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.util.ArrayList;
  18 import java.util.Arrays;
  19 import java.util.LinkedHashMap;
  20 import java.util.LinkedHashSet;
  21 import java.util.List;
  22 import java.util.Map;
  23 import java.util.Set;
  24
  25 import junit.framework.TestCase;
  26
  27 import com.hughes.android.dictionary.parser.wiktionary.EnTranslationToTranslationParser;
  28 import com.hughes.android.dictionary.parser.wiktionary.WiktionaryLangs;
  29
  30 public class DictionaryBuilderMain extends TestCase {
  31
  32   static final String INPUTS = "data/inputs/";
  33   static final String STOPLISTS = "data/inputs/stoplists/";
  34   static final String OUTPUTS = "data/outputs/";
  35
  36
  37   static final Map<String,String>  isoToDedication = new LinkedHashMap<String, String>();
  38   static {
  39   isoToDedication.put("AF", "Afrikaans dictionary dedicated to Heiko and Mariëtte Horn.");
  40   isoToDedication.put("HR", "Croatian dictionary dedicated to Ines Viskic and Miro Kresonja.");
  41   isoToDedication.put("NL", "Dutch dictionary dedicated to Mike LeBeau.");
  42   // German handled in file.
  43   isoToDedication.put("EL", "Greek dictionary dedicated to Noah Egge.");
  44   isoToDedication.put("IT", "Italian dictionary dedicated to Carolina Tropini, my favorite stardust in the whole universe!  Ti amo!");
  45   isoToDedication.put("KO", "Korean dictionary dedicated to Ande Elwood--fall fashion und Fernsehturms!");
  46   isoToDedication.put("PT", "Portuguese dictionary dedicated to Carlos Melo, one Tough Mudder.");
  47   isoToDedication.put("RO", "Romanian dictionary dedicated to Radu Teodorescu.");
  48   isoToDedication.put("RU", "Russian dictionary dedicated to Maxim Aronin--best friend always!.");
  49   isoToDedication.put("SR", "Serbian dictionary dedicated to Filip Crnogorac--thanks for the honey.");
  50   isoToDedication.put("ES", "Spanish dictionary made especially for Carolina Tropini! <3 XoXoXXXXX!");
  51   isoToDedication.put("SV", "Swedish dictionary dedicated to Kajsa Palmblad--björn kramar!");
  52   }
  53   private static String getDedication(String iso) {
  54     return isoToDedication.containsKey(iso) ? "\n\n" + isoToDedication.get(iso) : "";
  55   }
  56
  57   static final Map<String,String>  isoToStoplist = new LinkedHashMap<String, String>();
  58   static {
  59   isoToStoplist.put("DE", "de.txt");
  60   isoToStoplist.put("EN", "en.txt");
  61   isoToStoplist.put("ES", "es.txt");
  62   isoToStoplist.put("IT", "it.txt");
  63   isoToStoplist.put("FR", "fr.txt");
  64   }
  65   private static String getStoplist(String iso) {
  66     return isoToStoplist.containsKey(iso) ? isoToStoplist.get(iso) : "empty.txt";
  67   }
  68
  69   static List<String> getMainArgs(final String[] pair) {
  70     final List<String> result = new ArrayList<String>();
  71
  72     final String lang1 = pair[0];
  73     final String lang2 = pair[1];
  74
  75     final String dictFile = String.format("%s/%s-%s.quickdic",
  76         OUTPUTS, lang1, lang2);
  77
  78     result.add(String.format("--dictOut=%s", dictFile));
  79     result.add(String.format("--lang1Stoplist=%s", STOPLISTS + getStoplist(lang1)));
  80     result.add(String.format("--lang2Stoplist=%s", STOPLISTS + getStoplist(lang2)));
  81
  82     int i = 2;
  83
  84     // Deal with the pairs where one is English.
  85     if (Arrays.asList(pair).contains("EN")) {
  86       final String foreignIso = pair[0].equals("EN") ? pair[1] : pair[0];
  87
  88
  89       String foreignRegex = WiktionaryLangs.isoCodeToEnWikiName.get(foreignIso);
  90       if (foreignIso.equals("ZH")) {
  91         // HACK: The missing "e" prevents a full match, causing "Cantonese" to be appended to the entries.
  92         foreignRegex = "Chinese|Mandarin|Cantones";
  93       }
  94
  95       final int enIndex;
  96       if (foreignIso.equals("DE")) {
  97         // German-English is a special case since it was the first ever QuickDic!
  98         result.add(String.format("--lang1=%s", "DE"));
  99         result.add(String.format("--lang2=%s", "EN"));
 100         result.add("--dictInfo=@" + INPUTS + "de-en_chemnitz_enwiktionary.info");
 101
 102         enIndex = 2;
 103       } else {
 104         result.add(String.format("--lang1=%s", "EN"));
 105         result.add(String.format("--lang2=%s",  foreignIso));
 106         result.add(String.format("--dictInfo=(EN)Wikitionary-based EN-%s dictionary.%s", foreignIso, getDedication(foreignIso)));
 107         enIndex = 1;
 108       }
 109
 110       result.add(String.format("--input%d=%s/wikiSplit/en/%s.data", i, INPUTS, foreignIso));
 111       result.add(String.format("--input%dName=enwiktionary.%s", i, foreignIso)) ;
 112       result.add(String.format("--input%dFormat=enwiktionary", i));
 113       result.add(String.format("--input%dWiktionaryType=EnForeign", i));
 114       result.add(String.format("--input%dLangPattern=%s", i, foreignRegex));
 115       result.add(String.format("--input%dLangCodePattern=%s", i, foreignIso.toLowerCase()));
 116       result.add(String.format("--input%dEnIndex=%d", i, enIndex));
 117       ++i;
 118
 119       result.add(String.format("--input%d=%swikiSplit/en/EN.data", i, INPUTS));
 120       result.add(String.format("--input%dName=enwiktionary.english", i));
 121       result.add(String.format("--input%dFormat=enwiktionary", i));
 122       result.add(String.format("--input%dWiktionaryType=EnToTranslation", i));
 123       result.add(String.format("--input%dLangPattern=%s", i, foreignRegex));
 124       result.add(String.format("--input%dLangCodePattern=%s", i, foreignIso.toLowerCase()));
 125       result.add(String.format("--input%dEnIndex=%d", i, enIndex));
 126       ++i;
 127
 128       if (foreignIso.equals("DE")) {
 129         result.add(String.format("--input%d=%sde-en_chemnitz.txt", i, INPUTS));
 130         result.add(String.format("--input%dName=chemnitz", i));
 131         result.add(String.format("--input%dCharset=UTF8", i));
 132         result.add(String.format("--input%dFormat=chemnitz", i));
 133         ++i;
 134       }
 135     } else {
 136       // Pairs without English.
 137       result.add(String.format("--lang1=%s", lang1));
 138       result.add(String.format("--lang2=%s", lang2));
 139
 140       result.add(String.format("--input%d=%swikiSplit/en/EN.data", i, INPUTS));
 141       result.add(String.format("--input%dName=BETA!enwiktionary.%s-%s", i, lang1, lang2));
 142       result.add(String.format("--input%dFormat=%s", i, EnTranslationToTranslationParser.NAME));
 143       result.add(String.format("--input%dLangPattern1=%s", i, lang1));
 144       result.add(String.format("--input%dLangPattern2=%s", i, lang2));
 145       ++i;
 146     }
 147     return result;
 148   }
 149
 150   public static void main(final String[] args) throws Exception {
 151
 152     final List<String[]> allPairs = new ArrayList<String[]>();
 153
 154     // Build the non EN ones.
 155     final String[][] nonEnPairs = new String[][] {
 156
 157         {"AR", "DE" },
 158         {"AR", "ES" },
 159         {"AR", "FR" },
 160         {"AR", "HE" },
 161         {"AR", "IT" },
 162         {"AR", "JA" },
 163         {"AR", "RU" },
 164         {"AR", "TR" },  // Turkish
 165         {"AR", "ZH" },
 166
 167         {"DE", "AR" },
 168         {"DE", "FR" },
 169         {"DE", "CA" },  // Catalan
 170         {"DE", "CS" },  // Czech
 171         {"DE", "EO" },  // Esperanto
 172         {"DE", "ES" },
 173         {"DE", "FR" },
 174         {"DE", "HE" },
 175         {"DE", "HU" },  // Hungarian
 176         {"DE", "IT" },
 177         {"DE", "JA" },
 178         {"DE", "LA" },  // Latin
 179         {"DE", "PL" },  // Polish
 180         {"DE", "RU" },
 181         {"DE", "SV" },  // Swedish
 182         {"DE", "TR" },  // Turkish
 183         {"DE", "ZH" },
 184
 185
 186         {"FR", "BG" },  // Bulgarian
 187         {"FR", "CS" },  // Czech
 188         {"FR", "DE" },
 189         {"FR", "ES" },
 190         {"FR", "IT" },
 191         {"FR", "JA" },
 192         {"FR", "LA" },
 193         {"FR", "NL" },  // Dutch
 194         {"FR", "RU" },
 195         {"FR", "TR" },  // Turkish
 196         {"FR", "ZH" },
 197
 198         {"IT", "DE" },
 199         {"IT", "EL" },  // Greek
 200         {"IT", "ES" },
 201         {"IT", "FR" },
 202         {"IT", "HU" },
 203         {"IT", "JA" },
 204         {"IT", "LA" },  // Latin
 205         {"IT", "LV" },  // Latvian
 206         {"IT", "NL" },
 207         {"IT", "PL" },
 208         {"IT", "RU" },
 209         {"IT", "SV" },
 210         {"IT", "TR" },  // Turkish
 211         {"IT", "ZH" },
 212
 213         {"JA", "ZH" },
 214         {"JA", "AR" },
 215         {"JA", "KO" },
 216
 217         {"ZH", "AR" },
 218         {"ZH", "DE" },
 219         {"ZH", "ES" },
 220         {"ZH", "FR" },
 221         {"ZH", "IT" },
 222         {"ZH", "KO" },
 223
 224
 225         {"NO", "SV" },
 226         {"NO", "FI" },
 227         {"FI", "SV" },
 228
 229         {"PL", "FR" },  // Polish
 230         {"PL", "RU" },  // Polish
 231         {"PL", "HU" },  // Polish
 232         {"PL", "ES" },  // Polish
 233
 234         //{"TR", "EL" },  // Turkish, Greek
 235
 236     };
 237     allPairs.addAll(Arrays.asList(nonEnPairs));
 238
 239     // Add all the EN-XX pairs.
 240     for (final String isoCode : WiktionaryLangs.isoCodeToEnWikiName.keySet()) {
 241       if (isoCode.equals("EN") || isoCode.equals("DE")) {
 242         continue;
 243       }
 244       allPairs.add(new String[] {"EN", isoCode});
 245     }
 246     allPairs.add(new String[] {"EN", "DE"});
 247
 248
 249     final Set<List<String>> done = new LinkedHashSet<List<String>>();
 250     for (final String[] pair : allPairs) {
 251       Arrays.sort(pair);
 252       final List<String> pairList = Arrays.asList(pair);
 253       if (done.contains(pairList)) {
 254         continue;
 255       }
 256       done.add(pairList);
 257
 258       DictionaryBuilder.main(getMainArgs(pair).toArray(new String[0]));
 259     }
 260
 261   }
 262 }