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.Language;
  15 import com.hughes.android.dictionary.engine.PairEntry.Pair;
  16
  17 public class DictFileParser {
  18
  19   static final Logger logger = Logger.getLogger(DictFileParser.class.getName());
  20
  21   // Dictcc
  22   static final Pattern TAB = Pattern.compile("\\t");
  23
  24   // Chemnitz
  25   static final Pattern DOUBLE_COLON = Pattern.compile(" :: ");
  26   static final Pattern PIPE = Pattern.compile(" \\| ");
  27
  28   static final Pattern SPACES = Pattern.compile("\\s+");
  29   static final Pattern DE_NOUN = Pattern.compile("([^ ]+) *\\{(m|f|n|pl)\\}");
  30   static final Pattern EN_VERB = Pattern.compile("^to ([^ ]+)");
  31
  32   static final Pattern BRACKETED = Pattern.compile("\\[([^]]+)\\]");
  33   static final Pattern PARENTHESIZED = Pattern.compile("\\(([^)]+)\\)");
  34   static final Pattern CURLY_BRACED = Pattern.compile("\\{([^}]+)\\}");
  35
  36   static final Pattern NON_CHAR_DASH = Pattern.compile("[^-'\\p{L}0-9]+");
  37   static final Pattern NON_CHAR = Pattern.compile("[^\\p{L}0-9]+");
  38
  39   static final Pattern TRIM_PUNC = Pattern.compile("^[^\\p{L}0-9]+|[^\\p{L}0-9]+$");
  40
  41   final Charset charset;
  42   final boolean flipCols;
  43
  44   final Pattern fieldSplit;
  45   final Pattern subfieldSplit;
  46
  47   final DictionaryBuilder dictBuilder;
  48   final IndexBuilder[] langIndexBuilders;
  49   final IndexBuilder bothIndexBuilder;
  50
  51   // final Set<String> alreadyDone = new HashSet<String>();
  52
  53   public DictFileParser(final Charset charset, boolean flipCols,
  54       final Pattern fieldSplit, final Pattern subfieldSplit,
  55       final DictionaryBuilder dictBuilder, final IndexBuilder[] langIndexBuilders,
  56       final IndexBuilder bothIndexBuilder) {
  57     this.charset = charset;
  58     this.flipCols = flipCols;
  59     this.fieldSplit = fieldSplit;
  60     this.subfieldSplit = subfieldSplit;
  61     this.dictBuilder = dictBuilder;
  62     this.langIndexBuilders = langIndexBuilders;
  63     this.bothIndexBuilder = bothIndexBuilder;
  64   }
  65
  66   public void parseFile(final File file) throws IOException {
  67     final BufferedReader reader = new BufferedReader(new InputStreamReader(new FileInputStream(file), charset));
  68     String line;
  69     while ((line = reader.readLine()) != null) {
  70       parseLine(line);
  71     }
  72   }
  73
  74   private void parseLine(final String line) {
  75     if (line.startsWith("#") || line.length() == 0) {
  76       logger.info("Skipping comment line: " + line);
  77       return;
  78     }
  79     final String[] fields = fieldSplit.split(line);
  80     if (fields.length != 2) {
  81       logger.warning("Malformed line: " + line);
  82       return;
  83     }
  84
  85     fields[0] = SPACES.matcher(fields[0]).replaceAll(" ").trim();
  86     fields[1] = SPACES.matcher(fields[1]).replaceAll(" ").trim();
  87     if (flipCols) {
  88       final String temp = fields[0];
  89       fields[0] = fields[1];
  90       fields[1] = temp;
  91     }
  92
  93     final String[][] subfields = new String[2][];
  94       if (subfieldSplit != null) {
  95       subfields[0] = subfieldSplit.split(fields[0]);
  96       subfields[1] = subfieldSplit.split(fields[1]);
  97       if (subfields[0].length != subfields[1].length) {
  98         logger.warning("Number of subfields doesn't match: " + line);
  99         return;
 100       }
 101     } else {
 102       subfields[0] = new String[] { fields[0] };
 103       subfields[1] = new String[] { fields[1] };
 104     }
 105
 106     final Pair[] pairs = new Pair[subfields[0].length];
 107     for (int i = 0; i < pairs.length; ++i) {
 108       pairs[i] = new Pair(subfields[0][i], subfields[1][i]);
 109     }
 110     final PairEntry pairEntry = new PairEntry(pairs);
 111     final EntryData entryData = new EntryData(dictBuilder.dictionary.pairEntries.size(), pairEntry);
 112     dictBuilder.dictionary.pairEntries.add(pairEntry);
 113     dictBuilder.entryDatas.add(entryData);  // TODO: delete me.
 114
 115     for (int l = 0; l < 2; ++l) {
 116       // alreadyDone.clear();
 117
 118       for (int j = 0; j < subfields[l].length; ++j) {
 119         String subfield = subfields[l][j];
 120         final IndexBuilder indexBuilder = langIndexBuilders[l];
 121         if (indexBuilder.index.sortLanguage == Language.de) {
 122           subfield = parseField_DE(indexBuilder, subfield, entryData, j);
 123         } else if (indexBuilder.index.sortLanguage == Language.en) {
 124           subfield = parseField_EN(indexBuilder, subfield, entryData, j);
 125         }
 126         parseFieldGeneric(indexBuilder, subfield, entryData, j, subfields[l].length);
 127       }
 128     }
 129   }
 130
 131   private void parseFieldGeneric(final IndexBuilder indexBuilder, String field,
 132       final EntryData entryData, final int subfieldIdx, final int numSubFields) {
 133     // remove bracketed and parenthesized stuff.
 134     final StringBuilder bracketed = new StringBuilder();
 135     final StringBuilder parenthesized = new StringBuilder();
 136
 137     Matcher matcher;
 138     while ((matcher = BRACKETED.matcher(field)).find()) {
 139       bracketed.append(matcher.group(1)).append(" ");
 140       field = matcher.replaceFirst(" ");
 141     }
 142
 143     while ((matcher = PARENTHESIZED.matcher(field)).find()) {
 144       parenthesized.append(matcher.group(1)).append(" ");
 145       field = matcher.replaceFirst(" ");
 146     }
 147
 148     field = SPACES.matcher(field).replaceAll(" ").trim();
 149
 150     // split words on non -A-z0-9, do them.
 151     final String[] tokens = NON_CHAR_DASH.split(field);
 152
 153     final EntryTypeName entryTypeName;
 154     if (numSubFields == 1) {
 155       assert subfieldIdx == 0;
 156       if (tokens.length == 1) {
 157         entryTypeName = EntryTypeName.ONE_WORD;
 158       } else if (tokens.length == 2) {
 159         entryTypeName = EntryTypeName.TWO_WORDS;
 160       } else if (tokens.length == 3) {
 161         entryTypeName = EntryTypeName.THREE_WORDS;
 162       } else if (tokens.length == 4) {
 163         entryTypeName = EntryTypeName.FOUR_WORDS;
 164       } else {
 165         entryTypeName = EntryTypeName.FIVE_OR_MORE_WORDS;
 166       }
 167     } else {
 168       assert numSubFields > 1;
 169       if (subfieldIdx == 0) {
 170         if (tokens.length == 1) {
 171           entryTypeName = EntryTypeName.MULTIROW_HEAD_ONE_WORD;
 172         } else {
 173           entryTypeName = EntryTypeName.MULTIROW_HEAD_MANY_WORDS;
 174         }
 175       } else {
 176         assert subfieldIdx > 0;
 177         if (tokens.length == 1) {
 178           entryTypeName = EntryTypeName.MULTIROW_TAIL_ONE_WORD;
 179         } else {
 180           entryTypeName = EntryTypeName.MULTIROW_TAIL_MANY_WORDS;
 181         }
 182       }
 183     }
 184
 185     for (String token : tokens) {
 186       token = TRIM_PUNC.matcher(token).replaceAll("");
 187       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 188         final List<EntryData> entries = indexBuilder.getOrCreateEntries(token, entryTypeName);
 189         entries.add(entryData);
 190         // alreadyDone.add(token);
 191
 192         // also split words on dashes, do them, too.
 193         if (token.contains("-")) {
 194           final String[] dashed = token.split("-");
 195           for (final String dashedToken : dashed) {
 196             if (/*!alreadyDone.contains(dashedToken) && */dashedToken.length() > 0) {
 197               final List<EntryData> dashEntries = indexBuilder.getOrCreateEntries(dashedToken, EntryTypeName.PART_OF_HYPHENATED);
 198               dashEntries.add(entryData);
 199             }
 200           }
 201         }
 202
 203       }  // if (!alreadyDone.contains(token)) {
 204     }  // for (final String token : tokens) {
 205
 206     // process bracketed stuff (split on spaces and dashes always)
 207     final String[] bracketedTokens = NON_CHAR.split(bracketed.toString());
 208     for (final String token : bracketedTokens) {
 209       assert !token.contains("-");
 210       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 211         final List<EntryData> entries = indexBuilder.getOrCreateEntries(token, EntryTypeName.BRACKETED);
 212         entries.add(entryData);
 213       }
 214     }
 215
 216     // process paren stuff
 217     final String[] parenTokens = NON_CHAR.split(parenthesized.toString());
 218     for (final String token : parenTokens) {
 219       assert !token.contains("-");
 220       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 221         final List<EntryData> entries = indexBuilder.getOrCreateEntries(token, EntryTypeName.PARENTHESIZED);
 222         entries.add(entryData);
 223       }
 224     }
 225
 226   }
 227
 228   private String parseField_DE(final IndexBuilder indexBuilder, String field,
 229       final EntryData entryData, final int subfieldIdx) {
 230
 231 //    final Matcher matcher = DE_NOUN.matcher(field);
 232 //    while (matcher.find()) {
 233 //      final String noun = matcher.group(1);
 234       //final String gender = matcher.group(2);
 235 //      if (alreadyDone.add(noun)) {
 236         // System.out.println("Found DE noun " + noun + ", " + gender);
 237 //        final List<EntryData> entries = indexBuilder.getOrCreateEntries(noun, EntryTypeName.NOUN);
 238 //        entries.add(entryData);
 239 //      }
 240 //    }
 241
 242     // In English, curly braces are used for different tenses.
 243     field = CURLY_BRACED.matcher(field).replaceAll(" ");
 244
 245     return field;
 246   }
 247
 248   private String parseField_EN(final IndexBuilder indexBuilder, String field,
 249       final EntryData entryData, final int subfieldIdx) {
 250     if (field.startsWith("to ")) {
 251       field = field.substring(3);
 252     }
 253     return field;
 254   }
 255
 256
 257 }