lectura-tokeniseur 2.3.0

Normalisateur et tokeniseur complet pour le français — détection de formules (nombres, sigles, dates, téléphones, etc.)

Lectura Tokeniseur

Normalisateur et tokeniseur complet pour le français

Module autonome, zéro dépendance externe. Détecte et classifie les formules (nombres, sigles, dates, téléphones, numéros, ordinaux, fractions, notations scientifiques, expressions mathématiques).

Installation

pip install lectura-tokeniseur

Utilisation

from lectura_tokeniseur import tokenise

resultat = tokenise("Le 25 décembre 2024, il faisait -3°C à Paris.")

for phrase in resultat.phrases:
    for token in phrase:
        print(f"{token.texte:20s}  {token.type.name}")

Le                    MOT
25 décembre 2024      FORMULE
,                     PONCTUATION
il                    MOT
faisait               MOT
-3°C                  FORMULE
à                     MOT
Paris                 MOT
.                     PONCTUATION

Fonctionnalités

• Normalisation : typographie, espaces, Unicode
• Tokenisation : mots, ponctuation, séparateurs
• Détection de formules : nombres (entiers, décimaux, négatifs), dates, heures, téléphones, sigles, ordinaux, fractions, pourcentages, monnaies, unités de mesure, expressions mathématiques, chiffres romains
• API simple : tokenise(texte) renvoie un objet structuré

Licence

Ce module est distribue sous licence AGPL-3.0 (non commerciale) — voir LICENCE.txt.

Pour un usage commercial, contacter [e-mail].