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     int count = 0;
  69     while ((line = reader.readLine()) != null) {
  70       if (count % 10000 == 0) {
  71         logger.info("count=" + count + ", line=" + line);
  72       }
  73       parseLine(line);
  74       ++count;
  75     }
  76   }
  77
  78   private void parseLine(final String line) {
  79     if (line.startsWith("#") || line.length() == 0) {
  80       logger.info("Skipping comment line: " + line);
  81       return;
  82     }
  83     final String[] fields = fieldSplit.split(line);
  84     if (fields.length != 2) {
  85       logger.warning("Malformed line: " + line);
  86       return;
  87     }
  88
  89     fields[0] = SPACES.matcher(fields[0]).replaceAll(" ").trim();
  90     fields[1] = SPACES.matcher(fields[1]).replaceAll(" ").trim();
  91     if (flipCols) {
  92       final String temp = fields[0];
  93       fields[0] = fields[1];
  94       fields[1] = temp;
  95     }
  96
  97     final String[][] subfields = new String[2][];
  98       if (subfieldSplit != null) {
  99       subfields[0] = subfieldSplit.split(fields[0]);
 100       subfields[1] = subfieldSplit.split(fields[1]);
 101       if (subfields[0].length != subfields[1].length) {
 102         logger.warning("Number of subfields doesn't match: " + line);
 103         return;
 104       }
 105     } else {
 106       subfields[0] = new String[] { fields[0] };
 107       subfields[1] = new String[] { fields[1] };
 108     }
 109
 110     final Pair[] pairs = new Pair[subfields[0].length];
 111     for (int i = 0; i < pairs.length; ++i) {
 112       subfields[0][i] = subfields[0][i].trim();
 113       subfields[1][i] = subfields[1][i].trim();
 114       pairs[i] = new Pair(subfields[0][i], subfields[1][i]);
 115     }
 116     final PairEntry pairEntry = new PairEntry(pairs);
 117     final EntryData entryData = new EntryData(dictBuilder.dictionary.pairEntries.size(), pairEntry);
 118     dictBuilder.dictionary.pairEntries.add(pairEntry);
 119
 120     for (int l = 0; l < 2; ++l) {
 121       // alreadyDone.clear();
 122
 123       for (int j = 0; j < subfields[l].length; ++j) {
 124         String subfield = subfields[l][j];
 125         final IndexBuilder indexBuilder = langIndexBuilders[l];
 126         if (indexBuilder.index.sortLanguage == Language.de) {
 127           subfield = parseField_DE(indexBuilder, subfield, entryData, j);
 128         } else if (indexBuilder.index.sortLanguage == Language.en) {
 129           subfield = parseField_EN(indexBuilder, subfield, entryData, j);
 130         }
 131         parseFieldGeneric(indexBuilder, subfield, entryData, j, subfields[l].length);
 132       }
 133     }
 134   }
 135
 136   private void parseFieldGeneric(final IndexBuilder indexBuilder, String field,
 137       final EntryData entryData, final int subfieldIdx, final int numSubFields) {
 138     // remove bracketed and parenthesized stuff.
 139     final StringBuilder bracketed = new StringBuilder();
 140     final StringBuilder parenthesized = new StringBuilder();
 141
 142     Matcher matcher;
 143     while ((matcher = BRACKETED.matcher(field)).find()) {
 144       bracketed.append(matcher.group(1)).append(" ");
 145       field = matcher.replaceFirst(" ");
 146     }
 147
 148     while ((matcher = PARENTHESIZED.matcher(field)).find()) {
 149       parenthesized.append(matcher.group(1)).append(" ");
 150       field = matcher.replaceFirst(" ");
 151     }
 152
 153     field = SPACES.matcher(field).replaceAll(" ").trim();
 154
 155     // split words on non -A-z0-9, do them.
 156     final String[] tokens = NON_CHAR_DASH.split(field);
 157
 158     final EntryTypeName entryTypeName;
 159     if (numSubFields == 1) {
 160       assert subfieldIdx == 0;
 161       if (tokens.length == 1) {
 162         entryTypeName = EntryTypeName.ONE_WORD;
 163       } else if (tokens.length == 2) {
 164         entryTypeName = EntryTypeName.TWO_WORDS;
 165       } else if (tokens.length == 3) {
 166         entryTypeName = EntryTypeName.THREE_WORDS;
 167       } else if (tokens.length == 4) {
 168         entryTypeName = EntryTypeName.FOUR_WORDS;
 169       } else {
 170         entryTypeName = EntryTypeName.FIVE_OR_MORE_WORDS;
 171       }
 172     } else {
 173       assert numSubFields > 1;
 174       if (subfieldIdx == 0) {
 175         if (tokens.length == 1) {
 176           entryTypeName = EntryTypeName.MULTIROW_HEAD_ONE_WORD;
 177         } else {
 178           entryTypeName = EntryTypeName.MULTIROW_HEAD_MANY_WORDS;
 179         }
 180       } else {
 181         assert subfieldIdx > 0;
 182         if (tokens.length == 1) {
 183           entryTypeName = EntryTypeName.MULTIROW_TAIL_ONE_WORD;
 184         } else {
 185           entryTypeName = EntryTypeName.MULTIROW_TAIL_MANY_WORDS;
 186         }
 187       }
 188     }
 189
 190     for (String token : tokens) {
 191       token = TRIM_PUNC.matcher(token).replaceAll("");
 192       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 193         final List<EntryData> entries = indexBuilder.getOrCreateEntries(token, entryTypeName);
 194         entries.add(entryData);
 195         // alreadyDone.add(token);
 196
 197         // also split words on dashes, do them, too.
 198         if (token.contains("-")) {
 199           final String[] dashed = token.split("-");
 200           for (final String dashedToken : dashed) {
 201             if (/*!alreadyDone.contains(dashedToken) && */dashedToken.length() > 0) {
 202               final List<EntryData> dashEntries = indexBuilder.getOrCreateEntries(dashedToken, EntryTypeName.PART_OF_HYPHENATED);
 203               dashEntries.add(entryData);
 204             }
 205           }
 206         }
 207
 208       }  // if (!alreadyDone.contains(token)) {
 209     }  // for (final String token : tokens) {
 210
 211     // process bracketed stuff (split on spaces and dashes always)
 212     final String[] bracketedTokens = NON_CHAR.split(bracketed.toString());
 213     for (final String token : bracketedTokens) {
 214       assert !token.contains("-");
 215       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 216         final List<EntryData> entries = indexBuilder.getOrCreateEntries(token, EntryTypeName.BRACKETED);
 217         entries.add(entryData);
 218       }
 219     }
 220
 221     // process paren stuff
 222     final String[] parenTokens = NON_CHAR.split(parenthesized.toString());
 223     for (final String token : parenTokens) {
 224       assert !token.contains("-");
 225       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 226         final List<EntryData> entries = indexBuilder.getOrCreateEntries(token, EntryTypeName.PARENTHESIZED);
 227         entries.add(entryData);
 228       }
 229     }
 230
 231   }
 232
 233   private String parseField_DE(final IndexBuilder indexBuilder, String field,
 234       final EntryData entryData, final int subfieldIdx) {
 235
 236 //    final Matcher matcher = DE_NOUN.matcher(field);
 237 //    while (matcher.find()) {
 238 //      final String noun = matcher.group(1);
 239       //final String gender = matcher.group(2);
 240 //      if (alreadyDone.add(noun)) {
 241         // System.out.println("Found DE noun " + noun + ", " + gender);
 242 //        final List<EntryData> entries = indexBuilder.getOrCreateEntries(noun, EntryTypeName.NOUN);
 243 //        entries.add(entryData);
 244 //      }
 245 //    }
 246
 247     // In English, curly braces are used for different tenses.
 248     field = CURLY_BRACED.matcher(field).replaceAll(" ");
 249
 250     return field;
 251   }
 252
 253   private String parseField_EN(final IndexBuilder indexBuilder, String field,
 254       final EntryData entryData, final int subfieldIdx) {
 255     if (field.startsWith("to ")) {
 256       field = field.substring(3);
 257     }
 258     return field;
 259   }
 260
 261
 262 }