src/com/hughes/android/dictionary/engine/WiktionarySplitter.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.BufferedOutputStream;
  18 import java.io.DataOutputStream;
  19 import java.io.File;
  20 import java.io.FileOutputStream;
  21 import java.io.IOException;
  22 import java.util.ArrayList;
  23 import java.util.List;
  24 import java.util.Map;
  25 import java.util.regex.Matcher;
  26 import java.util.regex.Pattern;
  27
  28 import javax.xml.parsers.ParserConfigurationException;
  29 import javax.xml.parsers.SAXParser;
  30 import javax.xml.parsers.SAXParserFactory;
  31
  32 import org.xml.sax.Attributes;
  33 import org.xml.sax.SAXException;
  34
  35 public class WiktionarySplitter extends org.xml.sax.helpers.DefaultHandler {
  36
  37   private static final String FILE_TO_SPLIT = "data/inputs/enwiktionary-20111224-pages-articles.xml";
  38
  39   static class Section implements java.io.Serializable {
  40     private static final long serialVersionUID = -7676549898325856822L;
  41
  42     final String title;
  43     final String heading;
  44     final String text;
  45
  46     public Section(final String title, final String heading, final String text) {
  47       this.title = title;
  48       this.heading = heading;
  49       this.text = text;
  50
  51       //System.out.printf("TITLE:%s\nHEADING:%s\nTEXT:%s\n\n\n\n\n\n", title, heading, text);
  52     }
  53   }
  54
  55   static class Selector {
  56     DataOutputStream out;
  57     Pattern pattern;
  58
  59     public Selector(final String filename, final String pattern) throws IOException {
  60       this.out = new DataOutputStream(new BufferedOutputStream(new FileOutputStream(filename)));
  61       this.pattern = Pattern.compile(pattern, Pattern.CASE_INSENSITIVE);
  62     }
  63   }
  64
  65   final List<Selector> selectors = new ArrayList<Selector>();
  66   StringBuilder titleBuilder;
  67   StringBuilder textBuilder;
  68   StringBuilder currentBuilder = null;
  69
  70   public static void main(final String[] args) throws SAXException, IOException, ParserConfigurationException {
  71     final SAXParser parser = SAXParserFactory.newInstance().newSAXParser();
  72     final WiktionarySplitter wiktionarySplitter = new WiktionarySplitter();
  73
  74     // Configure things.
  75
  76     final List<Selector> selectors = wiktionarySplitter.selectors;
  77     for (int i = 1; i < args.length; i += 2) {
  78       final Selector selector = new Selector(args[i], args[i+1]);
  79       selectors.add(selector);
  80     }
  81
  82     if (selectors.isEmpty()) {
  83       for (final Map.Entry<String, String> entry : Language.isoCodeToWikiName.entrySet()) {
  84         selectors.add(new Selector(String.format("data/inputs/enWikiSplit/%s.data", entry.getKey()), entry.getValue()));
  85       }
  86     }
  87
  88     // Do it.
  89     parser.parse(new File(FILE_TO_SPLIT), wiktionarySplitter);
  90
  91     // Shutdown.
  92     for (final Selector selector : selectors) {
  93       selector.out.close();
  94     }
  95   }
  96
  97   static final Pattern headingStart = Pattern.compile("^(=+)[^=]+=+", Pattern.MULTILINE);
  98
  99   int pageCount = 0;
 100   private void endPage() {
 101     final String title = titleBuilder.toString();
 102     if (++pageCount % 1000 == 0) {
 103       System.out.println("endPage: " + title + ", count=" + pageCount);
 104     }
 105
 106     String text = textBuilder.toString();
 107
 108     while (text.length() > 0) {
 109       // Find start.
 110       final Matcher startMatcher = headingStart.matcher(text);
 111       if (!startMatcher.find()) {
 112         return;
 113       }
 114       text = text.substring(startMatcher.end());
 115
 116       final String heading = startMatcher.group();
 117       for (final Selector selector : selectors) {
 118         if (selector.pattern.matcher(heading).find()) {
 119
 120           // Find end.
 121           final int depth = startMatcher.group(1).length();
 122           final Pattern endPattern = Pattern.compile(String.format("^={1,%d}[^=]+=+", depth), Pattern.MULTILINE);
 123
 124           final Matcher endMatcher = endPattern.matcher(text);
 125           final int end;
 126           if (endMatcher.find()) {
 127             end = endMatcher.start();
 128           } else {
 129             end = text.length();
 130           }
 131
 132           final String sectionText = text.substring(0, end);
 133           final Section section = new Section(title, heading, sectionText);
 134
 135           try {
 136             selector.out.writeUTF(section.title);
 137             selector.out.writeUTF(section.heading);
 138             final byte[] bytes = section.text.getBytes("UTF8");
 139             selector.out.writeInt(bytes.length);
 140             selector.out.write(bytes);
 141           } catch (IOException e) {
 142             throw new RuntimeException(e);
 143           }
 144
 145           text = text.substring(end);
 146         }
 147       }
 148     }
 149
 150   }
 151
 152   // -----------------------------------------------------------------------
 153
 154     @Override
 155     public void startElement(String uri, String localName, String qName,
 156         Attributes attributes) {
 157       currentBuilder = null;
 158       if ("page".equals(qName)) {
 159         titleBuilder = new StringBuilder();
 160
 161         // Start with "\n" to better match certain strings.
 162         textBuilder = new StringBuilder("\n");
 163       } else if ("title".equals(qName)) {
 164         currentBuilder = titleBuilder;
 165       } else if ("text".equals(qName)) {
 166         currentBuilder = textBuilder;
 167       }
 168     }
 169
 170     @Override
 171     public void characters(char[] ch, int start, int length) throws SAXException {
 172       if (currentBuilder != null) {
 173         currentBuilder.append(ch, start, length);
 174       }
 175     }
 176
 177     @Override
 178     public void endElement(String uri, String localName, String qName)
 179         throws SAXException {
 180       currentBuilder = null;
 181       if ("page".equals(qName)) {
 182         endPage();
 183       }
 184     }
 185
 186
 187     public void parse(final File file) throws ParserConfigurationException,
 188         SAXException, IOException {
 189       final SAXParser parser = SAXParserFactory.newInstance().newSAXParser();
 190       parser.parse(file, this);
 191     }
 192
 193 }