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 java.io.File;
  18 import java.util.ArrayList;
  19 import java.util.Arrays;
  20 import java.util.LinkedHashMap;
  21 import java.util.LinkedHashSet;
  22 import java.util.List;
  23 import java.util.Map;
  24 import java.util.Set;
  25
  26 import com.hughes.android.dictionary.parser.wiktionary.EnTranslationToTranslationParser;
  27 import com.hughes.android.dictionary.parser.wiktionary.WholeSectionToHtmlParser;
  28 import com.hughes.android.dictionary.parser.wiktionary.WiktionaryLangs;
  29
  30 import junit.framework.TestCase;
  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 }