src/com/hughes/android/dictionary/engine/Index.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.engine;
  16
  17 import java.io.DataInput;
  18 import java.io.DataOutput;
  19 import java.io.IOException;
  20 import java.io.PrintStream;
  21 import java.io.RandomAccessFile;
  22 import java.util.AbstractList;
  23 import java.util.ArrayList;
  24 import java.util.Collection;
  25 import java.util.Collections;
  26 import java.util.Comparator;
  27 import java.util.EnumMap;
  28 import java.util.HashMap;
  29 import java.util.HashSet;
  30 import java.util.List;
  31 import java.util.Map;
  32 import java.util.Set;
  33 import java.util.concurrent.atomic.AtomicBoolean;
  34 import java.util.regex.Pattern;
  35
  36 import com.hughes.android.dictionary.DictionaryInfo;
  37 import com.hughes.android.dictionary.DictionaryInfo.IndexInfo;
  38 import com.hughes.android.dictionary.engine.RowBase.RowKey;
  39 import com.hughes.util.CachingList;
  40 import com.hughes.util.DataInputBuffer;
  41 import com.hughes.util.StringUtil;
  42 import com.hughes.util.TransformingList;
  43 import com.hughes.util.raf.RAFList;
  44 import com.hughes.util.raf.RAFSerializer;
  45 import com.hughes.util.raf.UniformRAFList;
  46 import com.ibm.icu.text.Transliterator;
  47
  48 public final class Index {
  49
  50     private static final int CACHE_SIZE = 5000;
  51
  52     public final Dictionary dict;
  53
  54     public final String shortName; // Typically the ISO code for the language.
  55     public final String longName;
  56
  57     // persisted: tells how the entries are sorted.
  58     public final Language sortLanguage;
  59     public final String normalizerRules;
  60
  61     // Built from the two above.
  62     private Transliterator normalizer;
  63
  64     // persisted
  65     public final List<IndexEntry> sortedIndexEntries;
  66
  67     // persisted.
  68     public final Set<String> stoplist;
  69
  70     // One big list!
  71     // Various sub-types.
  72     // persisted
  73     public final List<RowBase> rows;
  74     public final boolean swapPairEntries;
  75
  76     // Version 2:
  77     @SuppressWarnings("WeakerAccess")
  78     public int mainTokenCount = -1;
  79
  80     // --------------------------------------------------------------------------
  81
  82     public Index(final Dictionary dict, final String shortName, final String longName,
  83                  final Language sortLanguage, final String normalizerRules,
  84                  final boolean swapPairEntries, final Set<String> stoplist) {
  85         this.dict = dict;
  86         this.shortName = shortName;
  87         this.longName = longName;
  88         this.sortLanguage = sortLanguage;
  89         this.normalizerRules = normalizerRules;
  90         this.swapPairEntries = swapPairEntries;
  91         sortedIndexEntries = new ArrayList<>();
  92         this.stoplist = stoplist;
  93         rows = new ArrayList<>();
  94
  95         normalizer = null;
  96     }
  97
  98     /**
  99      * Deferred initialization because it can be slow.
 100      */
 101     @SuppressWarnings("WeakerAccess")
 102     public synchronized Transliterator normalizer() {
 103         if (normalizer == null) {
 104             normalizer = TransliteratorManager.get(normalizerRules);
 105         }
 106         return normalizer;
 107     }
 108
 109     /**
 110      * Note that using this comparator probably involves doing too many text
 111      * normalizations.
 112      */
 113     @SuppressWarnings("WeakerAccess")
 114     public NormalizeComparator getSortComparator() {
 115         return new NormalizeComparator(normalizer(), sortLanguage.getCollator(), dict.dictFileVersion);
 116     }
 117
 118     public Index(final Dictionary dict, final DataInputBuffer raf) throws IOException {
 119         this.dict = dict;
 120         shortName = raf.readUTF();
 121         longName = raf.readUTF();
 122         final String languageCode = raf.readUTF();
 123         sortLanguage = Language.lookup(languageCode);
 124         normalizerRules = raf.readUTF();
 125         swapPairEntries = raf.readBoolean();
 126         if (dict.dictFileVersion >= 2) {
 127             mainTokenCount = raf.readInt();
 128         }
 129         sortedIndexEntries = CachingList.create(
 130                                  RAFList.create(raf, new IndexEntrySerializer(),
 131                                                 dict.dictFileVersion, dict.dictInfo + " idx " + languageCode + ": "), CACHE_SIZE, true);
 132         if (dict.dictFileVersion >= 7) {
 133             int count = StringUtil.readVarInt(raf);
 134             stoplist = new HashSet<>(count);
 135             for (int i = 0; i < count; ++i) {
 136                 stoplist.add(raf.readUTF());
 137             }
 138         } else if (dict.dictFileVersion >= 4) {
 139             stoplist = new HashSet<>();
 140             raf.readInt(); // length
 141             raf.skipBytes(18);
 142             byte b = raf.readByte();
 143             raf.skipBytes(b == 'L' ? 71 : 33);
 144             while ((b = raf.readByte()) == 0x74) {
 145                 stoplist.add(raf.readUTF());
 146             }
 147             if (b != 0x78) throw new IOException("Invalid data in dictionary stoplist!");
 148         } else {
 149             stoplist = Collections.emptySet();
 150         }
 151         rows = CachingList.create(
 152                    UniformRAFList.create(raf, new RowBase.Serializer(this)),
 153                    CACHE_SIZE, true);
 154     }
 155
 156     public void write(final DataOutput out) throws IOException {
 157         RandomAccessFile raf = (RandomAccessFile)out;
 158         raf.writeUTF(shortName);
 159         raf.writeUTF(longName);
 160         raf.writeUTF(sortLanguage.getIsoCode());
 161         raf.writeUTF(normalizerRules);
 162         raf.writeBoolean(swapPairEntries);
 163         raf.writeInt(mainTokenCount);
 164         RAFList.write(raf, sortedIndexEntries, new IndexEntrySerializer(), 32, true);
 165         StringUtil.writeVarInt(raf, stoplist.size());
 166         for (String i : stoplist) {
 167             raf.writeUTF(i);
 168         }
 169         UniformRAFList.write(raf, rows, new RowBase.Serializer(this), 3 /* bytes per entry */);
 170     }
 171
 172     public void print(final PrintStream out) {
 173         for (final RowBase row : rows) {
 174             row.print(out);
 175         }
 176     }
 177
 178     private final class IndexEntrySerializer implements RAFSerializer<IndexEntry> {
 179         @Override
 180         public IndexEntry read(DataInput raf) throws IOException {
 181             return new IndexEntry(Index.this, raf);
 182         }
 183
 184         @Override
 185         public void write(DataOutput raf, IndexEntry t) throws IOException {
 186             t.write(raf);
 187         }
 188     }
 189
 190     public static final class IndexEntry {
 191         public final String token;
 192         private final String normalizedToken;
 193         public final int startRow;
 194         final int numRows; // doesn't count the token row!
 195         public List<HtmlEntry> htmlEntries;
 196
 197         public IndexEntry(final Index index, final String token, final String normalizedToken,
 198                           final int startRow, final int numRows) {
 199             assert token.equals(token.trim());
 200             assert token.length() > 0;
 201             this.token = token;
 202             this.normalizedToken = normalizedToken;
 203             this.startRow = startRow;
 204             this.numRows = numRows;
 205             this.htmlEntries = new ArrayList<>();
 206         }
 207
 208         IndexEntry(final Index index, final DataInput raf) throws IOException {
 209             token = raf.readUTF();
 210             if (index.dict.dictFileVersion >= 7) {
 211                 startRow = StringUtil.readVarInt(raf);
 212                 numRows = StringUtil.readVarInt(raf);
 213             } else {
 214                 startRow = raf.readInt();
 215                 numRows = raf.readInt();
 216             }
 217             final boolean hasNormalizedForm = raf.readBoolean();
 218             normalizedToken = hasNormalizedForm ? raf.readUTF() : token;
 219             if (index.dict.dictFileVersion >= 7) {
 220                 int size = StringUtil.readVarInt(raf);
 221                 if (size == 0) {
 222                     this.htmlEntries = Collections.emptyList();
 223                 } else {
 224                     final int[] htmlEntryIndices = new int[size];
 225                     for (int i = 0; i < size; ++i) {
 226                         htmlEntryIndices[i] = StringUtil.readVarInt(raf);
 227                     }
 228                     this.htmlEntries = new AbstractList<HtmlEntry>() {
 229                         @Override
 230                         public HtmlEntry get(int i) {
 231                             return index.dict.htmlEntries.get(htmlEntryIndices[i]);
 232                         }
 233
 234                         @Override
 235                         public int size() {
 236                             return htmlEntryIndices.length;
 237                         }
 238                     };
 239                 }
 240             } else if (index.dict.dictFileVersion >= 6) {
 241                 this.htmlEntries = CachingList.create(
 242                                        RAFList.create((DataInputBuffer)raf, index.dict.htmlEntryIndexSerializer,
 243                                                       index.dict.dictFileVersion,
 244                                                       index.dict.dictInfo + " htmlEntries: "), 1, false);
 245             } else {
 246                 this.htmlEntries = Collections.emptyList();
 247             }
 248         }
 249
 250         public void write(DataOutput raf) throws IOException {
 251             raf.writeUTF(token);
 252             StringUtil.writeVarInt(raf, startRow);
 253             StringUtil.writeVarInt(raf, numRows);
 254             final boolean hasNormalizedForm = !token.equals(normalizedToken);
 255             raf.writeBoolean(hasNormalizedForm);
 256             if (hasNormalizedForm) {
 257                 raf.writeUTF(normalizedToken);
 258             }
 259             StringUtil.writeVarInt(raf, htmlEntries.size());
 260             for (HtmlEntry e : htmlEntries)
 261                 StringUtil.writeVarInt(raf, e.index());
 262         }
 263
 264         public String toString() {
 265             return String.format("%s@%d(%d)", token, startRow, numRows);
 266         }
 267
 268         String normalizedToken() {
 269             return normalizedToken;
 270         }
 271     }
 272
 273     private static final TransformingList.Transformer<IndexEntry, String> INDEX_ENTRY_TO_TOKEN = new TransformingList.Transformer<IndexEntry, String>() {
 274         @Override
 275         public String transform(IndexEntry t1) {
 276             return t1.token;
 277         }
 278     };
 279
 280     public IndexEntry findExact(final String exactToken) {
 281         final int result = Collections.binarySearch(
 282                                TransformingList.create(sortedIndexEntries, INDEX_ENTRY_TO_TOKEN), exactToken,
 283                                getSortComparator());
 284         if (result >= 0) {
 285             return sortedIndexEntries.get(result);
 286         }
 287         return null;
 288     }
 289
 290     public IndexEntry findInsertionPoint(String token, final AtomicBoolean interrupted) {
 291         final int index = findInsertionPointIndex(token, interrupted);
 292         return index != -1 ? sortedIndexEntries.get(index) : null;
 293     }
 294
 295     private int compareIdx(String token, final Comparator<Object> sortCollator, int idx) {
 296         final IndexEntry entry = sortedIndexEntries.get(idx);
 297         return NormalizeComparator.compareWithoutDash(token, entry.normalizedToken(), sortCollator, dict.dictFileVersion);
 298     }
 299
 300     private int findMatchLen(final Comparator<Object> sortCollator, String a, String b) {
 301         int start = 0;
 302         int end = Math.min(a.length(), b.length());
 303         while (start < end)
 304         {
 305             int mid = (start + end + 1) / 2;
 306             if (sortCollator.compare(a.substring(0, mid), b.substring(0, mid)) == 0)
 307                 start = mid;
 308             else
 309                 end = mid - 1;
 310         }
 311         return start;
 312     }
 313
 314     private int findInsertionPointIndex(String token, final AtomicBoolean interrupted) {
 315         token = normalizeToken(token);
 316
 317         int start = 0;
 318         int end = sortedIndexEntries.size();
 319
 320         final Comparator<Object> sortCollator = sortLanguage.getCollator();
 321         while (start < end) {
 322             final int mid = (start + end) / 2;
 323             if (interrupted.get()) {
 324                 return -1;
 325             }
 326             final IndexEntry midEntry = sortedIndexEntries.get(mid);
 327
 328             int comp = NormalizeComparator.compareWithoutDash(token, midEntry.normalizedToken(), sortCollator, dict.dictFileVersion);
 329             if (comp == 0)
 330                 comp = sortCollator.compare(token, midEntry.normalizedToken());
 331             if (comp == 0) {
 332                 return windBackCase(token, mid, interrupted);
 333             } else if (comp < 0) {
 334                 // System.out.println("Upper bound: " + midEntry + ", norm=" +
 335                 // midEntry.normalizedToken() + ", mid=" + mid);
 336
 337                 // Hack for robustness if sort order is broken
 338                 if (mid + 2 < end &&
 339                     compareIdx(token, sortCollator, mid + 1) > 0 &&
 340                     compareIdx(token, sortCollator, mid + 2) > 0) {
 341                     start = mid;
 342                 } else {
 343                     end = mid;
 344                 }
 345             } else {
 346                 // System.out.println("Lower bound: " + midEntry + ", norm=" +
 347                 // midEntry.normalizedToken() + ", mid=" + mid);
 348
 349                 // Hack for robustness if sort order is broken
 350                 if (mid - 2 >= start &&
 351                     compareIdx(token, sortCollator, mid - 1) < 0 &&
 352                     compareIdx(token, sortCollator, mid - 2) < 0) {
 353                     end = mid + 1;
 354                 } else {
 355                     start = mid + 1;
 356                 }
 357             }
 358         }
 359
 360         // if the word before is the better match, move
 361         // our result to it
 362         if (start > 0 && start < sortedIndexEntries.size()) {
 363             String prev = sortedIndexEntries.get(start - 1).normalizedToken();
 364             String next = sortedIndexEntries.get(start).normalizedToken();
 365             if (findMatchLen(sortCollator, token, prev) >= findMatchLen(sortCollator, token, next))
 366                 start--;
 367         }
 368
 369         // If we search for a substring of a string that's in there, return
 370         // that.
 371         int result = Math.min(start, sortedIndexEntries.size() - 1);
 372         result = windBackCase(sortedIndexEntries.get(result).normalizedToken(), result, interrupted);
 373         return result;
 374     }
 375
 376     private int windBackCase(final String token, int result, final AtomicBoolean interrupted) {
 377         while (result > 0 && sortedIndexEntries.get(result - 1).normalizedToken().equals(token)) {
 378             --result;
 379             if (interrupted.get()) {
 380                 return result;
 381             }
 382         }
 383         return result;
 384     }
 385
 386     public IndexInfo getIndexInfo() {
 387         return new DictionaryInfo.IndexInfo(shortName, sortedIndexEntries.size(), mainTokenCount);
 388     }
 389
 390     private static final int MAX_SEARCH_ROWS = 1000;
 391
 392     private final Map<String, Integer> prefixToNumRows = new HashMap<>();
 393
 394     private synchronized int getUpperBoundOnRowsStartingWith(final String normalizedPrefix,
 395                                                              final int maxRows, final AtomicBoolean interrupted) {
 396         final Integer numRows = prefixToNumRows.get(normalizedPrefix);
 397         if (numRows != null) {
 398             return numRows;
 399         }
 400         final int insertionPointIndex = findInsertionPointIndex(normalizedPrefix, interrupted);
 401
 402         int rowCount = 0;
 403         for (int index = insertionPointIndex; index < sortedIndexEntries.size(); ++index) {
 404             if (interrupted.get()) {
 405                 return -1;
 406             }
 407             final IndexEntry indexEntry = sortedIndexEntries.get(index);
 408             if (!indexEntry.normalizedToken.startsWith(normalizedPrefix) &&
 409                 !NormalizeComparator.withoutDash(indexEntry.normalizedToken).startsWith(normalizedPrefix)) {
 410                 break;
 411             }
 412             rowCount += indexEntry.numRows + indexEntry.htmlEntries.size();
 413             if (rowCount > maxRows) {
 414                 System.out.println("Giving up, too many words with prefix: " + normalizedPrefix);
 415                 break;
 416             }
 417         }
 418         prefixToNumRows.put(normalizedPrefix, rowCount);
 419         return rowCount;
 420     }
 421
 422     public final List<RowBase> multiWordSearch(
 423         final String searchText, final List<String> searchTokens,
 424         final AtomicBoolean interrupted) {
 425         final long startMills = System.currentTimeMillis();
 426         final List<RowBase> result = new ArrayList<>();
 427
 428         final Set<String> normalizedNonStoplist = new HashSet<>();
 429
 430         String bestPrefix = null;
 431         int leastRows = Integer.MAX_VALUE;
 432         final StringBuilder searchTokensRegex = new StringBuilder();
 433         for (int i = 0; i < searchTokens.size(); ++i) {
 434             if (interrupted.get()) {
 435                 return null;
 436             }
 437             final String searchToken = searchTokens.get(i);
 438             final String normalized = normalizeToken(searchTokens.get(i));
 439             // Normalize them all.
 440             searchTokens.set(i, normalized);
 441
 442             if (!stoplist.contains(searchToken)) {
 443                 if (normalizedNonStoplist.add(normalized)) {
 444                     final int numRows = getUpperBoundOnRowsStartingWith(normalized,
 445                                         MAX_SEARCH_ROWS, interrupted);
 446                     if (numRows != -1 && numRows < leastRows) {
 447                         if (numRows == 0) {
 448                             // We really are done here.
 449                             return Collections.emptyList();
 450                         }
 451                         leastRows = numRows;
 452                         bestPrefix = normalized;
 453                     }
 454                 }
 455             }
 456
 457             if (searchTokensRegex.length() > 0) {
 458                 searchTokensRegex.append("[\\s]*");
 459             }
 460             searchTokensRegex.append(Pattern.quote(normalized));
 461         }
 462         final Pattern pattern = Pattern.compile(searchTokensRegex.toString());
 463
 464         if (bestPrefix == null) {
 465             bestPrefix = searchTokens.get(0);
 466             System.out.println("Everything was in the stoplist!");
 467         }
 468         System.out.println("Searching using prefix: " + bestPrefix + ", leastRows=" + leastRows
 469                            + ", searchTokens=" + searchTokens);
 470
 471         // Place to store the things that match.
 472         final Map<RowMatchType, List<RowBase>> matches = new EnumMap<>(
 473                 RowMatchType.class);
 474         for (final RowMatchType rowMatchType : RowMatchType.values()) {
 475             if (rowMatchType != RowMatchType.NO_MATCH) {
 476                 matches.put(rowMatchType, new ArrayList<RowBase>());
 477             }
 478         }
 479
 480         int matchCount = 0;
 481
 482         final int exactMatchIndex = findInsertionPointIndex(searchText, interrupted);
 483         if (exactMatchIndex != -1) {
 484             final IndexEntry exactMatch = sortedIndexEntries.get(exactMatchIndex);
 485             if (pattern.matcher(exactMatch.token).find()) {
 486                 matches.get(RowMatchType.TITLE_MATCH).add(rows.get(exactMatch.startRow));
 487             }
 488         }
 489
 490         final String searchToken = bestPrefix;
 491         final int insertionPointIndex = findInsertionPointIndex(searchToken, interrupted);
 492         final Set<RowKey> rowsAlreadySeen = new HashSet<>();
 493         for (int index = insertionPointIndex; index < sortedIndexEntries.size()
 494                 && matchCount < MAX_SEARCH_ROWS; ++index) {
 495             if (interrupted.get()) {
 496                 return null;
 497             }
 498             final IndexEntry indexEntry = sortedIndexEntries.get(index);
 499             if (!indexEntry.normalizedToken.startsWith(searchToken) &&
 500                 !NormalizeComparator.withoutDash(indexEntry.normalizedToken).startsWith(searchToken)) {
 501                 break;
 502             }
 503
 504             // System.out.println("Searching indexEntry: " + indexEntry.token);
 505
 506             // Extra +1 to skip token row.
 507             for (int rowIndex = indexEntry.startRow + 1; rowIndex < indexEntry.startRow + 1
 508                     + indexEntry.numRows
 509                     && rowIndex < rows.size(); ++rowIndex) {
 510                 if (interrupted.get()) {
 511                     return null;
 512                 }
 513                 final RowBase row = rows.get(rowIndex);
 514                 final RowBase.RowKey rowKey = row.getRowKey();
 515                 if (rowsAlreadySeen.contains(rowKey)) {
 516                     continue;
 517                 }
 518                 rowsAlreadySeen.add(rowKey);
 519                 final RowMatchType matchType = row.matches(searchTokens, pattern, normalizer(),
 520                                                swapPairEntries);
 521                 if (matchType != RowMatchType.NO_MATCH) {
 522                     matches.get(matchType).add(row);
 523                     ++matchCount;
 524                 }
 525             }
 526         }
 527         // } // searchTokens
 528
 529         // Sort them into a reasonable order.
 530         final RowBase.LengthComparator lengthComparator = new RowBase.LengthComparator(
 531             swapPairEntries);
 532         for (final Collection<RowBase> rows : matches.values()) {
 533             final List<RowBase> ordered = new ArrayList<>(rows);
 534             Collections.sort(ordered, lengthComparator);
 535             result.addAll(ordered);
 536         }
 537
 538         System.out.println("searchDuration: " + (System.currentTimeMillis() - startMills));
 539         return result;
 540     }
 541
 542     private String normalizeToken(final String searchToken) {
 543         if (TransliteratorManager.init(null, null)) {
 544             final Transliterator normalizer = normalizer();
 545             return normalizer.transliterate(searchToken);
 546         } else {
 547             // Do our best since the Transliterators aren't up yet.
 548             return searchToken.toLowerCase();
 549         }
 550     }
 551
 552 }