init

Bin

2025-12-16 9e0b2ba2c317b1a86212f24cbae3195ad1f3dbfa

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
const { serialize } = require("./helpers");
 
const assert = require("assert");
 
Feature("NER");
 
const configSimple = `
  <View>
    <HyperTextLabels name="ner" toName="text">
      <Label value="Term"></Label>
      <Label value="Abbr"></Label>
    </HyperTextLabels>
    <HyperText name="text" value="$text"></HyperText>
  </View>
`;
 
// codecept can click only in the middle of element
// block elements have 100% width, so middle point can be out of symbols depending on screen size
// so to click at exact point we use special spans with data-testid as reference
// if we `click()` at two-symbol span it happens between symbols
const text = `<div>
  <h2><span data-testid="r1-start">.N</span>amed-<span data-testid="r1-mid">entity</span> recognitio<span data-testid="r1-end">n.</span></h2>
  <p><b>Named-entity recognition</b> (<b>NER</b>) (also known as <b>entity identification</b>, <b>entity chunking</b> and <b>entity extraction</b>) is a subtask of <a href="/wiki/Information_extraction" title="Information extraction">information extraction</a> that seeks to locate and classify <a href="/wiki/Named_entity" title="Named entity">named entities</a> mentioned in <a href="/wiki/Unstructured_data" title="Unstructured data">unstructured text</a> into pre-defined categories such as person names, organizations, locations, <a href="/wiki/Medical_classification" title="Medical classification">medical codes</a>, time expressions, quantities, monetary values, percentages, etc.</p>
  <p>Most research on NER systems has been structured as taking an unannotated block of text, such as this one:</p>
  <blockquote class="templatequote"><p>Jim bought 300 shares of Acme Corp. in 2006.</p></blockquote>
  <p>And producing an annotated block of text that highlights the names of entities:</p>
  <blockquote class="templatequote"><p>[Jim]<sub>Person</sub> bought 300 shares of [Acme Corp.]<sub>Organization</sub> in [2006]<sub>Time</sub>.</p></blockquote>
</div>`;
 
const results = [
  {
    start: "/div[1]/h2[1]/span[1]/text()[1]",
    startOffset: 1,
    end: "/div[1]/h2[1]/span[3]/text()[1]",
    endOffset: 1,
    hypertextlabels: ["Term"],
    text: "Named-entity recognition",
    globalOffsets: {
      end: 28,
      start: 4,
    },
  },
  {
    start: "/div[1]/p[1]/b[2]/text()[1]",
    startOffset: 0,
    end: "/div[1]/p[1]/b[2]/text()[1]",
    endOffset: 3,
    hypertextlabels: ["Abbr"],
    text: "NER",
    globalOffsets: {
      end: 61,
      start: 58,
    },
  },
];
 
Scenario("NER labeling for HyperText", async ({ I, LabelStudio }) => {
  const params = {
    config: configSimple,
    data: { text },
  };
 
  I.amOnPage("/");
  LabelStudio.init(params);
 
  // create regions inside iframe
  I.switchTo("iframe");
  I.pressKey("1");
  I.click("[data-testid=r1-start]");
  I.pressKeyDown("Shift");
  I.click("[data-testid=r1-end]");
  I.pressKeyUp("Shift");
 
  I.pressKey("2");
  I.doubleClick("b:nth-child(2)");
 
  I.click("[data-testid=r1-mid]");
  I.pressKey(["alt", "r"]);
  I.click("b:nth-child(2)");
  I.switchTo();
 
  I.see("Relations (1)");
 
  const result = await I.executeScript(serialize);
 
  assert.equal(result.length, 3);
  assert.deepEqual(result[0].value, results[0]);
  assert.deepEqual(result[1].value, results[1]);
  assert.equal(result[2].type, "relation");
  assert.equal(result[2].from_id, result[0].id);
  assert.equal(result[2].to_id, result[1].id);
});