src/com/hughes/android/dictionary/engine/DictFileParser.java

   1 package com.hughes.android.dictionary.engine;
   2
   3 import java.io.BufferedReader;
   4 import java.io.File;
   5 import java.io.FileInputStream;
   6 import java.io.IOException;
   7 import java.io.InputStreamReader;
   8 import java.nio.charset.Charset;
   9 import java.util.List;
  10 import java.util.logging.Logger;
  11 import java.util.regex.Matcher;
  12 import java.util.regex.Pattern;
  13
  14 import com.hughes.android.dictionary.engine.PairEntry.Pair;
  15
  16 public class DictFileParser {
  17
  18   static final Logger logger = Logger.getLogger(DictFileParser.class.getName());
  19
  20   // Dictcc
  21   static final Pattern TAB = Pattern.compile("\\t");
  22
  23   // Chemnitz
  24   static final Pattern DOUBLE_COLON = Pattern.compile(" :: ");
  25   static final Pattern PIPE = Pattern.compile(" \\| ");
  26
  27   static final Pattern SPACES = Pattern.compile("\\s+");
  28   static final Pattern DE_NOUN = Pattern.compile("([^ ]+) *\\{(m|f|n|pl)\\}");
  29   static final Pattern EN_VERB = Pattern.compile("^to ([^ ]+)");
  30
  31   static final Pattern BRACKETED = Pattern.compile("\\[([^]]+)\\]");
  32   static final Pattern PARENTHESIZED = Pattern.compile("\\(([^)]+)\\)");
  33   static final Pattern CURLY_BRACED = Pattern.compile("\\{([^}]+)\\}");
  34
  35   static final Pattern NON_CHAR_DASH = Pattern.compile("[^-'\\p{L}0-9]+");
  36   static final Pattern NON_CHAR = Pattern.compile("[^\\p{L}0-9]+");
  37
  38   static final Pattern TRIM_PUNC = Pattern.compile("^[^\\p{L}0-9]+|[^\\p{L}0-9]+$");
  39
  40   final Charset charset;
  41   final boolean flipCols;
  42
  43   final Pattern fieldSplit;
  44   final Pattern subfieldSplit;
  45
  46   final DictionaryBuilder dictBuilder;
  47   final IndexBuilder[] langIndexBuilders;
  48   final IndexBuilder bothIndexBuilder;
  49
  50   // final Set<String> alreadyDone = new HashSet<String>();
  51
  52   public DictFileParser(final Charset charset, boolean flipCols,
  53       final Pattern fieldSplit, final Pattern subfieldSplit,
  54       final DictionaryBuilder dictBuilder, final IndexBuilder[] langIndexBuilders,
  55       final IndexBuilder bothIndexBuilder) {
  56     this.charset = charset;
  57     this.flipCols = flipCols;
  58     this.fieldSplit = fieldSplit;
  59     this.subfieldSplit = subfieldSplit;
  60     this.dictBuilder = dictBuilder;
  61     this.langIndexBuilders = langIndexBuilders;
  62     this.bothIndexBuilder = bothIndexBuilder;
  63   }
  64
  65   public void parseFile(final File file) throws IOException {
  66     final BufferedReader reader = new BufferedReader(new InputStreamReader(new FileInputStream(file), charset));
  67     String line;
  68     while ((line = reader.readLine()) != null) {
  69       parseLine(line);
  70     }
  71   }
  72
  73   private void parseLine(final String line) {
  74     if (line.startsWith("#") || line.length() == 0) {
  75       logger.info("Skipping comment line: " + line);
  76       return;
  77     }
  78     final String[] fields = fieldSplit.split(line);
  79     if (fields.length != 2) {
  80       logger.warning("Malformed line: " + line);
  81       return;
  82     }
  83
  84     fields[0] = SPACES.matcher(fields[0]).replaceAll(" ").trim();
  85     fields[1] = SPACES.matcher(fields[1]).replaceAll(" ").trim();
  86     if (flipCols) {
  87       final String temp = fields[0];
  88       fields[0] = fields[1];
  89       fields[1] = temp;
  90     }
  91
  92     final String[][] subfields = new String[2][];
  93       if (subfieldSplit != null) {
  94       subfields[0] = subfieldSplit.split(fields[0]);
  95       subfields[1] = subfieldSplit.split(fields[1]);
  96       if (subfields[0].length != subfields[1].length) {
  97         logger.warning("Number of subfields doesn't match: " + line);
  98         return;
  99       }
 100     } else {
 101       subfields[0] = new String[] { fields[0] };
 102       subfields[1] = new String[] { fields[1] };
 103     }
 104
 105     final Pair[] pairs = new Pair[subfields[0].length];
 106     for (int i = 0; i < pairs.length; ++i) {
 107       pairs[i] = new Pair(subfields[0][i], subfields[1][i]);
 108     }
 109     final PairEntry pairEntry = new PairEntry(pairs);
 110     final EntryData entryData = new EntryData(dictBuilder.dictionary.pairEntries.size(), pairEntry);
 111     dictBuilder.dictionary.pairEntries.add(pairEntry);
 112     dictBuilder.entryDatas.add(entryData);  // TODO: delete me.
 113
 114     for (int l = 0; l < 2; ++l) {
 115       // alreadyDone.clear();
 116
 117       for (int j = 0; j < subfields[l].length; ++j) {
 118         String subfield = subfields[l][j];
 119         final IndexBuilder indexBuilder = langIndexBuilders[l];
 120         if (indexBuilder.index.sortLanguage == Language.de) {
 121           subfield = parseField_DE(indexBuilder, subfield, entryData, j);
 122         } else if (indexBuilder.index.sortLanguage == Language.en) {
 123           subfield = parseField_EN(indexBuilder, subfield, entryData, j);
 124         }
 125         parseFieldGeneric(indexBuilder, subfield, entryData, j, subfields[l].length);
 126       }
 127     }
 128   }
 129
 130   private void parseFieldGeneric(final IndexBuilder indexBuilder, String field,
 131       final EntryData entryData, final int subfieldIdx, final int numSubFields) {
 132     // remove bracketed and parenthesized stuff.
 133     final StringBuilder bracketed = new StringBuilder();
 134     final StringBuilder parenthesized = new StringBuilder();
 135
 136     Matcher matcher;
 137     while ((matcher = BRACKETED.matcher(field)).find()) {
 138       bracketed.append(matcher.group(1)).append(" ");
 139       field = matcher.replaceFirst(" ");
 140     }
 141
 142     while ((matcher = PARENTHESIZED.matcher(field)).find()) {
 143       parenthesized.append(matcher.group(1)).append(" ");
 144       field = matcher.replaceFirst(" ");
 145     }
 146
 147     field = SPACES.matcher(field).replaceAll(" ").trim();
 148
 149     // split words on non -A-z0-9, do them.
 150     final String[] tokens = NON_CHAR_DASH.split(field);
 151
 152     final EntryTypeName entryTypeName;
 153     if (numSubFields == 1) {
 154       assert subfieldIdx == 0;
 155       if (tokens.length == 1) {
 156         entryTypeName = EntryTypeName.ONE_WORD;
 157       } else if (tokens.length == 2) {
 158         entryTypeName = EntryTypeName.TWO_WORDS;
 159       } else if (tokens.length == 3) {
 160         entryTypeName = EntryTypeName.THREE_WORDS;
 161       } else if (tokens.length == 4) {
 162         entryTypeName = EntryTypeName.FOUR_WORDS;
 163       } else {
 164         entryTypeName = EntryTypeName.FIVE_OR_MORE_WORDS;
 165       }
 166     } else {
 167       assert numSubFields > 1;
 168       if (subfieldIdx == 0) {
 169         if (tokens.length == 1) {
 170           entryTypeName = EntryTypeName.MULTIROW_HEAD_ONE_WORD;
 171         } else {
 172           entryTypeName = EntryTypeName.MULTIROW_HEAD_MANY_WORDS;
 173         }
 174       } else {
 175         assert subfieldIdx > 0;
 176         if (tokens.length == 1) {
 177           entryTypeName = EntryTypeName.MULTIROW_TAIL_ONE_WORD;
 178         } else {
 179           entryTypeName = EntryTypeName.MULTIROW_TAIL_MANY_WORDS;
 180         }
 181       }
 182     }
 183
 184     for (String token : tokens) {
 185       token = TRIM_PUNC.matcher(token).replaceAll("");
 186       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 187         final List<EntryData> entries = indexBuilder.getOrCreateEntries(token, entryTypeName);
 188         entries.add(entryData);
 189         // alreadyDone.add(token);
 190
 191         // also split words on dashes, do them, too.
 192         if (token.contains("-")) {
 193           final String[] dashed = token.split("-");
 194           for (final String dashedToken : dashed) {
 195             if (/*!alreadyDone.contains(dashedToken) && */dashedToken.length() > 0) {
 196               final List<EntryData> dashEntries = indexBuilder.getOrCreateEntries(dashedToken, EntryTypeName.PART_OF_HYPHENATED);
 197               dashEntries.add(entryData);
 198             }
 199           }
 200         }
 201
 202       }  // if (!alreadyDone.contains(token)) {
 203     }  // for (final String token : tokens) {
 204
 205     // process bracketed stuff (split on spaces and dashes always)
 206     final String[] bracketedTokens = NON_CHAR.split(bracketed.toString());
 207     for (final String token : bracketedTokens) {
 208       assert !token.contains("-");
 209       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 210         final List<EntryData> entries = indexBuilder.getOrCreateEntries(token, EntryTypeName.BRACKETED);
 211         entries.add(entryData);
 212       }
 213     }
 214
 215     // process paren stuff
 216     final String[] parenTokens = NON_CHAR.split(parenthesized.toString());
 217     for (final String token : parenTokens) {
 218       assert !token.contains("-");
 219       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 220         final List<EntryData> entries = indexBuilder.getOrCreateEntries(token, EntryTypeName.PARENTHESIZED);
 221         entries.add(entryData);
 222       }
 223     }
 224
 225   }
 226
 227   private String parseField_DE(final IndexBuilder indexBuilder, String field,
 228       final EntryData entryData, final int subfieldIdx) {
 229
 230 //    final Matcher matcher = DE_NOUN.matcher(field);
 231 //    while (matcher.find()) {
 232 //      final String noun = matcher.group(1);
 233       //final String gender = matcher.group(2);
 234 //      if (alreadyDone.add(noun)) {
 235         // System.out.println("Found DE noun " + noun + ", " + gender);
 236 //        final List<EntryData> entries = indexBuilder.getOrCreateEntries(noun, EntryTypeName.NOUN);
 237 //        entries.add(entryData);
 238 //      }
 239 //    }
 240
 241     // In English, curly braces are used for different tenses.
 242     field = CURLY_BRACED.matcher(field).replaceAll(" ");
 243
 244     return field;
 245   }
 246
 247   private String parseField_EN(final IndexBuilder indexBuilder, String field,
 248       final EntryData entryData, final int subfieldIdx) {
 249     if (field.startsWith("to ")) {
 250       field = field.substring(3);
 251     }
 252     return field;
 253   }
 254
 255
 256 }