src/com/hughes/android/dictionary/engine/DictionaryBuilderMain.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 com.hughes.android.dictionary.parser.wiktionary.EnTranslationToTranslationParser;
  18 import com.hughes.android.dictionary.parser.wiktionary.WholeSectionToHtmlParser;
  19 import com.hughes.android.dictionary.parser.wiktionary.WiktionaryLangs;
  20
  21 import junit.framework.TestCase;
  22
  23 import java.io.File;
  24 import java.util.ArrayList;
  25 import java.util.Arrays;
  26 import java.util.LinkedHashMap;
  27 import java.util.LinkedHashSet;
  28 import java.util.List;
  29 import java.util.Map;
  30 import java.util.Set;
  31
  32 public class DictionaryBuilderMain extends TestCase {
  33
  34   static final String INPUTS = "data/inputs/";
  35   static final String STOPLISTS = "data/inputs/stoplists/";
  36   static final String OUTPUTS = "data/outputs/";
  37
  38   // Build the non EN ones.
  39   static final String[][] nonEnPairs = new String[][] {
  40       {"EN"},
  41       {"DE"},
  42       {"IT"},
  43       // This one takes a really long time, and the result is too big for code.google.com
  44       //{"FR"},
  45
  46       // The 3 I use most:
  47       {"IT", "EN" },
  48       {"DE", "EN" },
  49       {"DE", "IT" },
  50
  51       {"AR", "DE" },
  52       {"AR", "ES" },
  53       {"AR", "FR" },
  54       {"AR", "HE" },
  55       {"AR", "IT" },
  56       {"AR", "JA" },
  57       {"AR", "RU" },
  58       {"AR", "TR" },  // Turkish
  59       {"AR", "cmn" },
  60
  61       {"DE", "AR" },
  62       {"DE", "FR" },
  63       {"DE", "CA" },  // Catalan
  64       {"DE", "CS" },  // Czech
  65       {"DE", "EO" },  // Esperanto
  66       {"DE", "ES" },
  67       {"DE", "FR" },
  68       {"DE", "HE" },
  69       {"DE", "HU" },  // Hungarian
  70       {"DE", "IT" },
  71       {"DE", "JA" },
  72       {"DE", "LA" },  // Latin
  73       {"DE", "NL" },  // Dutch
  74       {"DE", "PL" },  // Polish
  75       {"DE", "RU" },
  76       {"DE", "SV" },  // Swedish
  77       {"DE", "TR" },  // Turkish
  78       {"DE", "cmn" },
  79       {"DE", "TA" },  // Tamil
  80
  81       {"ES", "RU" },  // Spanish-Russian
  82
  83       {"FR", "BG" },  // Bulgarian
  84       {"FR", "CS" },  // Czech
  85       {"FR", "DE" },
  86       {"FR", "ES" },
  87       {"FR", "IT" },
  88       {"FR", "JA" },
  89       {"FR", "LA" },
  90       {"FR", "NL" },  // Dutch
  91       {"FR", "RU" },
  92       {"FR", "TR" },  // Turkish
  93       {"FR", "cmn" },
  94       {"FR", "EL" },
  95
  96       {"IT", "DE" },
  97       {"IT", "EL" },  // Greek
  98       {"IT", "ES" },
  99       {"IT", "FR" },
 100       {"IT", "HU" },
 101       {"IT", "JA" },
 102       {"IT", "LA" },  // Latin
 103       {"IT", "LV" },  // Latvian
 104       {"IT", "NL" },
 105       {"IT", "PL" },
 106       {"IT", "RU" },
 107       {"IT", "SV" },
 108       {"IT", "TR" },  // Turkish
 109       {"IT", "cmn" },
 110
 111       {"JA", "cmn" },
 112       {"JA", "AR" },
 113       {"JA", "KO" },
 114
 115       {"cmn", "AR" },
 116       {"cmn", "DE" },
 117       {"cmn", "ES" },
 118       {"cmn", "FR" },
 119       {"cmn", "IT" },
 120       {"cmn", "KO" },
 121
 122       {"NO", "SV" },
 123       {"NO", "FI" },
 124       {"FI", "SV" },
 125
 126       {"PL", "FR" },  // Polish
 127       {"PL", "RU" },  // Polish
 128       {"PL", "HU" },  // Polish
 129       {"PL", "ES" },  // Polish
 130
 131       {"TR", "EL" },  // Turkish, Greek
 132
 133       {"FA", "HY" },  // Persian, Armenian, by request.
 134       {"FA", "SV" },  // Persian, Swedish, by request.
 135       {"NL", "PL" },  // Dutch, Polish, by request.
 136
 137   };
 138
 139
 140
 141   static final Map<String,String>  isoToDedication = new LinkedHashMap<String, String>();
 142   static {
 143   isoToDedication.put("AF", "Wiktionary-based Afrikaans dictionary dedicated to Heiko and Mariëtte Horn.");
 144   isoToDedication.put("HR", "Wiktionary-based Croatian dictionary dedicated to Ines Viskic and Miro Kresonja.");
 145   isoToDedication.put("NL", "Wiktionary-based Dutch dictionary dedicated to Mike LeBeau.");
 146   isoToDedication.put("DE", "@data/inputs/de-en_dedication.txt");
 147   isoToDedication.put("EL", "Wiktionary-based Greek dictionary dedicated to Noah Egge.");
 148   isoToDedication.put("IT", "Wiktionary-based Italian dictionary dedicated to Carolina Tropini, my favorite stardust in the whole universe!  Ti amo!");
 149   isoToDedication.put("KO", "Wiktionary-based Korean dictionary dedicated to Ande Elwood--fall fashion und Fernsehturms!");
 150   isoToDedication.put("PT", "Wiktionary-based Portuguese dictionary dedicated to Carlos Melo, one Tough Mudder.");
 151   isoToDedication.put("RO", "Wiktionary-based Romanian dictionary dedicated to Radu Teodorescu.");
 152   isoToDedication.put("RU", "Wiktionary-based Russian dictionary dedicated to Maxim Aronin--best friend always!.");
 153   isoToDedication.put("SR", "Wiktionary-based Serbian dictionary dedicated to Filip Crnogorac--thanks for the honey!");
 154   isoToDedication.put("ES", "Wiktionary-based Spanish dictionary made especially for Carolina Tropini! <3 XoXoXXXXX!");
 155   isoToDedication.put("SV", "Wiktionary-based Swedish dictionary dedicated to Kajsa Palmblad--björn kramar!");
 156   }
 157   private static String getEnDictionaryInfo(String iso) {
 158     return isoToDedication.containsKey(iso) ? isoToDedication.get(iso) : String.format("Wiktionary-based %s dictionary.", iso);
 159   }
 160
 161   static final Map<String,String>  isoToStoplist = new LinkedHashMap<String, String>();
 162   static {
 163   isoToStoplist.put("DE", "de.txt");
 164   isoToStoplist.put("EN", "en.txt");
 165   isoToStoplist.put("ES", "es.txt");
 166   isoToStoplist.put("IT", "it.txt");
 167   isoToStoplist.put("FR", "fr.txt");
 168   }
 169   private static String getStoplist(String iso) {
 170     return isoToStoplist.containsKey(iso) ? isoToStoplist.get(iso) : "empty.txt";
 171   }
 172
 173   static String getOtherLang(final String[] pair, final String first) {
 174       assert Arrays.asList(pair).contains(first);
 175       assert pair.length == 2;
 176       return pair[0].equals(first) ? pair[1] : pair[0];
 177   }
 178
 179   static List<String> getMainArgs(final String[] pair) {
 180       final List<String> result = new ArrayList<String>();
 181
 182     int i = 1;
 183
 184     if (pair.length == 1) {
 185         final String lang1 = pair[0];
 186         final String dictFile = String.format("%s/%s.quickdic", OUTPUTS, lang1);
 187         result.add(String.format("--dictOut=%s", dictFile));
 188         result.add(String.format("--lang1=%s", lang1));
 189         result.add(String.format("--lang1Stoplist=%s", STOPLISTS + getStoplist(lang1)));
 190         result.add(String.format("--dictInfo=Wikitionary-based %s dictionary.", lang1));
 191
 192
 193         final String wikiSplitFile = String.format("%s/wikiSplit/%s/%s.data", INPUTS, lang1.toLowerCase(), lang1);
 194         if (new File(wikiSplitFile).canRead()) {
 195             result.add(String.format("--input%d=%s", i, wikiSplitFile));
 196             result.add(String.format("--input%dName=%s.wiktionary.org", i, lang1.toLowerCase()));
 197             result.add(String.format("--input%dFormat=%s", i, WholeSectionToHtmlParser.NAME));
 198             result.add(String.format("--input%dTitleIndex=%d", i, 1));
 199             result.add(String.format("--input%dWiktionaryLang=%s", i, lang1));
 200             result.add(String.format("--input%dSkipLang=%s", i, lang1));
 201             result.add(String.format("--input%dWebUrlTemplate=http://%s.wiktionary.org/wiki/%%s", i, lang1.toLowerCase()));
 202             //result.add(String.format("--input%dPageLimit=100", i));
 203             ++i;
 204         } else {
 205             System.err.println("Can't read file: " + wikiSplitFile);
 206         }
 207
 208         if (lang1.equals("EN") && !lang1.equals("EN")) {
 209             // Add a parser that tries to use the definitions.  This is
 210             // not very pretty yet.
 211             result.add(String.format("--input%d=%s/wikiSplit/en/%s.data", i, INPUTS, lang1));
 212             result.add(String.format("--input%dName=ENWiktionary.%s", i, lang1)) ;
 213             result.add(String.format("--input%dFormat=enwiktionary", i));
 214             result.add(String.format("--input%dWiktionaryType=EnEnglish", i));
 215             result.add(String.format("--input%dLangPattern=%s", i, "English"));
 216             result.add(String.format("--input%dLangCodePattern=%s", i, lang1.toLowerCase()));
 217             result.add(String.format("--input%dEnIndex=%d", i, 1));
 218             //result.add(String.format("--input%dPageLimit=100", i));
 219             ++i;
 220         }
 221
 222         return result;
 223     }  // Single-lang dictionaries.
 224
 225     final String lang1 = pair[0];
 226     final String lang2 = pair[1];
 227
 228     final String dictFile = String.format("%s/%s-%s.quickdic",
 229         OUTPUTS, lang1, lang2);
 230
 231     result.add(String.format("--dictOut=%s", dictFile));
 232     result.add(String.format("--lang1Stoplist=%s", STOPLISTS + getStoplist(lang1)));
 233     result.add(String.format("--lang2Stoplist=%s", STOPLISTS + getStoplist(lang2)));
 234
 235     // For a few langs, put the defs of the other language in DE/IT/FR using WholeSection.
 236     for (final String wikitionaryLang : Arrays.asList("EN", "DE", "IT", "FR")) {
 237         if (!Arrays.asList(pair).contains(wikitionaryLang)) {
 238             continue;
 239         }
 240         final String foreignIso = getOtherLang(pair, wikitionaryLang);
 241         final String wikiSplitFile = String.format("%s/wikiSplit/%s/%s.data", INPUTS, wikitionaryLang.toLowerCase(), foreignIso);
 242         if (!new File(wikiSplitFile).canRead()) {
 243             System.err.println("WARNING: Can't read file: " + wikiSplitFile);
 244             continue;
 245         }
 246         result.add(String.format("--input%d=%s", i, wikiSplitFile));
 247         result.add(String.format("--input%dName=%s.wiktionary.org", i, wikitionaryLang.toLowerCase()));
 248         result.add(String.format("--input%dFormat=%s", i, WholeSectionToHtmlParser.NAME));
 249         result.add(String.format("--input%dTitleIndex=%d", i, Arrays.asList(pair).indexOf(foreignIso) + 1));
 250         result.add(String.format("--input%dWiktionaryLang=%s", i, wikitionaryLang));
 251         result.add(String.format("--input%dSkipLang=%s", i, foreignIso));
 252         result.add(String.format("--input%dWebUrlTemplate=http://%s.wiktionary.org/wiki/%%s", i, wikitionaryLang.toLowerCase()));
 253         ++i;
 254     }
 255
 256     // Deal with the pairs where one is English.
 257     if (Arrays.asList(pair).contains("EN")) {
 258       final String foreignIso = getOtherLang(pair, "EN");
 259       String foreignRegex = WiktionaryLangs.isoCodeToEnWikiName.get(foreignIso);
 260
 261       result.add(String.format("--lang1=%s", lang1));
 262       result.add(String.format("--lang2=%s",  lang2));
 263       result.add(String.format("--dictInfo=%s", getEnDictionaryInfo(foreignIso)));
 264
 265       // Foreign section.
 266       result.add(String.format("--input%d=%s/wikiSplit/en/%s.data", i, INPUTS, foreignIso));
 267       result.add(String.format("--input%dName=ENWiktionary.%s", i, foreignIso)) ;
 268       result.add(String.format("--input%dFormat=enwiktionary", i));
 269       result.add(String.format("--input%dWiktionaryType=EnForeign", i));
 270       result.add(String.format("--input%dLangPattern=%s", i, foreignRegex));
 271       result.add(String.format("--input%dLangCodePattern=%s", i, foreignIso.toLowerCase()));
 272       result.add(String.format("--input%dEnIndex=%d", i, Arrays.asList(pair).indexOf("EN") + 1));
 273       ++i;
 274
 275       // Translation section.
 276       result.add(String.format("--input%d=%swikiSplit/en/EN.data", i, INPUTS));
 277       result.add(String.format("--input%dName=enwiktionary.english", i));
 278       result.add(String.format("--input%dFormat=enwiktionary", i));
 279       result.add(String.format("--input%dWiktionaryType=EnToTranslation", i));
 280       result.add(String.format("--input%dLangPattern=%s", i, foreignRegex));
 281       result.add(String.format("--input%dLangCodePattern=%s", i, foreignIso.toLowerCase()));
 282       result.add(String.format("--input%dEnIndex=%d", i, Arrays.asList(pair).indexOf("EN") + 1));
 283       ++i;
 284
 285       if (foreignIso.equals("DE")) {
 286         result.add(String.format("--input%d=%sde-en_chemnitz.txt", i, INPUTS));
 287         result.add(String.format("--input%dName=chemnitz", i));
 288         result.add(String.format("--input%dCharset=UTF8", i));
 289         result.add(String.format("--input%dFormat=chemnitz", i));
 290         ++i;
 291       }
 292
 293     } else {
 294       // Pairs without English.
 295       result.add(String.format("--lang1=%s", lang1));
 296       result.add(String.format("--lang2=%s", lang2));
 297       result.add(String.format("--dictInfo=Wikitionary-based %s-%s dictionary.", lang1, lang2));
 298
 299       result.add(String.format("--input%d=%swikiSplit/en/EN.data", i, INPUTS));
 300       result.add(String.format("--input%dName=BETA!enwiktionary.%s-%s", i, lang1, lang2));
 301       result.add(String.format("--input%dFormat=%s", i, EnTranslationToTranslationParser.NAME));
 302       result.add(String.format("--input%dLangPattern1=%s", i, lang1));
 303       result.add(String.format("--input%dLangPattern2=%s", i, lang2));
 304       ++i;
 305
 306       // TODO: Could use FR translation section here too.
 307     }
 308
 309     return result;
 310   }
 311
 312   public static void main(final String[] args) throws Exception {
 313
 314     final List<String[]> allPairs = new ArrayList<String[]>();
 315
 316     allPairs.addAll(Arrays.asList(nonEnPairs));
 317     // Add all the EN-XX pairs.
 318     for (final String isoCode : WiktionaryLangs.isoCodeToEnWikiName.keySet()) {
 319       if (!isoCode.equals("EN")) {
 320           allPairs.add(new String[] {"EN", isoCode});
 321       }
 322     }
 323
 324
 325     final Set<List<String>> done = new LinkedHashSet<List<String>>();
 326     boolean go = true;
 327     for (final String[] pair : allPairs) {
 328       Arrays.sort(pair);
 329       final List<String> pairList = Arrays.asList(pair);
 330       if (done.contains(pairList)) {
 331         continue;
 332       }
 333       done.add(pairList);
 334
 335       if (pairList.contains("EN") && pairList.contains("DE")) {
 336           go = true;
 337       } else {
 338           go = false;
 339       }
 340
 341       if (!go) {
 342           continue;
 343       }
 344
 345       DictionaryBuilder.main(getMainArgs(pair).toArray(new String[0]));
 346     }
 347
 348   }
 349 }