Hugging Face's logo

Spaces:
aymanelgamal
/
Doctorak-RAG
Configuration error

App Files Community
Doctorak-RAG
File size: 3,450 Bytes
8cbfc52
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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
import re


# ─────────────────────────────────────────────────────────────
# Arabic Diacritics
# ─────────────────────────────────────────────────────────────

ARABIC_DIACRITICS = re.compile("""
                             Ω‘    | # Tashdid
                             َ    | # Fatha
                             Ω‹    | # Tanwin Fath
                             ُ    | # Damma
                             ٌ    | # Tanwin Damm
                             ِ    | # Kasra
                             ٍ    | # Tanwin Kasr
                             Ω’    | # Sukun
                             Ω€
                         """, re.VERBOSE)


# ─────────────────────────────────────────────────────────────
# Remove Diacritics
# ─────────────────────────────────────────────────────────────

def strip_diacritics(text):

    return re.sub(
        ARABIC_DIACRITICS,
        "",
        text,
    )


# ─────────────────────────────────────────────────────────────
# Normalize Arabic
# ─────────────────────────────────────────────────────────────

def normalize_arabic(text):

    text = re.sub(
        "[Ψ₯Ψ£Ψ’Ψ§]",
        "Ψ§",
        text,
    )

    text = re.sub(
        "Ω‰",
        "ي",
        text,
    )

    text = re.sub(
        "Ψ€",
        "و",
        text,
    )

    text = re.sub(
        "Ψ¦",
        "ي",
        text,
    )

    text = re.sub(
        "Ψ©",
        "Ω‡",
        text,
    )

    return text


# ─────────────────────────────────────────────────────────────
# Clean Text
# ─────────────────────────────────────────────────────────────

def clean_text(text):

    text = str(text)

    text = text.strip()

    text = strip_diacritics(text)

    text = normalize_arabic(text)

    text = re.sub(
        r"\s+",
        " ",
        text,
    )

    return text


# ─────────────────────────────────────────────────────────────
# Sanitize Query
# ─────────────────────────────────────────────────────────────

def sanitize_query(query):

    query = clean_text(query)

    # remove strange symbols

    query = re.sub(
        r"[^\w\s؟?]",
        " ",
        query,
    )

    query = re.sub(
        r"\s+",
        " ",
        query,
    )

    return query.strip()