src/com/hughes/android/dictionary/parser/EnWiktionaryXmlParser.java

   1 // Copyright 2011 Google Inc. All Rights Reserved.
   2 //
   3 // Licensed under the Apache License, Version 2.0 (the "License");
   4 // you may not use this file except in compliance with the License.
   5 // You may obtain a copy of the License at
   6 //
   7 //     http://www.apache.org/licenses/LICENSE-2.0
   8 //
   9 // Unless required by applicable law or agreed to in writing, software
  10 // distributed under the License is distributed on an "AS IS" BASIS,
  11 // WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  12 // See the License for the specific language governing permissions and
  13 // limitations under the License.
  14
  15 package com.hughes.android.dictionary.parser;
  16
  17 import java.io.BufferedInputStream;
  18 import java.io.DataInputStream;
  19 import java.io.EOFException;
  20 import java.io.File;
  21 import java.io.FileInputStream;
  22 import java.io.IOException;
  23 import java.util.ArrayList;
  24 import java.util.Arrays;
  25 import java.util.Collection;
  26 import java.util.Collections;
  27 import java.util.LinkedHashSet;
  28 import java.util.List;
  29 import java.util.Map;
  30 import java.util.Set;
  31 import java.util.logging.Logger;
  32 import java.util.regex.Pattern;
  33
  34 import com.hughes.android.dictionary.engine.EntryTypeName;
  35 import com.hughes.android.dictionary.engine.IndexBuilder;
  36 import com.hughes.android.dictionary.engine.IndexedEntry;
  37 import com.hughes.android.dictionary.engine.PairEntry;
  38 import com.hughes.android.dictionary.engine.PairEntry.Pair;
  39
  40 public class EnWiktionaryXmlParser {
  41
  42   static final Logger LOG = Logger.getLogger(EnWiktionaryXmlParser.class.getName());
  43
  44   // TODO: look for {{ and [[ and <adf> <!-- in output.
  45   // TODO: process {{ttbc}} lines
  46
  47   static final Pattern partOfSpeechHeader = Pattern.compile(
  48       "Noun|Verb|Adjective|Adverb|Pronoun|Conjunction|Interjection|" +
  49       "Preposition|Proper noun|Article|Prepositional phrase|Acronym|" +
  50       "Abbreviation|Initialism|Contraction|Prefix|Suffix|Symbol|Letter|" +
  51       "Ligature|Idiom|Phrase|" +
  52       // These are @deprecated:
  53       "Noun form|Verb form|Adjective form|Nominal phrase|Noun phrase|" +
  54       "Verb phrase|Transitive verb|Intransitive verb|Reflexive verb|" +
  55       // These are extras I found:
  56       "Determiner|Numeral|Number|Cardinal number|Ordinal number|Proverb|" +
  57       "Particle|Interjection|Pronominal adverb" +
  58       "Han character|Hanzi|Hanja|Kanji|Katakana character|Syllable");
  59
  60   final IndexBuilder enIndexBuilder;
  61   final IndexBuilder otherIndexBuilder;
  62   final Pattern langPattern;
  63   final Pattern langCodePattern;
  64   final boolean swap;
  65
  66   public EnWiktionaryXmlParser(final IndexBuilder enIndexBuilder, final IndexBuilder otherIndexBuilder, final Pattern langPattern, final Pattern langCodePattern, final boolean swap) {
  67     this.enIndexBuilder = enIndexBuilder;
  68     this.otherIndexBuilder = otherIndexBuilder;
  69     this.langPattern = langPattern;
  70     this.langCodePattern = langCodePattern;
  71     this.swap = swap;
  72   }
  73
  74
  75   public void parse(final File file, final int pageLimit) throws IOException {
  76     int pageCount = 0;
  77     final DataInputStream dis = new DataInputStream(new BufferedInputStream(new FileInputStream(file)));
  78     while (true) {
  79       if (pageLimit >= 0 && pageCount >= pageLimit) {
  80         return;
  81       }
  82
  83       final String title;
  84       try {
  85         title = dis.readUTF();
  86       } catch (EOFException e) {
  87         dis.close();
  88         return;
  89       }
  90       final String heading = dis.readUTF();
  91       final int bytesLength = dis.readInt();
  92       final byte[] bytes = new byte[bytesLength];
  93       dis.readFully(bytes);
  94       final String text = new String(bytes, "UTF8");
  95
  96       parseSection(title, heading, text);
  97
  98       ++pageCount;
  99       if (pageCount % 1000 == 0) {
 100         LOG.info("pageCount=" + pageCount);
 101       }
 102     }
 103   }
 104
 105   private void parseSection(final String title, String heading, final String text) {
 106     if (title.startsWith("Wiktionary:") ||
 107         title.startsWith("Template:") ||
 108         title.startsWith("Appendix:") ||
 109         title.startsWith("Category:") ||
 110         title.startsWith("Index:") ||
 111         title.startsWith("MediaWiki:") ||
 112         title.startsWith("TransWiki:") ||
 113         title.startsWith("Citations:") ||
 114         title.startsWith("Concordance:") ||
 115         title.startsWith("Help:")) {
 116       return;
 117     }
 118
 119     heading = heading.replaceAll("=", "").trim();
 120     if (heading.equals("English")) {
 121       doEnglishWord(title, text);
 122     } else if (langPattern.matcher(heading).matches()){
 123       doForeignWord(title, text);
 124     }
 125
 126   }  // endPage()
 127
 128   // -------------------------------------------------------------------------
 129
 130   String pos = null;
 131   int posDepth = -1;
 132
 133   private void doEnglishWord(String title, String text) {
 134     final WikiTokenizer wikiTokenizer = new WikiTokenizer(text);
 135     while (wikiTokenizer.nextToken() != null) {
 136
 137       if (wikiTokenizer.isHeading()) {
 138         final String headerName = wikiTokenizer.headingWikiText();
 139
 140         if (wikiTokenizer.headingDepth() <= posDepth) {
 141           pos = null;
 142           posDepth = -1;
 143         }
 144
 145         if (partOfSpeechHeader.matcher(headerName).matches()) {
 146           posDepth = wikiTokenizer.headingDepth();
 147           pos = wikiTokenizer.headingWikiText();
 148         } else if (headerName.equals("Translations")) {
 149           doTranslations(title, wikiTokenizer);
 150         } else if (headerName.equals("Pronunciation")) {
 151           //doPronunciation(wikiLineReader);
 152         }
 153       }
 154     }
 155   }
 156
 157
 158   private static Set<String> encodings = new LinkedHashSet<String>(Arrays.asList("zh-ts",
 159       "sd-Arab", "ku-Arab", "Arab", "unicode", "Laoo", "ur-Arab", "Thai",
 160       "fa-Arab", "Khmr", "zh-tsp", "Cyrl", "IPAchar", "ug-Arab", "ko-inline",
 161       "Jpan", "Kore", "Hebr", "rfscript", "Beng", "Mong", "Knda", "Cyrs",
 162       "yue-tsj", "Mlym", "Tfng", "Grek", "yue-yue-j"));
 163
 164   private void doTranslations(final String title, final WikiTokenizer wikiTokenizer) {
 165     String sense = null;
 166     boolean done = false;
 167     while (wikiTokenizer.nextToken() != null) {
 168       if (wikiTokenizer.isHeading()) {
 169         wikiTokenizer.returnToLineStart();
 170         return;
 171       }
 172       if (done) {
 173         continue;
 174       }
 175
 176       // Check whether we care about this line:
 177
 178       //line = WikiLineReader.removeSquareBrackets(line);
 179
 180       if (wikiTokenizer.isFunction()) {
 181         final String functionName = wikiTokenizer.functionName();
 182         final List<String> positionArgs = wikiTokenizer.functionPositionArgs();
 183
 184         if (functionName.equals("trans-top")) {
 185           sense = null;
 186           if (wikiTokenizer.functionPositionArgs().size() >= 1) {
 187             sense = positionArgs.get(0);
 188             // TODO: could emphasize words in [[brackets]] inside sense.
 189             sense = WikiTokenizer.toPlainText(sense);
 190             //LOG.info("Sense: " + sense);
 191           }
 192         } else if (functionName.equals("trans-bottom")) {
 193           sense = null;
 194         } else if (functionName.equals("trans-mid")) {
 195         } else if (functionName.equals("trans-see")) {
 196           // TODO
 197         } else if (functionName.startsWith("picdic")) {
 198         } else if (functionName.startsWith("checktrans")) {
 199         } else if (functionName.startsWith("ttbc")) {
 200           wikiTokenizer.nextLine();
 201           // TODO: would be great to handle
 202           //TODO: Check this: done = true;
 203         } else {
 204           LOG.warning("Unexpected translation wikifunction: " + wikiTokenizer.token() + ", title=" + title);
 205         }
 206       } else if (wikiTokenizer.isListItem() && wikiTokenizer.listItemPrefix().startsWith("*")) {
 207         final String line = wikiTokenizer.listItemWikiText();
 208         // This line could produce an output...
 209
 210         // First strip the language and check whether it matches.
 211         // And hold onto it for sub-lines.
 212         final int colonIndex = line.indexOf(":");
 213         if (colonIndex == -1) {
 214           continue;
 215         }
 216
 217         final String lang = line.substring(0, colonIndex);
 218         if (!this.langPattern.matcher(lang).find()) {
 219           continue;
 220         }
 221
 222         String rest = line.substring(colonIndex + 1).trim();
 223         if (rest.length() > 0) {
 224           doTranslationLine(line, title, sense, rest);
 225         } else {
 226           // TODO: do lines that are like Greek:
 227         }
 228
 229       } else if (wikiTokenizer.remainderStartsWith("''See''")) {
 230         wikiTokenizer.nextLine();
 231         LOG.fine("Skipping line: " + wikiTokenizer.token());
 232       } else if (wikiTokenizer.isWikiLink()) {
 233         final String wikiLink = wikiTokenizer.wikiLinkText();
 234         if (wikiLink.contains(":") && wikiLink.contains(title)) {
 235         } else if (wikiLink.contains("Category:")) {
 236         } else  {
 237           LOG.warning("Unexpected wikiLink: " + wikiTokenizer.token() + ", title=" + title);
 238         }
 239       } else if (wikiTokenizer.isNewline() || wikiTokenizer.isMarkup() || wikiTokenizer.isComment()) {
 240       } else {
 241         final String token = wikiTokenizer.token();
 242         if (token.equals("----")) {
 243         } else {
 244           LOG.warning("Unexpected translation token: " + wikiTokenizer.token() + ", title=" + title);
 245         }
 246       }
 247
 248     }
 249   }
 250
 251   private static <T> T get(final List<T> list, final int index) {
 252     return index < list.size() ? list.get(index) : null;
 253   }
 254
 255   private void doTranslationLine(final String line, final String title, final String sense, final String rest) {
 256     // Good chance we'll actually file this one...
 257     final PairEntry pairEntry = new PairEntry();
 258     final IndexedEntry indexedEntry = new IndexedEntry(pairEntry);
 259
 260     final StringBuilder otherText = new StringBuilder();
 261     final WikiTokenizer wikiTokenizer = new WikiTokenizer(rest, false);
 262     while (wikiTokenizer.nextToken() != null) {
 263
 264       if (wikiTokenizer.isPlainText()) {
 265         final String plainText = wikiTokenizer.token();
 266         otherText.append("").append(plainText);
 267         otherIndexBuilder.addEntryWithString(indexedEntry, plainText, EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 268
 269       } else if (wikiTokenizer.isWikiLink()) {
 270         final String plainText = wikiTokenizer.wikiLinkText();
 271         otherText.append("").append(plainText);
 272         otherIndexBuilder.addEntryWithString(indexedEntry, plainText, EntryTypeName.WIKTIONARY_TRANSLATION_WIKI_TEXT);
 273
 274       } else if (wikiTokenizer.isFunction()) {
 275         final String functionName = wikiTokenizer.functionName();
 276         final List<String> args = wikiTokenizer.functionPositionArgs();
 277         final Map<String,String> namedArgs = wikiTokenizer.functionNamedArgs();
 278
 279         if (functionName.equals("t") || functionName.equals("t+") || functionName.equals("t-") || functionName.equals("tø") || functionName.equals("apdx-t")) {
 280           if (args.size() < 2) {
 281             LOG.warning("{{t}} with too few args: " + line + ", title=" + title);
 282             continue;
 283           }
 284           final String langCode = get(args, 0);
 285           //if (this.langCodePattern.matcher(langCode).matches()) {
 286             final String word = get(args, 1);
 287             final String gender = get(args, 2);
 288             final String transliteration = namedArgs.get("tr");
 289             if (otherText.length() > 0) {
 290               otherText.append("");
 291             }
 292             otherText.append(word);
 293             otherIndexBuilder.addEntryWithString(indexedEntry, word, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 294             if (gender != null) {
 295               otherText.append(String.format(" {%s}", gender));
 296             }
 297             if (transliteration != null) {
 298               otherText.append(String.format(" (tr. %s)", transliteration));
 299               otherIndexBuilder.addEntryWithString(indexedEntry, transliteration, EntryTypeName.WIKTIONARY_TRANSLITERATION);
 300             }
 301           //}
 302         } else if (functionName.equals("qualifier")) {
 303           String qualifier = args.get(0);
 304           if (!namedArgs.isEmpty() || args.size() > 1) {
 305             LOG.warning("weird qualifier: " + line);
 306           }
 307           otherText.append("(").append(qualifier).append(")");
 308         } else if (encodings.contains(functionName)) {
 309           otherText.append("").append(args.get(0));
 310           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 311         } else if (functionName.equals("m") || functionName.equals("f") || functionName.equals("n") || functionName.equals("p")) {
 312           otherText.append("{");
 313           otherText.append(functionName);
 314           for (int i = 0; i < args.size(); ++i) {
 315             otherText.append("|").append(args.get(i));
 316           }
 317           otherText.append("}");
 318         } else if (functionName.equals("g")) {
 319           otherText.append("{g}");
 320         } else if (functionName.equals("l")) {
 321           // encodes text in various langs.
 322           // lang is arg 0.
 323           otherText.append("").append(args.get(1));
 324           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(1), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 325           // TODO: transliteration
 326         } else if (functionName.equals("term")) {
 327           // cross-reference to another dictionary
 328           otherText.append("").append(args.get(0));
 329           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 330           // TODO: transliteration
 331         } else if (functionName.equals("italbrac") || functionName.equals("gloss")) {
 332           // TODO: put this text aside to use it.
 333           otherText.append("[").append(args.get(0)).append("]");
 334           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 335         } else if (functionName.equals("ttbc")) {
 336         } else if (functionName.equals("trreq")) {
 337         } else if (functionName.equals("not used")) {
 338           otherText.append("(not used)");
 339         } else if (functionName.equals("t-image")) {
 340           // American sign language
 341         } else if (args.isEmpty() && namedArgs.isEmpty()) {
 342           otherText.append("{UNK. FUNC.: ").append(functionName).append("}");
 343         } else {
 344           LOG.warning("Unexpected t+- wikifunction: " + line + ", title=" + title);
 345         }
 346
 347       } else if (wikiTokenizer.isNewline()) {
 348         assert false;
 349       } else if (wikiTokenizer.isComment()) {
 350       } else if (wikiTokenizer.isMarkup()) {
 351       } else {
 352         LOG.warning("Bad translation token: " + wikiTokenizer.token());
 353       }
 354     }
 355     if (otherText.length() == 0) {
 356       LOG.warning("Empty otherText: " + line);
 357       return;
 358     }
 359
 360     StringBuilder englishText = new StringBuilder();
 361
 362     englishText.append(title);
 363     if (sense != null) {
 364       englishText.append(" (").append(sense).append(")");
 365       enIndexBuilder.addEntryWithString(indexedEntry, sense, EntryTypeName.WIKTIONARY_TRANSLATION_SENSE, EntryTypeName.WIKTIONARY_TRANSLATION_SENSE);
 366     }
 367     if (pos != null) {
 368       englishText.append(" (").append(pos.toLowerCase()).append(")");
 369     }
 370     enIndexBuilder.addEntryWithString(indexedEntry, title, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 371
 372     final Pair pair = new Pair(trim(englishText.toString()), trim(otherText.toString()), swap);
 373     pairEntry.pairs.add(pair);
 374     if (!pairsAdded.add(pair.toString())) {
 375       LOG.warning("Duplicate pair: " + pair.toString());
 376     }
 377     if (pair.toString().equals("libero {m} :: free (adjective)")) {
 378       System.out.println();
 379     }
 380
 381   }
 382
 383   static final Pattern whitespace = Pattern.compile("\\s+");
 384
 385   static String trim(final String s) {
 386     return whitespace.matcher(s).replaceAll(" ").trim();
 387   }
 388
 389   Set<String> pairsAdded = new LinkedHashSet<String>();
 390
 391   // -------------------------------------------------------------------------
 392
 393   private void doForeignWord(final String title, final String text) {
 394     final WikiTokenizer wikiTokenizer = new WikiTokenizer(text);
 395     while (wikiTokenizer.nextToken() != null) {
 396       if (wikiTokenizer.isHeading()) {
 397         final String headingName = wikiTokenizer.headingWikiText();
 398         if (headingName.equals("Translations")) {
 399           LOG.warning("Translations not in English section: " + title);
 400         } else if (headingName.equals("Pronunciation")) {
 401           //doPronunciation(wikiLineReader);
 402         } else if (partOfSpeechHeader.matcher(headingName).matches()) {
 403           doPartOfSpeech(title, headingName, wikiTokenizer.headingDepth(), wikiTokenizer);
 404         }
 405       } else {
 406       }
 407     }
 408   }
 409
 410
 411   private void doPartOfSpeech(String title, final String posHeading, final int posDepth, WikiTokenizer wikiTokenizer) {
 412     LOG.info("***" + title + ", pos=" + posHeading);
 413     //final StringBuilder foreignBuilder = new StringBuilder();
 414
 415     String side = null;
 416     Collection<String> forms = Collections.emptyList();
 417
 418     int currentHeadingDepth = posDepth;
 419     while (wikiTokenizer.nextToken() != null) {
 420       if (wikiTokenizer.isHeading()) {
 421         currentHeadingDepth = wikiTokenizer.headingDepth();
 422
 423         if (currentHeadingDepth <= posDepth) {
 424           wikiTokenizer.returnToLineStart();
 425           return;
 426         }
 427       }
 428
 429       if (currentHeadingDepth > posDepth) {
 430         // TODO
 431         continue;
 432       }
 433
 434       if (wikiTokenizer.isFunction()) {
 435         final String name = wikiTokenizer.functionName();
 436         final List<String> args = wikiTokenizer.functionPositionArgs();
 437         final Map<String,String> namedArgs = wikiTokenizer.functionNamedArgs();
 438         // First line is generally a repeat of the title with some extra information.
 439         // We need to build up the left side (foreign text, tokens) separately from the
 440         // right side (English).  The left-side may get paired with multiple right sides.
 441         // The left side should get filed under every form of the word in question (singular, plural).
 442
 443         // For verbs, the conjugation comes later on in a deeper section.
 444         // Ideally, we'd want to file every English entry with the verb
 445         // under every verb form coming from the conjugation.
 446         // Ie. under "fa": see: "make :: fare" and "do :: fare"
 447         // But then where should we put the conjugation table?
 448         // I think just under fare.  But then we need a way to link to the entry (actually the row, since entries doesn't show up!)
 449         // for the conjugation table from "fa".
 450         // Would like to be able to link to a lang#token.
 451         if (name.equals("it-noun")) {
 452           assert forms.isEmpty();
 453           final String base = get(args, 0);
 454           final String gender = get(args, 1);
 455           final String singular = base + get(args, 2);
 456           final String plural = base + get(args, 3);
 457           side = String.format("%s {%s}, %s {pl}", singular, gender, plural, plural);
 458           forms = Arrays.asList(singular, plural);
 459         } else if (name.equals("it-proper noun")) {
 460           // TODO
 461         } else if (name.equals("it-adj")) {
 462           // TODO
 463         } else if (name.startsWith("it-conj")) {
 464           if (name.equals("it-conj-are")) {
 465             itConjAre(args, namedArgs);
 466           } else if (name.equals("it-conj-ere")) {
 467           } else if (name.equals("it-conj-ire")) {
 468           } else {
 469             LOG.warning("Unknown conjugation: " + wikiTokenizer.token());
 470           }
 471
 472         } else {
 473           LOG.warning("Unknown function: " + wikiTokenizer.token());
 474         }
 475
 476       } else if (wikiTokenizer.isListItem()) {
 477         handleForeignListItem(side != null ? side : title, title, forms, wikiTokenizer);
 478
 479       } else if (wikiTokenizer.isWikiLink()) {
 480
 481       } else {
 482       }
 483
 484     }
 485   }
 486
 487   private void itConjAre(List<String> args, Map<String, String> namedArgs) {
 488     final String base = args.get(0);
 489     final String aux = args.get(1);
 490
 491     putIfMissing(namedArgs, "inf", base + "are");
 492     putIfMissing(namedArgs, "aux", aux);
 493     putIfMissing(namedArgs, "ger", base + "ando");
 494     putIfMissing(namedArgs, "presp", base + "ante");
 495     putIfMissing(namedArgs, "pastp", base + "ato");
 496     // Present
 497     putIfMissing(namedArgs, "pres1s", base + "o");
 498     putIfMissing(namedArgs, "pres2s", base + "i");
 499     putIfMissing(namedArgs, "pres3s", base + "a");
 500     putIfMissing(namedArgs, "pres1p", base + "iamo");
 501     putIfMissing(namedArgs, "pres2p", base + "ate");
 502     putIfMissing(namedArgs, "pres3p", base + "ano");
 503     // Imperfect
 504     putIfMissing(namedArgs, "imperf1s", base + "avo");
 505     putIfMissing(namedArgs, "imperf2s", base + "avi");
 506     putIfMissing(namedArgs, "imperf3s", base + "ava");
 507     putIfMissing(namedArgs, "imperf1p", base + "avamo");
 508     putIfMissing(namedArgs, "imperf2p", base + "avate");
 509     putIfMissing(namedArgs, "imperf3p", base + "avano");
 510     // Passato remoto
 511     putIfMissing(namedArgs, "prem1s", base + "ai");
 512     putIfMissing(namedArgs, "prem2s", base + "asti");
 513     putIfMissing(namedArgs, "prem3s", base + "ò");
 514     putIfMissing(namedArgs, "prem1p", base + "ammo");
 515     putIfMissing(namedArgs, "prem2p", base + "aste");
 516     putIfMissing(namedArgs, "prem3p", base + "arono");
 517     // Future
 518     putIfMissing(namedArgs, "fut1s", base + "erò");
 519     putIfMissing(namedArgs, "fut2s", base + "erai");
 520     putIfMissing(namedArgs, "fut3s", base + "erà");
 521     putIfMissing(namedArgs, "fut1p", base + "eremo");
 522     putIfMissing(namedArgs, "fut2p", base + "erete");
 523     putIfMissing(namedArgs, "fut3p", base + "eranno");
 524     // Conditional
 525     putIfMissing(namedArgs, "cond1s", base + "erei");
 526     putIfMissing(namedArgs, "cond2s", base + "eresti");
 527     putIfMissing(namedArgs, "cond3s", base + "erebbe");
 528     putIfMissing(namedArgs, "cond1p", base + "eremmo");
 529     putIfMissing(namedArgs, "cond2p", base + "ereste");
 530     putIfMissing(namedArgs, "cond3p", base + "erebbero");
 531     // Subjunctive / congiuntivo
 532     putIfMissing(namedArgs, "sub123s", base + "i");
 533     putIfMissing(namedArgs, "sub1p", base + "iamo");
 534     putIfMissing(namedArgs, "sub2p", base + "iate");
 535     putIfMissing(namedArgs, "sub3p", base + "ino");
 536     // Imperfect subjunctive
 537     putIfMissing(namedArgs, "impsub12s", base + "assi");
 538     putIfMissing(namedArgs, "impsub3s", base + "asse");
 539     putIfMissing(namedArgs, "impsub1p", base + "assimo");
 540     putIfMissing(namedArgs, "impsub2p", base + "aste");
 541     putIfMissing(namedArgs, "impsub3p", base + "assero");
 542     // Imperative
 543     putIfMissing(namedArgs, "imp2s", base + "a");
 544     putIfMissing(namedArgs, "imp3s", base + "i");
 545     putIfMissing(namedArgs, "imp1p", base + "iamo");
 546     putIfMissing(namedArgs, "imp2p", base + "ate");
 547     putIfMissing(namedArgs, "imp3p", base + "ino");
 548
 549
 550     itConj(args, namedArgs);
 551   }
 552
 553
 554   private void itConj(List<String> args, Map<String, String> namedArgs) {
 555     // TODO Auto-generated method stub
 556
 557   }
 558
 559
 560   private static void putIfMissing(final Map<String, String> namedArgs, final String key,
 561       final String value) {
 562     final String oldValue = namedArgs.get(key);
 563     if (oldValue == null || oldValue.length() == 0) {
 564       namedArgs.put(key, value);
 565     }
 566   }
 567
 568   // TODO: check how ='' and =| are manifested....
 569   // TODO: get this right in -are
 570   private static void putOrNullify(final Map<String, String> namedArgs, final String key,
 571       final String value) {
 572     final String oldValue = namedArgs.get(key);
 573     if (oldValue == null/* || oldValue.length() == 0*/) {
 574       namedArgs.put(key, value);
 575     } else {
 576       if (oldValue.equals("''")) {
 577         namedArgs.put(key, "");
 578       }
 579     }
 580   }
 581
 582   final List<String> listPrefixes = new ArrayList<String>();
 583   final List<String> listLines = new ArrayList<String>();
 584
 585 static final Pattern UNINDEXED_WIKI_TEXT = Pattern.compile(
 586     "(first|second|third)-person (singular|plural)|" +
 587     "present tense|" +
 588     "imperative"
 589     );
 590
 591   private void handleForeignListItem(final String foreignText, String title, final Collection<String> forms, final WikiTokenizer wikiTokenizer) {
 592
 593     final String prefix = wikiTokenizer.listItemPrefix();
 594     if (prefix.length() > 1) {
 595       LOG.warning("Prefix too long: " + wikiTokenizer.token());
 596       return;
 597     }
 598
 599     listPrefixes.clear();
 600     listLines.clear();
 601     listPrefixes.add(prefix);
 602     listLines.add(wikiTokenizer.listItemWikiText());
 603     while(wikiTokenizer.nextToken() != null &&
 604         wikiTokenizer.isNewline() ||
 605         wikiTokenizer.isComment() ||
 606         (wikiTokenizer.isListItem() &&
 607             wikiTokenizer.listItemPrefix().length() > prefix.length() &&
 608             wikiTokenizer.listItemPrefix().startsWith(prefix))) {
 609       if (wikiTokenizer.isListItem()) {
 610         listPrefixes.add(wikiTokenizer.listItemPrefix());
 611         listLines.add(wikiTokenizer.listItemWikiText());
 612       }
 613     }
 614     if (wikiTokenizer.nextToken() != null) {
 615       wikiTokenizer.returnToLineStart();
 616     }
 617     LOG.info("list lines: " + listLines);
 618     LOG.info("list prefixes: " + listPrefixes);
 619
 620     final PairEntry pairEntry = new PairEntry();
 621     final IndexedEntry indexedEntry = new IndexedEntry(pairEntry);
 622
 623     final String foreign = trim(title);
 624
 625     final StringBuilder englishBuilder = new StringBuilder();
 626
 627     final String mainLine = listLines.get(0);
 628
 629     final WikiTokenizer englishTokenizer = new WikiTokenizer(mainLine, false);
 630     while (englishTokenizer.nextToken() != null) {
 631       // TODO handle form of....
 632       if (englishTokenizer.isPlainText()) {
 633         englishBuilder.append(englishTokenizer.token());
 634         enIndexBuilder.addEntryWithString(indexedEntry, englishTokenizer.token(), EntryTypeName.WIKTIONARY_ENGLISH_DEF);
 635       } else if (englishTokenizer.isWikiLink()) {
 636         final String text = englishTokenizer.wikiLinkText();
 637         final String link = englishTokenizer.wikiLinkDest();
 638         if (link != null) {
 639           if (link.contains("#English")) {
 640             englishBuilder.append(text);
 641             enIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_WIKI_LINK);
 642           } else if (link.contains("#") && this.langPattern.matcher(link).find()) {
 643             englishBuilder.append(text);
 644             otherIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_OTHER_LANG);
 645           } else {
 646             LOG.warning("Special link: " + englishTokenizer.token());
 647             // TODO: something here...
 648           }
 649         } else {
 650           // link == null
 651           englishBuilder.append(text);
 652           if (!UNINDEXED_WIKI_TEXT.matcher(text).find()) {
 653             enIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_WIKI_LINK);
 654           }
 655         }
 656       } else if (englishTokenizer.isFunction()) {
 657         final String name = englishTokenizer.functionName();
 658         if (name.contains(" conjugation of ") ||
 659             name.contains(" form of ") ||
 660             name.contains(" feminine of ") ||
 661             name.contains(" plural of ")) {
 662           // Ignore these in the index, they're really annoying....
 663           englishBuilder.append(englishTokenizer.token());
 664         } else {
 665           LOG.warning("Unexpected function: " + englishTokenizer.token());
 666         }
 667       } else {
 668         if (englishTokenizer.isComment() || englishTokenizer.isMarkup()) {
 669         } else {
 670           LOG.warning("Unexpected definition text: " + englishTokenizer.token());
 671         }
 672       }
 673     }
 674     final String english = trim(englishBuilder.toString());
 675     if (english.length() > 0) {
 676       final Pair pair = new Pair(english, trim(foreignText), this.swap);
 677       pairEntry.pairs.add(pair);
 678       otherIndexBuilder.addEntryWithString(indexedEntry, title, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 679       for (final String form : forms) {
 680         otherIndexBuilder.addEntryWithString(indexedEntry, form, EntryTypeName.WIKTIONARY_FORM_SINGLE, EntryTypeName.WIKTIONARY_FORM_MULTI);
 681       }
 682     }
 683   }
 684
 685
 686 }