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
  39   static final Map<String,String>  isoToDedication = new LinkedHashMap<String, String>();
  40   static {
  41   isoToDedication.put("AF", "Afrikaans dictionary dedicated to Heiko and Mariëtte Horn.");
  42   isoToDedication.put("HR", "Croatian dictionary dedicated to Ines Viskic and Miro Kresonja.");
  43   isoToDedication.put("NL", "Dutch dictionary dedicated to Mike LeBeau.");
  44   // German handled in file.
  45   isoToDedication.put("EL", "Greek dictionary dedicated to Noah Egge.");
  46   isoToDedication.put("IT", "Italian dictionary dedicated to Carolina Tropini, my favorite stardust in the whole universe!  Ti amo!");
  47   isoToDedication.put("KO", "Korean dictionary dedicated to Ande Elwood--fall fashion und Fernsehturms!");
  48   isoToDedication.put("PT", "Portuguese dictionary dedicated to Carlos Melo, one Tough Mudder.");
  49   isoToDedication.put("RO", "Romanian dictionary dedicated to Radu Teodorescu.");
  50   isoToDedication.put("RU", "Russian dictionary dedicated to Maxim Aronin--best friend always!.");
  51   isoToDedication.put("SR", "Serbian dictionary dedicated to Filip Crnogorac--thanks for the honey.");
  52   isoToDedication.put("ES", "Spanish dictionary made especially for Carolina Tropini! <3 XoXoXXXXX!");
  53   isoToDedication.put("SV", "Swedish dictionary dedicated to Kajsa Palmblad--björn kramar!");
  54   }
  55   private static String getDedication(String iso) {
  56     return isoToDedication.containsKey(iso) ? "\n\n" + isoToDedication.get(iso) : "";
  57   }
  58
  59   static final Map<String,String>  isoToStoplist = new LinkedHashMap<String, String>();
  60   static {
  61   isoToStoplist.put("DE", "de.txt");
  62   isoToStoplist.put("EN", "en.txt");
  63   isoToStoplist.put("ES", "es.txt");
  64   isoToStoplist.put("IT", "it.txt");
  65   isoToStoplist.put("FR", "fr.txt");
  66   }
  67   private static String getStoplist(String iso) {
  68     return isoToStoplist.containsKey(iso) ? isoToStoplist.get(iso) : "empty.txt";
  69   }
  70
  71   static String getOtherLang(final String[] pair, final String first) {
  72       assert Arrays.asList(pair).contains(first);
  73       assert pair.length == 2;
  74       return pair[0].equals(first) ? pair[1] : pair[0];
  75   }
  76
  77   static List<String> getMainArgs(final String[] pair) {
  78     final List<String> result = new ArrayList<String>();
  79
  80     final String lang1 = pair[0];
  81     final String lang2 = pair[1];
  82
  83     final String dictFile = String.format("%s/%s-%s.quickdic",
  84         OUTPUTS, lang1, lang2);
  85
  86     result.add(String.format("--dictOut=%s", dictFile));
  87     result.add(String.format("--lang1Stoplist=%s", STOPLISTS + getStoplist(lang1)));
  88     result.add(String.format("--lang2Stoplist=%s", STOPLISTS + getStoplist(lang2)));
  89
  90     int i = 1;
  91
  92     // For a few langs, put the defs of the other language in DE/IT/FR using WholeSection.
  93     for (final String wikitionaryLang : Arrays.asList("EN", "DE", "IT", "FR")) {
  94         if (!Arrays.asList(pair).contains(wikitionaryLang)) {
  95             continue;
  96         }
  97         final String foreignIso = getOtherLang(pair, wikitionaryLang);
  98         final String wikiSplitFile = String.format("%s/wikiSplit/%s/%s.data", INPUTS, wikitionaryLang.toLowerCase(), foreignIso);
  99         if (!new File(wikiSplitFile).canRead()) {
 100             System.err.println("Can't read file: " + wikiSplitFile);
 101             continue;
 102         }
 103         result.add(String.format("--input%d=%s", i, wikiSplitFile));
 104         result.add(String.format("--input%dName=%sWiktionary.WholeSections.%s", i, wikitionaryLang, foreignIso));
 105         result.add(String.format("--input%dFormat=%s", i, WholeSectionToHtmlParser.NAME));
 106         result.add(String.format("--input%dTitleIndex=%d", i, Arrays.asList(pair).indexOf(foreignIso) + 1));
 107         ++i;
 108     }
 109
 110     // Deal with the pairs where one is English.
 111     if (Arrays.asList(pair).contains("EN")) {
 112       final String foreignIso = getOtherLang(pair, "EN");
 113
 114       String foreignRegex = WiktionaryLangs.isoCodeToEnWikiName.get(foreignIso);
 115       if (foreignIso.equals("ZH")) {
 116         // HACK: The missing "e" prevents a full match, causing "Cantonese" to be appended to the entries.
 117         foreignRegex = "Chinese|Mandarin|Cantones";
 118       }
 119
 120       result.add(String.format("--lang1=%s", lang1));
 121       result.add(String.format("--lang2=%s",  lang2));
 122       result.add(String.format("--dictInfo=(EN)Wikitionary-based EN-%s dictionary.%s", foreignIso, getDedication(foreignIso)));
 123
 124       result.add(String.format("--input%d=%s/wikiSplit/en/%s.data", i, INPUTS, foreignIso));
 125       result.add(String.format("--input%dName=ENWiktionary.%s", i, foreignIso)) ;
 126       result.add(String.format("--input%dFormat=enwiktionary", i));
 127       result.add(String.format("--input%dWiktionaryType=EnForeign", i));
 128       result.add(String.format("--input%dLangPattern=%s", i, foreignRegex));
 129       result.add(String.format("--input%dLangCodePattern=%s", i, foreignIso.toLowerCase()));
 130       result.add(String.format("--input%dEnIndex=%d", i, Arrays.asList(pair).indexOf("EN") + 1));
 131       ++i;
 132
 133       result.add(String.format("--input%d=%swikiSplit/en/EN.data", i, INPUTS));
 134       result.add(String.format("--input%dName=enwiktionary.english", i));
 135       result.add(String.format("--input%dFormat=enwiktionary", i));
 136       result.add(String.format("--input%dWiktionaryType=EnToTranslation", i));
 137       result.add(String.format("--input%dLangPattern=%s", i, foreignRegex));
 138       result.add(String.format("--input%dLangCodePattern=%s", i, foreignIso.toLowerCase()));
 139       result.add(String.format("--input%dEnIndex=%d", i, Arrays.asList(pair).indexOf("EN") + 1));
 140       ++i;
 141
 142       if (foreignIso.equals("DE")) {
 143         result.add(String.format("--input%d=%sde-en_chemnitz.txt", i, INPUTS));
 144         result.add(String.format("--input%dName=chemnitz", i));
 145         result.add(String.format("--input%dCharset=UTF8", i));
 146         result.add(String.format("--input%dFormat=chemnitz", i));
 147         ++i;
 148       }
 149
 150     } else {
 151       // Pairs without English.
 152       result.add(String.format("--lang1=%s", lang1));
 153       result.add(String.format("--lang2=%s", lang2));
 154       result.add(String.format("--dictInfo=Wikitionary-based %s-%s dictionary.", lang1, lang2));
 155
 156       result.add(String.format("--input%d=%swikiSplit/en/EN.data", i, INPUTS));
 157       result.add(String.format("--input%dName=BETA!enwiktionary.%s-%s", i, lang1, lang2));
 158       result.add(String.format("--input%dFormat=%s", i, EnTranslationToTranslationParser.NAME));
 159       result.add(String.format("--input%dLangPattern1=%s", i, lang1));
 160       result.add(String.format("--input%dLangPattern2=%s", i, lang2));
 161       ++i;
 162     }
 163
 164     return result;
 165   }
 166
 167   public static void main(final String[] args) throws Exception {
 168
 169     final List<String[]> allPairs = new ArrayList<String[]>();
 170
 171     // Build the non EN ones.
 172     final String[][] nonEnPairs = new String[][] {
 173
 174         // The 3 I use most:
 175         {"DE", "EN" },
 176         {"IT", "EN" },
 177         {"DE", "IT" },
 178
 179
 180         {"AR", "DE" },
 181         {"AR", "ES" },
 182         {"AR", "FR" },
 183         {"AR", "HE" },
 184         {"AR", "IT" },
 185         {"AR", "JA" },
 186         {"AR", "RU" },
 187         {"AR", "TR" },  // Turkish
 188         {"AR", "ZH" },
 189
 190         {"DE", "AR" },
 191         {"DE", "FR" },
 192         {"DE", "CA" },  // Catalan
 193         {"DE", "CS" },  // Czech
 194         {"DE", "EO" },  // Esperanto
 195         {"DE", "ES" },
 196         {"DE", "FR" },
 197         {"DE", "HE" },
 198         {"DE", "HU" },  // Hungarian
 199         {"DE", "IT" },
 200         {"DE", "JA" },
 201         {"DE", "LA" },  // Latin
 202         {"DE", "NL" },  // Dutch
 203         {"DE", "PL" },  // Polish
 204         {"DE", "RU" },
 205         {"DE", "SV" },  // Swedish
 206         {"DE", "TR" },  // Turkish
 207         {"DE", "ZH" },
 208         {"DE", "TA" },  // Tamil
 209
 210
 211         {"FR", "BG" },  // Bulgarian
 212         {"FR", "CS" },  // Czech
 213         {"FR", "DE" },
 214         {"FR", "ES" },
 215         {"FR", "IT" },
 216         {"FR", "JA" },
 217         {"FR", "LA" },
 218         {"FR", "NL" },  // Dutch
 219         {"FR", "RU" },
 220         {"FR", "TR" },  // Turkish
 221         {"FR", "ZH" },
 222
 223         {"IT", "DE" },
 224         {"IT", "EL" },  // Greek
 225         {"IT", "ES" },
 226         {"IT", "FR" },
 227         {"IT", "HU" },
 228         {"IT", "JA" },
 229         {"IT", "LA" },  // Latin
 230         {"IT", "LV" },  // Latvian
 231         {"IT", "NL" },
 232         {"IT", "PL" },
 233         {"IT", "RU" },
 234         {"IT", "SV" },
 235         {"IT", "TR" },  // Turkish
 236         {"IT", "ZH" },
 237
 238         {"JA", "ZH" },
 239         {"JA", "AR" },
 240         {"JA", "KO" },
 241
 242         {"ZH", "AR" },
 243         {"ZH", "DE" },
 244         {"ZH", "ES" },
 245         {"ZH", "FR" },
 246         {"ZH", "IT" },
 247         {"ZH", "KO" },
 248
 249
 250         {"NO", "SV" },
 251         {"NO", "FI" },
 252         {"FI", "SV" },
 253
 254         {"PL", "FR" },  // Polish
 255         {"PL", "RU" },  // Polish
 256         {"PL", "HU" },  // Polish
 257         {"PL", "ES" },  // Polish
 258
 259         {"TR", "EL" },  // Turkish, Greek
 260
 261         {"FA", "HY" },  // Persian, Armenian, by request.
 262         {"FA", "SV" },  // Persian, Swedish, by request.
 263
 264     };
 265     allPairs.addAll(Arrays.asList(nonEnPairs));
 266
 267     // Add all the EN-XX pairs.
 268     for (final String isoCode : WiktionaryLangs.isoCodeToEnWikiName.keySet()) {
 269       if (isoCode.equals("EN") || isoCode.equals("DE")) {
 270         continue;
 271       }
 272       allPairs.add(new String[] {"EN", isoCode});
 273     }
 274     allPairs.add(new String[] {"EN", "DE"});
 275
 276
 277     final Set<List<String>> done = new LinkedHashSet<List<String>>();
 278     for (final String[] pair : allPairs) {
 279       Arrays.sort(pair);
 280       final List<String> pairList = Arrays.asList(pair);
 281       if (done.contains(pairList)) {
 282         continue;
 283       }
 284       done.add(pairList);
 285
 286       if (!pairList.contains("IT") || !pairList.contains("EN")) {
 287         //continue;
 288       }
 289
 290       DictionaryBuilder.main(getMainArgs(pair).toArray(new String[0]));
 291     }
 292
 293   }
 294 }