]> gitweb.fperrin.net Git - DictionaryPC.git/blob - src/com/hughes/android/dictionary/engine/DictionaryBuilderMain.java
go
[DictionaryPC.git] / 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       /*
41       {"EN"},
42       {"DE"},
43       {"IT"},
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", "ZH" },
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", "ZH" },
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", "ZH" },
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", "ZH" },
110
111       {"JA", "ZH" },
112       {"JA", "AR" },
113       {"JA", "KO" },
114
115       {"ZH", "AR" },
116       {"ZH", "DE" },
117       {"ZH", "ES" },
118       {"ZH", "FR" },
119       {"ZH", "IT" },
120       {"ZH", "KO" },
121
122       
123       {"NO", "SV" },
124       {"NO", "FI" },
125       {"FI", "SV" },
126       
127       {"PL", "FR" },  // Polish
128       {"PL", "RU" },  // Polish
129       {"PL", "HU" },  // Polish
130       {"PL", "ES" },  // Polish
131       
132       {"TR", "EL" },  // Turkish, Greek
133
134       {"FA", "HY" },  // Persian, Armenian, by request.
135       {"FA", "SV" },  // Persian, Swedish, by request.
136       {"NL", "PL" },  // Dutch, Polish, by request.
137       
138       */
139
140   };
141
142
143   
144   static final Map<String,String>  isoToDedication = new LinkedHashMap<String, String>();
145   static {
146   isoToDedication.put("AF", "Afrikaans dictionary dedicated to Heiko and Mariëtte Horn.");
147   isoToDedication.put("HR", "Croatian dictionary dedicated to Ines Viskic and Miro Kresonja.");
148   isoToDedication.put("NL", "Dutch dictionary dedicated to Mike LeBeau.");
149   // German handled in file.
150   isoToDedication.put("EL", "Greek dictionary dedicated to Noah Egge.");
151   isoToDedication.put("IT", "Italian dictionary dedicated to Carolina Tropini, my favorite stardust in the whole universe!  Ti amo!");
152   isoToDedication.put("KO", "Korean dictionary dedicated to Ande Elwood--fall fashion und Fernsehturms!");
153   isoToDedication.put("PT", "Portuguese dictionary dedicated to Carlos Melo, one Tough Mudder.");
154   isoToDedication.put("RO", "Romanian dictionary dedicated to Radu Teodorescu.");
155   isoToDedication.put("RU", "Russian dictionary dedicated to Maxim Aronin--best friend always!.");
156   isoToDedication.put("SR", "Serbian dictionary dedicated to Filip Crnogorac--thanks for the honey.");
157   isoToDedication.put("ES", "Spanish dictionary made especially for Carolina Tropini! <3 XoXoXXXXX!");
158   isoToDedication.put("SV", "Swedish dictionary dedicated to Kajsa Palmblad--björn kramar!");
159   }
160   private static String getDedication(String iso) {
161     return isoToDedication.containsKey(iso) ? "\n\n" + isoToDedication.get(iso) : "";
162   }
163   
164   static final Map<String,String>  isoToStoplist = new LinkedHashMap<String, String>();
165   static {
166   isoToStoplist.put("DE", "de.txt");
167   isoToStoplist.put("EN", "en.txt");
168   isoToStoplist.put("ES", "es.txt");
169   isoToStoplist.put("IT", "it.txt");
170   isoToStoplist.put("FR", "fr.txt");
171   }
172   private static String getStoplist(String iso) {
173     return isoToStoplist.containsKey(iso) ? isoToStoplist.get(iso) : "empty.txt";
174   }
175   
176   static String getOtherLang(final String[] pair, final String first) {
177       assert Arrays.asList(pair).contains(first);
178       assert pair.length == 2;
179       return pair[0].equals(first) ? pair[1] : pair[0];
180   }
181   
182   static List<String> getMainArgs(final String[] pair) {
183       final List<String> result = new ArrayList<String>();
184       
185     int i = 1;
186     
187     if (pair.length == 1) {
188         final String lang1 = pair[0];
189         final String dictFile = String.format("%s/%s.quickdic", OUTPUTS, lang1);
190         result.add(String.format("--dictOut=%s", dictFile));
191         result.add(String.format("--lang1=%s", lang1));
192         result.add(String.format("--lang1Stoplist=%s", STOPLISTS + getStoplist(lang1)));
193         result.add(String.format("--dictInfo=Wikitionary-based %s dictionary.", lang1));
194
195         
196         final String wikiSplitFile = String.format("%s/wikiSplit/%s/%s.data", INPUTS, lang1.toLowerCase(), lang1);
197         if (new File(wikiSplitFile).canRead()) {
198             result.add(String.format("--input%d=%s", i, wikiSplitFile));
199             result.add(String.format("--input%dName=%s.wiktionary.org", i, lang1.toLowerCase()));
200             result.add(String.format("--input%dFormat=%s", i, WholeSectionToHtmlParser.NAME));
201             result.add(String.format("--input%dTitleIndex=%d", i, 1));
202             result.add(String.format("--input%dWiktionaryLang=%s", i, lang1));
203             result.add(String.format("--input%dSkipLang=%s", i, lang1));
204             result.add(String.format("--input%dWebUrlTemplate=http://%s.wiktionary.org/wiki/%%s", i, lang1.toLowerCase()));
205             //result.add(String.format("--input%dPageLimit=100", i));
206             ++i;
207         } else {
208             System.err.println("Can't read file: " + wikiSplitFile);
209         }
210         
211         if (lang1.equals("EN")) {
212             result.add(String.format("--input%d=%s/wikiSplit/en/%s.data", i, INPUTS, lang1));
213             result.add(String.format("--input%dName=ENWiktionary.%s", i, lang1)) ;
214             result.add(String.format("--input%dFormat=enwiktionary", i));
215             result.add(String.format("--input%dWiktionaryType=EnEnglish", i));
216             result.add(String.format("--input%dLangPattern=%s", i, "English"));
217             result.add(String.format("--input%dLangCodePattern=%s", i, lang1.toLowerCase()));
218             result.add(String.format("--input%dEnIndex=%d", i, 1));
219             //result.add(String.format("--input%dPageLimit=100", i));
220             ++i;
221         }
222         
223         return result;
224     }  // Single-lang dictionaries.
225     
226     final String lang1 = pair[0];
227     final String lang2 = pair[1];
228     
229     final String dictFile = String.format("%s/%s-%s.quickdic", 
230         OUTPUTS, lang1, lang2);
231     
232     result.add(String.format("--dictOut=%s", dictFile));
233     result.add(String.format("--lang1Stoplist=%s", STOPLISTS + getStoplist(lang1)));
234     result.add(String.format("--lang2Stoplist=%s", STOPLISTS + getStoplist(lang2)));
235
236     // For a few langs, put the defs of the other language in DE/IT/FR using WholeSection.
237     for (final String wikitionaryLang : Arrays.asList("EN", "DE", "IT", "FR")) {
238         if (!Arrays.asList(pair).contains(wikitionaryLang)) {
239             continue;
240         }
241         final String foreignIso = getOtherLang(pair, wikitionaryLang);
242         final String wikiSplitFile = String.format("%s/wikiSplit/%s/%s.data", INPUTS, wikitionaryLang.toLowerCase(), foreignIso);
243         if (!new File(wikiSplitFile).canRead()) {
244             System.err.println("Can't read file: " + wikiSplitFile);
245             continue;
246         }
247         result.add(String.format("--input%d=%s", i, wikiSplitFile));
248         result.add(String.format("--input%dName=%s.wiktionary.org", i, wikitionaryLang.toLowerCase()));
249         result.add(String.format("--input%dFormat=%s", i, WholeSectionToHtmlParser.NAME));
250         result.add(String.format("--input%dTitleIndex=%d", i, Arrays.asList(pair).indexOf(foreignIso) + 1));
251         result.add(String.format("--input%dWiktionaryLang=%s", i, wikitionaryLang));
252         result.add(String.format("--input%dSkipLang=%s", i, foreignIso));
253         result.add(String.format("--input%dWebUrlTemplate=http://%s.wiktionary.org/wiki/%%s", i, wikitionaryLang.toLowerCase()));
254         ++i;
255     }
256     
257     // Deal with the pairs where one is English.
258     if (Arrays.asList(pair).contains("EN")) {
259       final String foreignIso = getOtherLang(pair, "EN");
260       
261       String foreignRegex = WiktionaryLangs.isoCodeToEnWikiName.get(foreignIso);
262       if (foreignIso.equals("ZH")) {
263         // HACK: The missing "e" prevents a full match, causing "Cantonese" to be appended to the entries.
264         foreignRegex = "Chinese|Mandarin|Cantones";
265       }
266       
267       result.add(String.format("--lang1=%s", lang1));
268       result.add(String.format("--lang2=%s",  lang2));
269       result.add(String.format("--dictInfo=(EN)Wikitionary-based EN-%s dictionary.%s", foreignIso, getDedication(foreignIso)));
270       
271       result.add(String.format("--input%d=%s/wikiSplit/en/%s.data", i, INPUTS, foreignIso));
272       result.add(String.format("--input%dName=ENWiktionary.%s", i, foreignIso)) ;
273       result.add(String.format("--input%dFormat=enwiktionary", i));
274       result.add(String.format("--input%dWiktionaryType=EnForeign", i));
275       result.add(String.format("--input%dLangPattern=%s", i, foreignRegex));
276       result.add(String.format("--input%dLangCodePattern=%s", i, foreignIso.toLowerCase()));
277       result.add(String.format("--input%dEnIndex=%d", i, Arrays.asList(pair).indexOf("EN") + 1));
278       ++i;
279
280       result.add(String.format("--input%d=%swikiSplit/en/EN.data", i, INPUTS));
281       result.add(String.format("--input%dName=enwiktionary.english", i));
282       result.add(String.format("--input%dFormat=enwiktionary", i));
283       result.add(String.format("--input%dWiktionaryType=EnToTranslation", i));
284       result.add(String.format("--input%dLangPattern=%s", i, foreignRegex));
285       result.add(String.format("--input%dLangCodePattern=%s", i, foreignIso.toLowerCase()));
286       result.add(String.format("--input%dEnIndex=%d", i, Arrays.asList(pair).indexOf("EN") + 1));
287       ++i;
288       
289       if (foreignIso.equals("DE")) {
290         result.add(String.format("--input%d=%sde-en_chemnitz.txt", i, INPUTS));
291         result.add(String.format("--input%dName=chemnitz", i));
292         result.add(String.format("--input%dCharset=UTF8", i));
293         result.add(String.format("--input%dFormat=chemnitz", i));
294         ++i;
295       }
296       
297     } else {
298       // Pairs without English.
299       result.add(String.format("--lang1=%s", lang1));
300       result.add(String.format("--lang2=%s", lang2));
301       result.add(String.format("--dictInfo=Wikitionary-based %s-%s dictionary.", lang1, lang2));
302  
303       result.add(String.format("--input%d=%swikiSplit/en/EN.data", i, INPUTS));
304       result.add(String.format("--input%dName=BETA!enwiktionary.%s-%s", i, lang1, lang2));
305       result.add(String.format("--input%dFormat=%s", i, EnTranslationToTranslationParser.NAME));
306       result.add(String.format("--input%dLangPattern1=%s", i, lang1));
307       result.add(String.format("--input%dLangPattern2=%s", i, lang2));
308       ++i;
309     }
310     
311     return result;
312   }
313
314   public static void main(final String[] args) throws Exception {
315     
316     final List<String[]> allPairs = new ArrayList<String[]>();
317     
318     allPairs.addAll(Arrays.asList(nonEnPairs));
319     // Add all the EN-XX pairs.
320     for (final String isoCode : WiktionaryLangs.isoCodeToEnWikiName.keySet()) {
321       allPairs.add(new String[] {"EN", isoCode});
322     }
323     
324         
325     final Set<List<String>> done = new LinkedHashSet<List<String>>();
326     for (final String[] pair : allPairs) {
327       Arrays.sort(pair);
328       final List<String> pairList = Arrays.asList(pair);
329       if (done.contains(pairList)) {
330         continue;
331       }
332       done.add(pairList);
333       
334       if (!pairList.contains("EN") && !pairList.contains("EL")) {
335         //continue;
336       }
337       
338       DictionaryBuilder.main(getMainArgs(pair).toArray(new String[0]));
339     }
340     
341   }    
342 }