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.WholeSectionToHtmlParser;
  29 import com.hughes.android.dictionary.parser.wiktionary.WiktionaryLangs;
  30
  31 public class DictionaryBuilderMain extends TestCase {
  32
  33   static final String INPUTS = "data/inputs/";
  34   static final String STOPLISTS = "data/inputs/stoplists/";
  35   static final String OUTPUTS = "data/outputs/";
  36
  37
  38   static final Map<String,String>  isoToDedication = new LinkedHashMap<String, String>();
  39   static {
  40   isoToDedication.put("AF", "Afrikaans dictionary dedicated to Heiko and Mariëtte Horn.");
  41   isoToDedication.put("HR", "Croatian dictionary dedicated to Ines Viskic and Miro Kresonja.");
  42   isoToDedication.put("NL", "Dutch dictionary dedicated to Mike LeBeau.");
  43   // German handled in file.
  44   isoToDedication.put("EL", "Greek dictionary dedicated to Noah Egge.");
  45   isoToDedication.put("IT", "Italian dictionary dedicated to Carolina Tropini, my favorite stardust in the whole universe!  Ti amo!");
  46   isoToDedication.put("KO", "Korean dictionary dedicated to Ande Elwood--fall fashion und Fernsehturms!");
  47   isoToDedication.put("PT", "Portuguese dictionary dedicated to Carlos Melo, one Tough Mudder.");
  48   isoToDedication.put("RO", "Romanian dictionary dedicated to Radu Teodorescu.");
  49   isoToDedication.put("RU", "Russian dictionary dedicated to Maxim Aronin--best friend always!.");
  50   isoToDedication.put("SR", "Serbian dictionary dedicated to Filip Crnogorac--thanks for the honey.");
  51   isoToDedication.put("ES", "Spanish dictionary made especially for Carolina Tropini! <3 XoXoXXXXX!");
  52   isoToDedication.put("SV", "Swedish dictionary dedicated to Kajsa Palmblad--björn kramar!");
  53   }
  54   private static String getDedication(String iso) {
  55     return isoToDedication.containsKey(iso) ? "\n\n" + isoToDedication.get(iso) : "";
  56   }
  57
  58   static final Map<String,String>  isoToStoplist = new LinkedHashMap<String, String>();
  59   static {
  60   isoToStoplist.put("DE", "de.txt");
  61   isoToStoplist.put("EN", "en.txt");
  62   isoToStoplist.put("ES", "es.txt");
  63   isoToStoplist.put("IT", "it.txt");
  64   isoToStoplist.put("FR", "fr.txt");
  65   }
  66   private static String getStoplist(String iso) {
  67     return isoToStoplist.containsKey(iso) ? isoToStoplist.get(iso) : "empty.txt";
  68   }
  69
  70   static List<String> getMainArgs(final String[] pair) {
  71     final List<String> result = new ArrayList<String>();
  72
  73     final String lang1 = pair[0];
  74     final String lang2 = pair[1];
  75
  76     final String dictFile = String.format("%s/%s-%s.quickdic",
  77         OUTPUTS, lang1, lang2);
  78
  79     result.add(String.format("--dictOut=%s", dictFile));
  80     result.add(String.format("--lang1Stoplist=%s", STOPLISTS + getStoplist(lang1)));
  81     result.add(String.format("--lang2Stoplist=%s", STOPLISTS + getStoplist(lang2)));
  82
  83     int i = 2;
  84
  85     // Deal with the pairs where one is English.
  86     if (Arrays.asList(pair).contains("EN")) {
  87       final String foreignIso = pair[0].equals("EN") ? pair[1] : pair[0];
  88
  89
  90       String foreignRegex = WiktionaryLangs.isoCodeToEnWikiName.get(foreignIso);
  91       if (foreignIso.equals("ZH")) {
  92         // HACK: The missing "e" prevents a full match, causing "Cantonese" to be appended to the entries.
  93         foreignRegex = "Chinese|Mandarin|Cantones";
  94       }
  95
  96       final int enIndex;
  97       if (foreignIso.equals("DE")) {
  98         // German-English is a special case since it was the first ever QuickDic!
  99         result.add(String.format("--lang1=%s", "DE"));
 100         result.add(String.format("--lang2=%s", "EN"));
 101         result.add("--dictInfo=@" + INPUTS + "de-en_chemnitz_enwiktionary.info");
 102
 103         enIndex = 2;
 104       } else {
 105         result.add(String.format("--lang1=%s", "EN"));
 106         result.add(String.format("--lang2=%s",  foreignIso));
 107         result.add(String.format("--dictInfo=(EN)Wikitionary-based EN-%s dictionary.%s", foreignIso, getDedication(foreignIso)));
 108         enIndex = 1;
 109       }
 110
 111       result.add(String.format("--input%d=%s/wikiSplit/en/%s.data", i, INPUTS, foreignIso));
 112       result.add(String.format("--input%dName=ENWiktionary.%s", i, foreignIso)) ;
 113       result.add(String.format("--input%dFormat=enwiktionary", i));
 114       result.add(String.format("--input%dWiktionaryType=EnForeign", i));
 115       result.add(String.format("--input%dLangPattern=%s", i, foreignRegex));
 116       result.add(String.format("--input%dLangCodePattern=%s", i, foreignIso.toLowerCase()));
 117       result.add(String.format("--input%dEnIndex=%d", i, enIndex));
 118       ++i;
 119
 120       result.add(String.format("--input%d=%swikiSplit/en/EN.data", i, INPUTS));
 121       result.add(String.format("--input%dName=enwiktionary.english", i));
 122       result.add(String.format("--input%dFormat=enwiktionary", i));
 123       result.add(String.format("--input%dWiktionaryType=EnToTranslation", i));
 124       result.add(String.format("--input%dLangPattern=%s", i, foreignRegex));
 125       result.add(String.format("--input%dLangCodePattern=%s", i, foreignIso.toLowerCase()));
 126       result.add(String.format("--input%dEnIndex=%d", i, enIndex));
 127       ++i;
 128
 129       if (foreignIso.equals("DE")) {
 130         result.add(String.format("--input%d=%sde-en_chemnitz.txt", i, INPUTS));
 131         result.add(String.format("--input%dName=chemnitz", i));
 132         result.add(String.format("--input%dCharset=UTF8", i));
 133         result.add(String.format("--input%dFormat=chemnitz", i));
 134         ++i;
 135       }
 136
 137       result.add(String.format("--input%d=%s/wikiSplit/en/%s.data", i, INPUTS, foreignIso));
 138       result.add(String.format("--input%dName=%s", i, "ENWiktionary.WholeSections.%s", foreignIso));
 139       result.add(String.format("--input%dFormat=%s", i, WholeSectionToHtmlParser.NAME));
 140       result.add(String.format("--input%dTitleIndex=%d", i, 3 - enIndex));
 141       ++i;
 142
 143     } else {
 144       // Pairs without English.
 145       result.add(String.format("--lang1=%s", lang1));
 146       result.add(String.format("--lang2=%s", lang2));
 147
 148       result.add(String.format("--input%d=%swikiSplit/en/EN.data", i, INPUTS));
 149       result.add(String.format("--input%dName=BETA!enwiktionary.%s-%s", i, lang1, lang2));
 150       result.add(String.format("--input%dFormat=%s", i, EnTranslationToTranslationParser.NAME));
 151       result.add(String.format("--input%dLangPattern1=%s", i, lang1));
 152       result.add(String.format("--input%dLangPattern2=%s", i, lang2));
 153       ++i;
 154     }
 155     return result;
 156   }
 157
 158   public static void main(final String[] args) throws Exception {
 159
 160     final List<String[]> allPairs = new ArrayList<String[]>();
 161
 162     // Build the non EN ones.
 163     final String[][] nonEnPairs = new String[][] {
 164
 165         {"AR", "DE" },
 166         {"AR", "ES" },
 167         {"AR", "FR" },
 168         {"AR", "HE" },
 169         {"AR", "IT" },
 170         {"AR", "JA" },
 171         {"AR", "RU" },
 172         {"AR", "TR" },  // Turkish
 173         {"AR", "ZH" },
 174
 175         {"DE", "AR" },
 176         {"DE", "FR" },
 177         {"DE", "CA" },  // Catalan
 178         {"DE", "CS" },  // Czech
 179         {"DE", "EO" },  // Esperanto
 180         {"DE", "ES" },
 181         {"DE", "FR" },
 182         {"DE", "HE" },
 183         {"DE", "HU" },  // Hungarian
 184         {"DE", "IT" },
 185         {"DE", "JA" },
 186         {"DE", "LA" },  // Latin
 187         {"DE", "PL" },  // Polish
 188         {"DE", "RU" },
 189         {"DE", "SV" },  // Swedish
 190         {"DE", "TR" },  // Turkish
 191         {"DE", "ZH" },
 192         {"DE", "TA" },  // Tamil
 193
 194
 195         {"FR", "BG" },  // Bulgarian
 196         {"FR", "CS" },  // Czech
 197         {"FR", "DE" },
 198         {"FR", "ES" },
 199         {"FR", "IT" },
 200         {"FR", "JA" },
 201         {"FR", "LA" },
 202         {"FR", "NL" },  // Dutch
 203         {"FR", "RU" },
 204         {"FR", "TR" },  // Turkish
 205         {"FR", "ZH" },
 206
 207         {"IT", "DE" },
 208         {"IT", "EL" },  // Greek
 209         {"IT", "ES" },
 210         {"IT", "FR" },
 211         {"IT", "HU" },
 212         {"IT", "JA" },
 213         {"IT", "LA" },  // Latin
 214         {"IT", "LV" },  // Latvian
 215         {"IT", "NL" },
 216         {"IT", "PL" },
 217         {"IT", "RU" },
 218         {"IT", "SV" },
 219         {"IT", "TR" },  // Turkish
 220         {"IT", "ZH" },
 221
 222         {"JA", "ZH" },
 223         {"JA", "AR" },
 224         {"JA", "KO" },
 225
 226         {"ZH", "AR" },
 227         {"ZH", "DE" },
 228         {"ZH", "ES" },
 229         {"ZH", "FR" },
 230         {"ZH", "IT" },
 231         {"ZH", "KO" },
 232
 233
 234         {"NO", "SV" },
 235         {"NO", "FI" },
 236         {"FI", "SV" },
 237
 238         {"PL", "FR" },  // Polish
 239         {"PL", "RU" },  // Polish
 240         {"PL", "HU" },  // Polish
 241         {"PL", "ES" },  // Polish
 242
 243         {"TR", "EL" },  // Turkish, Greek
 244     };
 245     allPairs.addAll(Arrays.asList(nonEnPairs));
 246
 247     // Add all the EN-XX pairs.
 248     for (final String isoCode : WiktionaryLangs.isoCodeToEnWikiName.keySet()) {
 249       if (isoCode.equals("EN") || isoCode.equals("DE")) {
 250         continue;
 251       }
 252       allPairs.add(new String[] {"EN", isoCode});
 253     }
 254     allPairs.add(new String[] {"EN", "DE"});
 255
 256
 257     final Set<List<String>> done = new LinkedHashSet<List<String>>();
 258     for (final String[] pair : allPairs) {
 259       Arrays.sort(pair);
 260       final List<String> pairList = Arrays.asList(pair);
 261       if (done.contains(pairList)) {
 262         continue;
 263       }
 264       done.add(pairList);
 265
 266       if (!pairList.contains("IT") || !pairList.contains("EN")) {
 267         continue;
 268       }
 269
 270       DictionaryBuilder.main(getMainArgs(pair).toArray(new String[0]));
 271     }
 272
 273   }
 274 }