src/com/hughes/android/dictionary/engine/DictionaryBuilder.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.File;
  18 import java.io.IOException;
  19 import java.io.PrintStream;
  20 import java.io.RandomAccessFile;
  21 import java.nio.charset.Charset;
  22 import java.util.ArrayList;
  23 import java.util.LinkedHashSet;
  24 import java.util.List;
  25 import java.util.Map;
  26 import java.util.Set;
  27 import java.util.regex.Pattern;
  28
  29 import javax.xml.parsers.ParserConfigurationException;
  30
  31 import org.xml.sax.SAXException;
  32
  33 import com.hughes.android.dictionary.parser.DictFileParser;
  34 import com.hughes.android.dictionary.parser.Parser;
  35 import com.hughes.android.dictionary.parser.wiktionary.EnForeignParser;
  36 import com.hughes.android.dictionary.parser.wiktionary.EnToTranslationParser;
  37 import com.hughes.android.dictionary.parser.wiktionary.EnTranslationToTranslationParser;
  38 import com.hughes.android.dictionary.parser.wiktionary.WholeSectionToHtmlParser;
  39 import com.hughes.util.Args;
  40 import com.hughes.util.FileUtil;
  41
  42 public class DictionaryBuilder {
  43
  44   public final Dictionary dictionary;
  45   public final List<IndexBuilder> indexBuilders = new ArrayList<IndexBuilder>();
  46
  47   public DictionaryBuilder(final String dictInfoString, final Language lang0, final Language lang1, final String normalizerRules1, final String normalizerRules2, final Set<String> lang1Stoplist, final Set<String> lang2Stoplist) {
  48     dictionary = new Dictionary(dictInfoString);
  49     if (lang1 != null) {
  50         indexBuilders.add(new IndexBuilder(this, lang0.getIsoCode(), lang0.getIsoCode() + "->" + lang1.getIsoCode(), lang0, normalizerRules1, lang1Stoplist, false));
  51         indexBuilders.add(new IndexBuilder(this, lang1.getIsoCode(), lang1.getIsoCode() + "->" + lang0.getIsoCode(), lang1, normalizerRules2, lang2Stoplist, true));
  52     } else {
  53         indexBuilders.add(new IndexBuilder(this, lang0.getIsoCode(), lang0.getIsoCode(), lang0, normalizerRules1, lang1Stoplist, false));
  54     }
  55   }
  56
  57   void build() {
  58     for (final IndexBuilder indexBuilder : indexBuilders) {
  59       indexBuilder.build();
  60       dictionary.indices.add(indexBuilder.index);
  61     }
  62   }
  63
  64   public static void main(final String[] args) throws IOException, ParserConfigurationException, SAXException {
  65     System.out.println("Running with arguments:");
  66     for (final String arg : args) {
  67       System.out.println(arg);
  68     }
  69
  70     final Map<String,String> keyValueArgs = Args.keyValueArgs(args);
  71
  72     if (!keyValueArgs.containsKey("lang1")) {
  73       fatalError("--lang1= must be specified.");
  74     }
  75     final Language lang1 = Language.lookup(keyValueArgs.remove("lang1"));
  76     final Language lang2;
  77     if (keyValueArgs.containsKey("lang2")) {
  78         lang2 = Language.lookup(keyValueArgs.remove("lang2"));
  79     } else {
  80         lang2 = null;
  81     }
  82
  83     final Set<String> lang1Stoplist = new LinkedHashSet<String>();
  84     final Set<String> lang2Stoplist = new LinkedHashSet<String>();
  85     final String lang1StoplistFile = keyValueArgs.remove("lang1Stoplist");
  86     final String lang2StoplistFile = keyValueArgs.remove("lang2Stoplist");
  87     if (lang1StoplistFile != null) {
  88       lang1Stoplist.addAll(FileUtil.readLines(new File(lang1StoplistFile)));
  89     }
  90     if (lang2StoplistFile != null) {
  91       lang2Stoplist.addAll(FileUtil.readLines(new File(lang2StoplistFile)));
  92     }
  93
  94     String normalizerRules1 = keyValueArgs.remove("normalizerRules1");
  95     String normalizerRules2 = keyValueArgs.remove("normalizerRules2");
  96     if (normalizerRules1 == null) {
  97       normalizerRules1 = lang1.getDefaultNormalizerRules();
  98     }
  99     if (normalizerRules2 == null) {
 100       normalizerRules2 = lang2 == null ? null : lang2.getDefaultNormalizerRules();
 101     }
 102
 103     final String dictOutFilename = keyValueArgs.remove("dictOut");
 104     if (dictOutFilename == null) {
 105       fatalError("--dictOut= must be specified.");
 106     }
 107
 108     String dictInfo = keyValueArgs.remove("dictInfo");
 109     if (dictInfo == null) {
 110       fatalError("--dictInfo= must be specified.");
 111     }
 112     if (dictInfo.startsWith("@")) {
 113       dictInfo = FileUtil.readToString(new File(dictInfo.substring(1)));
 114     }
 115
 116     final String printFile = keyValueArgs.remove("print");
 117
 118     System.out.println("lang1=" + lang1);
 119     System.out.println("lang2=" + lang2);
 120     System.out.println("normalizerRules1=" + normalizerRules1);
 121     System.out.println("normalizerRules2=" + normalizerRules2);
 122     System.out.println("dictInfo=" + dictInfo);
 123     System.out.println("dictOut=" + dictOutFilename);
 124
 125     final DictionaryBuilder dictionaryBuilder = new DictionaryBuilder(dictInfo, lang1, lang2, normalizerRules1, normalizerRules2, lang1Stoplist, lang2Stoplist);
 126
 127     for (int i = 0; i < 100; ++i) {
 128       final String prefix = "input" + i;
 129       if (keyValueArgs.containsKey(prefix)) {
 130         final File file = new File(keyValueArgs.remove(prefix));
 131         System.out.println("Processing: " + file);
 132         String charsetName = keyValueArgs.remove(prefix + "Charset");
 133         if (charsetName == null) {
 134           charsetName = "UTF8";
 135         }
 136         final Charset charset = Charset.forName(charsetName);
 137         String inputName = keyValueArgs.remove(prefix + "Name");
 138         if (inputName == null) {
 139           fatalError("Must specify human readable name for: " + prefix + "Name");
 140         }
 141         String pageLimitString = keyValueArgs.remove(prefix + "PageLimit");
 142         if (pageLimitString == null) {
 143           pageLimitString = "-1";
 144         }
 145         final int pageLimit = Integer.parseInt(pageLimitString);
 146
 147         final EntrySource entrySource = new EntrySource(dictionaryBuilder.dictionary.sources.size(), inputName, 0);
 148         System.out.println("");
 149
 150         String inputFormat = keyValueArgs.remove(prefix + "Format");
 151         if ("tab_separated".equals(inputFormat)) {
 152           final boolean flipColumns = "true".equals(keyValueArgs.remove(prefix + "FlipColumns"));
 153           new DictFileParser(charset, flipColumns, DictFileParser.TAB, null, dictionaryBuilder, dictionaryBuilder.indexBuilders.toArray(new IndexBuilder[0]), null).parse(file, entrySource, pageLimit);
 154         } else if ("chemnitz".equals(inputFormat)) {
 155           final boolean flipColumns = "true".equals(keyValueArgs.remove(prefix + "FlipColumns"));
 156           new DictFileParser(charset, flipColumns, DictFileParser.DOUBLE_COLON, DictFileParser.PIPE, dictionaryBuilder, dictionaryBuilder.indexBuilders.toArray(new IndexBuilder[0]), null).parse(file, entrySource, pageLimit);
 157         } else if ("enwiktionary".equals(inputFormat)) {
 158           final String type = keyValueArgs.remove(prefix + "WiktionaryType");
 159           final Pattern langPattern = Pattern.compile(keyValueArgs.remove(prefix + "LangPattern"), Pattern.CASE_INSENSITIVE);
 160           final Pattern langCodePattern = Pattern.compile(keyValueArgs.remove(prefix + "LangCodePattern"));
 161           final int enIndex = Integer.parseInt(keyValueArgs.remove(prefix + "EnIndex")) - 1;
 162
 163           if (enIndex < 0 || enIndex >= 2) {
 164             fatalError("Must be 1 or 2: " + prefix + "EnIndex");
 165           }
 166           final Parser parser;
 167           if ("EnToTranslation".equals(type)) {
 168             parser = new EnToTranslationParser(dictionaryBuilder.indexBuilders.get(enIndex), dictionaryBuilder.indexBuilders.get(1-enIndex),
 169                 langPattern, langCodePattern, enIndex != 0);
 170           } else if ("EnForeign".equals(type)) {
 171             parser = new EnForeignParser(dictionaryBuilder.indexBuilders.get(enIndex), dictionaryBuilder.indexBuilders.get(1-enIndex),
 172                 langPattern, langCodePattern, enIndex != 0);
 173           } else if ("EnEnglish".equals(type)) {
 174               parser = new EnForeignParser(dictionaryBuilder.indexBuilders.get(enIndex), dictionaryBuilder.indexBuilders.get(enIndex),
 175                   langPattern, langCodePattern, true);
 176           } else {
 177             fatalError("Invalid WiktionaryType (use EnToTranslation or EnForeign or EnEnglish): " + type);
 178             return;
 179           }
 180           parser.parse(file, entrySource, pageLimit);
 181         } else if (EnTranslationToTranslationParser.NAME.equals(inputFormat)) {
 182           final String code1 = keyValueArgs.remove(prefix + "LangPattern1");
 183           final String code2 = keyValueArgs.remove(prefix + "LangPattern2");
 184           if (code1 == null || code2 == null) {
 185             fatalError("Must specify LangPattern1 and LangPattern2.");
 186             return;
 187           }
 188           final Pattern codePattern1 = Pattern.compile(code1, Pattern.CASE_INSENSITIVE);
 189           final Pattern codePattern2 = Pattern.compile(code2, Pattern.CASE_INSENSITIVE);
 190           new EnTranslationToTranslationParser(dictionaryBuilder.indexBuilders, new Pattern[] {codePattern1, codePattern2}).parse(file, entrySource, pageLimit);
 191         } else if (WholeSectionToHtmlParser.NAME.equals(inputFormat)) {
 192           final int titleIndex = Integer.parseInt(keyValueArgs.remove(prefix + "TitleIndex")) - 1;
 193           final String wiktionaryLang = keyValueArgs.remove(prefix + "WiktionaryLang");
 194           final String webUrlTemplate = keyValueArgs.remove(prefix + "WebUrlTemplate");
 195           String skipLang = keyValueArgs.remove(prefix + "SkipLang");
 196           if (skipLang == null) skipLang = "";
 197           new WholeSectionToHtmlParser(dictionaryBuilder.indexBuilders.get(titleIndex), null, wiktionaryLang, skipLang, webUrlTemplate).parse(file, entrySource, pageLimit);
 198         } else {
 199           fatalError("Invalid or missing input format: " + inputFormat);
 200         }
 201
 202         dictionaryBuilder.dictionary.sources.add(entrySource);
 203         System.out.println("Done: " + file + "\n\n");
 204       }
 205     }
 206
 207     dictionaryBuilder.build();
 208     // Drop indexBuilders to free RAM
 209     dictionaryBuilder.indexBuilders.clear();
 210
 211     if (printFile != null) {
 212       final PrintStream out = new PrintStream(new File(printFile));
 213       dictionaryBuilder.dictionary.print(out);
 214       out.close();
 215     }
 216
 217     System.out.println("Writing dictionary to: " + dictOutFilename);
 218     final RandomAccessFile dictOut = new RandomAccessFile(dictOutFilename, "rw");
 219     dictOut.setLength(0);
 220     dictionaryBuilder.dictionary.write(dictOut);
 221     dictOut.close();
 222
 223     if (!keyValueArgs.isEmpty()) {
 224       System.err.println("WARNING: couldn't parse arguments: " + keyValueArgs);
 225       System.exit(1);
 226     }
 227
 228   }
 229
 230   private static void fatalError(String string) {
 231     System.err.println(string);
 232
 233
 234     System.exit(1);
 235   }
 236
 237 }