرجون.

---

2.4 المحرك المركزي لحل التسمية

المسؤول عن التنظيم:

main_processers/main_resolve.py

وظيفته:

• تجربة المحللات المتخصصة حسب الأولوية (وظائف ← رياضات ← جنسيات ← بلدان).
• معالجة الأنماط الزمنية (سنوات، عقود، قرون).
• التوقف عند أول تطابق صحيح.
• ضمان الاتساق بين التصنيفات.
• استخدام التخزين المؤقت لتحسين الأداء.

---

2.5 تنسيق النتيجة النهائية

يشمل:

• تحسين الصياغة العربية.
• تنسيق العبارات.
• تمرير النتيجة عبر fixlabel.

---

2.6 إضافة بادئة "تصنيف:"

عبر دالة:

EventProcessor._prefix_label()

---

3. المتطلبات والتثبيت

3.1 المتطلبات

• Python 3.10 أو أحدث
• مكتبات مثبتة من requirements.in

3.2 التثبيت

pip install ArWikiCats

or

git clone https://github.com/MrIbrahem/ArWikiCats.git
cd ArWikiCats
pip install -r requirements.in

---

4. الاستخدام السريع

4.1 معالجة تصنيف واحد

from ArWikiCats import resolve_arabic_category_label

label = resolve_arabic_category_label("Category:2015 in Yemen")
print(label)
# تصنيف:2015 في اليمن

4.2 معالجة قائمة كاملة

from ArWikiCats import batch_resolve_labels

categories = [
    "Category:2015 American television",
    "Category:1999 establishments in Europe",
    "Category:Belgian cyclists",
    "Category:American basketball coaches",
]

result = batch_resolve_labels(categories)

print(f"تم ترجمة: {len(result.labels)} تصنيف")
print(f"لم يُترجم: {len(result.no_labels)} تصنيف")
print(f"أنماط مكتشفة: {result.category_patterns}")

# عرض النتائج
for en, ar in result.labels.items():
    print(f"  {en} → {ar}")

4.3 استخدام دالة الترجمة المباشرة

from ArWikiCats import resolve_label_ar

# بدون بادئة "تصنيف:"
label = resolve_label_ar("American basketball players")
print(label)
# لاعبو كرة سلة أمريكيون

4.4 معالجة تصنيف مع تفاصيل كاملة

from ArWikiCats import EventProcessor

processor = EventProcessor()
result = processor.process_single("Category:British footballers")

print(f"الأصلي: {result.original}")
print(f"المُعيّر: {result.normalized}")
print(f"التسمية الخام: {result.raw_label}")
print(f"التسمية النهائية: {result.final_label}")
print(f"تم إيجاد تسمية: {result.has_label}")

4.5 تشغيل الأمثلة

python examples/run.py           # مثال بسيط
python examples/5k.py            # معالجة 5000 تصنيف

---

5. إعدادات النظام

يمكن تخصيص سلوك النظام باستخدام متغيرات البيئة أو معاملات سطر الأوامر:

الإعداد	الوصف
SAVE_DATA_PATH	مسار حفظ البيانات المؤقتة

تفاصيل كل متغير موجودة في:

ArWikiCats/config.py

---

6. توسيع النظام

6.1 إضافة ترجمات جديدة

ضع القواميس داخل:

ArWikiCats/translations/

مثال:

# في ArWikiCats/translations/jobs/Jobs.py
jobs_mens_data = {
    "footballers": "لاعبو كرة قدم",
    "painters": "رسامون",
}

jobs_womens_data = {
    "footballers": "لاعبات كرة قدم",
    "painters": "رسامات",
}

6.2 إضافة محلل جديد

أضف محللك في ArWikiCats/new_resolvers/ واربطه في reslove_all.py:

# في ArWikiCats/new_resolvers/reslove_all.py
from .your_resolver import resolve_your_category

def all_new_resolvers(category: str) -> str:
    category_lab = (
        main_jobs_resolvers(category) or
        resolve_your_category(category) or  # المحلل الجديد
        main_sports_resolvers(category) or
        ""
    )
    return category_lab

6.3 إضافة بوت جديد

ArWikiCats/make_bots/yourdomain_bot.py

مع:

1. دوال المعالجة
2. ربط البوت في resolver
3. إضافة اختبارات في tests/

6.4 استخدام تنسيقات البيانات

from ArWikiCats.translations_formats import FormatData, format_multi_data

# تنسيق بسيط بعنصر واحد
formatter = FormatData(
    formatted_data={"{sport} players": "لاعبو {sport_ar}"},
    data_list={"football": "كرة القدم"},
    key_placeholder="{sport}",
    value_placeholder="{sport_ar}",
)
result = formatter.search("football players")

# تنسيق مركب بعنصرين
multi_formatter = format_multi_data(
    formatted_data={"{nat} {sport} players": "لاعبو {sport_ar} {nat_ar}"},
    data_list={"british": "بريطانيون"},
    data_list2={"football": "كرة القدم"},
    key_placeholder="{nat}",
    value_placeholder="{nat_ar}",
)

---

7. بنية المشروع

ArWikiCats/
│
├── __init__.py              # نقطة الدخول الرئيسية والتصدير العام
├── config.py                # إعدادات النظام والمتغيرات
├── event_processing.py      # معالجة دفعات التصنيفات
│
├── fix/                     # أدوات تصحيح وتنسيق النصوص العربية
│   ├── fixlists.py
│   ├── fixtitle.py
│   └── specific_normalizations.py
│
├── main_processers/         # المحرك المركزي لحل التسميات
│   ├── main_resolve.py      # نقطة الدخول الرئيسية للترجمة
│   ├── event2bot.py         # معالجة الأحداث والتصنيفات الزمنية
│   └── event_lab_bot.py     # محلل التسميات المتقدم
│
├── new_resolvers/           # المحللات الجديدة المتخصصة
│   ├── reslove_all.py       # نقطة الدخول للمحللات الجديدة
│   ├── jobs_resolvers/      # محللات الوظائف والمهن
│   ├── sports_resolvers/    # محللات الرياضات والفرق
│   ├── nationalities_resolvers/  # محللات الجنسيات
│   ├── countries_names_resolvers/ # محللات أسماء البلدان
│   └── time_and_jobs_resolvers/ # محللات الترجمة المتقدمة
│   └── genders_resolvers/       # محللات الجنس (مذكر/مؤنث)
│
├── patterns_resolvers/      # محللات الأنماط المركبة
│   ├── country_time_pattern.py
│   └── nat_males_pattern.py
│
├── time_formats/          # معالجة الأنماط الزمنية
│   ├── time_to_arabic.py    # تحويل التواريخ للعربية
│   └── with_years_bot.py    # معالجة التصنيفات مع السنوات
│
├── make_bots/               # البوتات المتخصصة
│   ├── date_bots/           # بوتات التواريخ
│   ├── jobs_bots/           # بوتات الوظائف
│   ├── media_bots/          # بوتات الأفلام والتلفزيون
│   ├── sports_bots/         # بوتات الرياضة
│   ├── format_bots/         # بوتات التنسيق
│   ├── languages_bot/       # بوتات اللغات
│   ├── lazy_data_bots/      # بوتات التحميل الكسول
│   └── matables_bots/       # بوتات الجداول
│
├── ma_bots/                 # بوتات المعالجة الأساسية
│   ├── country_bot.py
│   └── general_resolver.py
│
├── ma_bots/                # بوتات المعالجة المتقدمة
│   ├── ar_lab/
│   ├── country2_bots/
│   └── year_or_typeo/
│
├── translations/            # قواميس الترجمة
│   ├── geo/                 # الجغرافيا والمدن
│   ├── sports/              # الرياضات والفرق
│   ├── jobs/                # الوظائف والمهن
│   ├── nats/                # الجنسيات
│   ├── tv/                  # الأفلام والتلفزيون
│   ├── medical/             # المصطلحات الطبية
│   ├── politics/            # السياسة والحكومات
│   ├── entertainments/      # الترفيه
│   └── mixed/               # بيانات مختلطة
│
├── translations_formats/    # تنسيق قوالب الترجمة
│   ├── DataModel/           # نماذج البيانات الأساسية
│   ├── data_with_time.py    # تنسيق البيانات مع الوقت
│   └── multi_data.py        # تنسيق البيانات المتعددة
│
├── jsons/                   # ملفات JSON للبيانات
│   ├── nationalities/
│   ├── geography/
│   ├── cities/
│   ├── jobs/
│   ├── sports/
│   ├── media/
│   ├── keys/
│   ├── people/
│   ├── population/
│   └── taxonomy/
│
├── helps/                   # أدوات مساعدة
│   ├── log.py               # نظام التسجيل
│   ├── memory.py            # مراقبة الذاكرة
│   └── jsonl_dump.py        # تصدير JSONL
│
└── utils/                   # أدوات عامة
    ├── fixing.py
    └── match_relation_word.py

tests/                       # اختبارات (+60,000 اختبار)
│   ├── unit/                # اختبارات الوحدات (سريعة)
│   ├── integration/         # اختبارات التكامل (متوسطة)
│   └── e2e/                 # اختبارات شاملة (+15,000 تصنيف)
│   └── big/                 # اختبارات مجموعة بيانات (+26,000 تصنيف)
examples/                    # أمثلة الاستخدام

---

8. الاختبارات

بعد أي تحديث:

pytest

يغطي المشروع أكثر من 60,000 اختبار مُنظّمة في أربع فئات رئيسية:

8.1 فئات الاختبارات

اختبارات الوحدات (tests/unit/)

اختبارات سريعة تختبر الدوال والكلاسات بشكل منفصل (أقل من 0.1 ثانية لكل اختبار).

pytest tests/unit/
pytest -m unit

اختبارات التكامل (tests/integration/)

اختبارات تختبر التفاعل بين المكونات المختلفة (أقل من 1 ثانية لكل اختبار).

pytest tests/integration/
pytest -m integration

اختبارات شاملة (tests/e2e/)

اختبارات النظام الكامل من المدخل للمخرج (قد تكون بطيئة) - تحتوي على أكثر من 15,000 تصنيف

pytest tests/e2e/
pytest --rune2e

اختبارات مجموعة بيانات (tests/big/)

اختبارات النظام كامل (بطيئة) - تحتوي على أكثر من 26,000 تصنيف

pytest tests/big/ -m big

تشغيل كافة الاختبارات الأربعة

تشغيل أكثر من 60,000 اختبار من جميع الأنواع:

pytest --rune2e -m "not skip2" -n 16

8.2 ما تغطيه الاختبارات

• الوظائف الأساسية
• الأنماط الزمنية (سنوات، عقود، قرون، ألفيات، قبل الميلاد)
• البلدان والجنسيات ومختلف حالات التصنيفات
• الأنماط المعقدة (جنسية + رياضة + وظيفة)
• الحالات النادرة
• أداء النظام
• مطابقة القواميس
• الفرق الرياضية والمسابقات
• الأفلام والتلفزيون
• محللات الوظائف المتقدمة

8.3 تشغيل جزء معين

pytest -k "jobs"
pytest tests/test_languages/

8.4 الاختبارات البطيئة

pytest -m slow

---

9. الأداء

• استهلاك الذاكرة: حُسن الاستهلاك مقارنة مقارنة بالإصدار السابق 2GB إلى أقل من 100 ميجا
• الاختبارات: 23 ثانية (باستخدام pytest)
• القدرة على معالجة أكثر من +5,000 تصنيف في ثوان. examples/5k.py

تشغيل Scalene:

python -m scalene run.py

---

10. ملاحظات للمساهمين

• أي إضافة يجب أن تشمل قاعدة + قاموس + اختبار.
• الالتزام بـ Black (طول السطر: 120) وIsort (نمط black) وRuff للفحص.
• منع إضافة قواعد بلا اختبارات.
• استخدام f-strings للتسجيل: logger.debug(f"part1={a} part2={b}")
• الحفاظ على ترميز UTF-8 للنصوص العربية.

تشغيل أدوات التنسيق:

black ArWikiCats/
isort ArWikiCats/
ruff check ArWikiCats/

---

11. القيود الحالية

• بعض التصنيفات النادرة قد تحتاج معالجة يدوية.
• نتائج بعض الأنماط تتوقف على توفر بيانات في القواميس.
• أنماط معقدة جدًا قد تمر إلى no_labels.

---

12. خارطة الطريق

• تحسين وحدة الرياضة (Sport Formatter v3). ✅
• توسيع تغطية التصنيفات الإعلامية والموسيقية.
• تحسين دعم التصنيفات متعددة العناصر.
• إضافة دعم للمزيد من اللغات والترجمات.

---

13. الخلاصة

نظام ArWikiCats هو نظام مرن، عالي الأداء، قابل للتوسعة، ويدعم عدد كبير جدًا من التصنيفات بسهولة. يعتمد على:

• قواعد ترجمة متخصصة
• محللات متعددة المستويات (وظائف، رياضات، جنسيات، بلدان)
• تخزين مؤقت متقدم
• اختبارات صارمة (+60,000 اختبار)
• تصميم قابل للتطوير
• تنسيقات بيانات مرنة (FormatData, MultiDataFormatter)

ويعد مناسبًا للبوتات، الأعمال التحريرية، والمشاريع الضخمة في ويكيبيديا العربية.

---

الواجهة البرمجية (API)

الوظائف والفئات المُصدّرة الرئيسية:

from ArWikiCats import (
    resolve_arabic_category_label,  # ترجمة تصنيف واحد مع البادئة
    resolve_label_ar,               # ترجمة تصنيف واحد بدون البادئة
    batch_resolve_labels,           # ترجمة قائمة تصنيفات
    EventProcessor,                 # معالج الأحداث المفصل
    getLogger,                     # نظام التسجيل
    print_memory,                   # طباعة استهلاك الذاكرة
    dump_all_len,                   # طباعة أطوال البيانات
)