py-pdf-parser
Py PDF Parser是帮助从结构化PDF中提取信息的工具。
完整的详细信息和安装说明可以在以下位置找到： :
该项目基于Sam Whitehall（github.com/samwhitehall）的原始设计和原型。
2023-02-13 16:42:14
509KB
1
桥接文本和表格数据以进行跨域文本到SQL的语义解析
这是以下论文的官方代码版本：
Xi Victoria Lin，Richard Socher和Caiming Xiong。 。 EMNLP 2020的发现。
概述
跨域表格语义解析（X-TSP）是在给某个数据库发出自然语言问题的情况下预测可执行结构化查询语言的任务。 在训练期间，该模型可能会或可能不会看到目标数据库。
该库实现
一个强大的基于序列到序列的跨域文本到SQL语义解析器，在两个广泛使用的基准数据集： 和上实现了最先进的性能。
从改编而来的一组用于解析，标记化和验证SQL查询的。
通过修改正式的语言预处理和后处理模块，可以使解析器适合于学习从文本到其他结构化查询语言（例如的映射。
模型
我们的模型将自然语言话语和数据库（模式+字段选择列表）作为输入，并生成SQL查询作为标记序列。 我们应用模式指导的解码和后处理，以确保最终
2023-01-17 11:55:27
1.09MB
1
TinyPy口译员
关于
TinyPy是我作为课程编写的Python小子集的解释器。
安装
该项目使用ANTLR4作为解析器生成器。 要运行解释器，您将需要安装ANTLR4 Python3运行时和ANTLR本身。
请注意，4.5.2运行时存在。 在撰写本文时，pypi具有较旧的版本，因此建议手动安装ANTLR4运行时。
分步说明：
安装
安装ANTLR4 Python3运行时：
git clone https://github.com/antlr/antlr4
cd antlr4/runtime/Python3
python3 setup.py install
也可以使用pip，包名称为antlr4-python3-runtime 。 请注意上述错误。
产生解析器
cd tiny-py-interpreter/tinypy
antlr4 -visitor parser/TinyPy.g4
安装tinypy： pip3 install .
尝试启动一些测试： python3 setup.py test
2022-12-30 16:13:11
115KB
1
PostCSS HTML语法
用于解析HTML（和类似HTML）的语法
入门
首先，安装模块：
npm install postcss-syntax postcss-html --save-dev
如果要支持SCSS / SASS / LESS / SugarSS语法，则需要安装相应的模块。
SCSS：
SASS：
：
糖SS：
用例
const postcss = require ( 'postcss' ) ;
const syntax = require ( 'postcss-html' ) ( {
// syntax for parse scss (non-required
2022-11-22 22:17:40
13KB
1
SquadJS
关于
SquadJS是一个脚本框架，专为Squad服务器设计，旨在处理与服务器之间的所有通信和数据收集。 使用SquadJS作为任何脚本项目的基础，您可以轻松编写复杂的插件，而不必担心RCON或日志解析的麻烦。 但是，为方便起见，SquadJS随附了已为您构建的多个插件，使您可以立即体验SquadJS的功能。
使用SquadJS
SquadJS依靠能够访问Squad服务器日志目录来实时解析日志以收集信息。 因此，SquadJS必须与Squad服务器托管在同一服务器上，或者必须通过FTP连接到Squad服务器。
先决条件
吉特
（14.x）-
（1.22.0+版）-
一些插件可能有其他要求。
安装
并解压缩下载文件。
在终端中打开解压缩的文件夹。
通过在终端中运行yarn install依赖项。 由于使用了纱线工作区，因此必须使用yarn install而不是npm
2022-11-05 14:44:20
648KB
1
人工解析的自我校正
开箱即用的人类解析表示提取器。
在第三项LIP挑战中，我们的解决方案在所有人工解析轨道（包括单个，多个和视频）中排名第一！
特征：
开箱即用的人类解析提取器，可用于其他下游应用程序。
在三个流行的单人人类解析数据集上进行预训练的模型。
训练和伪造的代码。
对多人和视频人的解析任务的简单而有效的扩展。
要求
conda env create -f environment.yaml
conda activate schp
pip install -r requirements.txt
简单的开箱即用提取器
最简单的入门方法是在您自己的图像上使用我们训练有素的SCHP模型来提取人工解析表示形式。 在这里，我们在三个流行的数据集上提供了最新的。 这三个数据集具有不同的标签系统，您可以选择最适合自己任务的数据集。
LIP（ ）
进行LIP验证的费用：59.36
2022-10-24 16:43:44
5.03MB
1
修剪后的依赖树上的图卷积用于关系提取
此回购包含PyTorch代码，用于修剪。
本文/代码在修剪的依赖树上引入了图卷积神经网络（GCN），用于关系提取的任务。 还引入了一种特殊的树修剪技术，称为“以路径为中心的修剪”，以从树中消除不相关的信息，同时最大程度地维护相关信息。 与诸如各种基于LSTM的模型之类的序列模型相比，此GCN模型利用依赖结构桥接远程单词，因此提高了远程关系的性能。 与以前的递归模型（如TreeLSTM）相比，此GCN模型在获得更好的性能的同时，也更早地实现了并行化，因此效率更高。
参见下面的模型架构概述：
要求
Python 3（在3.6.5上测试）
PyTorch（
2022-10-22 20:51:54
602KB
1