Hugging Face's logo

Spaces:
sai-Rohan
/
Legora
Sleeping

App Files Community
Legora
File size: 3,823 Bytes
660dde6
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
import re


class BSATextCleaner:

    @staticmethod
    def clean(text: str) -> str:

        # =====================================
        # Normalize line endings
        # =====================================

        text = text.replace("\r\n", "\n")
        text = text.replace("\r", "\n")

        # =====================================
        # Remove Gazette headers
        # =====================================

        text = re.sub(
            r"(?im)^.*THE\s+GAZETTE\s+OF\s+INDIA\s+EXTRAORDINARY.*$\n?",
            "",
            text
        )

        # =====================================
        # Remove PART headers
        # =====================================

        text = re.sub(
            r"(?im)^\[?\s*PART\s+[IVXLC0-9A-Z\- ]+\]?\s*$",
            "",
            text
        )

        # =====================================
        # Remove Gazette footnotes
        # =====================================

        text = re.sub(
            r"(?im)^\d+\.\s+\d+(?:st|nd|rd|th)\s+day.*?$",
            "",
            text
        )

        # =====================================
        # Remove notification notes
        # =====================================

        text = re.sub(
            r"(?im)^\d+\.\s+vide\s+notification.*?$",
            "",
            text
        )

        # =====================================
        # Remove page numbers
        # =====================================

        text = re.sub(
            r"(?m)^\d+\s*$",
            "",
            text
        )

        # =====================================
        # Remove standalone page references
        #
        # 46.
        # 127.
        # =====================================

        text = re.sub(
            r"(?m)^\d+\.\s*$",
            "",
            text
        )

        # =====================================
        # Remove separator lines
        # =====================================

        text = re.sub(
            r"(?m)^[_=\-]{5,}\s*$",
            "",
            text
        )

        # =====================================
        # Remove OCR underline blocks
        # =====================================

        text = re.sub(
            r"(?m)^[_ ]{20,}$",
            "",
            text
        )

        # =====================================
        # Remove form-feed characters
        # =====================================

        text = text.replace(
            "\f",
            "\n"
        )

        # =====================================
        # Fix broken words
        #
        # exam-
        # ple
        # ->
        # example
        # =====================================

        text = re.sub(
            r"([a-zA-Z])-\n([a-zA-Z])",
            r"\1\2",
            text
        )

        # =====================================
        # Join OCR split words
        #
        # evi
        # dence
        #
        # only when lowercase
        # =====================================

        text = re.sub(
            r"([a-z])\n([a-z])",
            r"\1 \2",
            text
        )

        # =====================================
        # Normalize spaces
        # =====================================

        text = re.sub(
            r"[ \t]+",
            " ",
            text
        )

        # =====================================
        # Remove trailing spaces
        # =====================================

        text = re.sub(
            r"[ \t]+\n",
            "\n",
            text
        )

        # =====================================
        # Collapse blank lines
        # =====================================

        text = re.sub(
            r"\n{3,}",
            "\n\n",
            text
        )

        return text.strip()