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.LinkedHashMap;
  24 import java.util.List;
  25 import java.util.Map;
  26 import java.util.regex.Matcher;
  27 import java.util.regex.Pattern;
  28
  29 import javax.xml.parsers.ParserConfigurationException;
  30 import javax.xml.parsers.SAXParser;
  31
  32 import org.apache.xerces.jaxp.SAXParserFactoryImpl;
  33 import org.xml.sax.Attributes;
  34 import org.xml.sax.SAXException;
  35
  36 import com.hughes.android.dictionary.parser.wiktionary.WiktionaryLangs;
  37
  38 public class WiktionarySplitter extends org.xml.sax.helpers.DefaultHandler {
  39
  40   // The matches the whole line, otherwise regexes don't work well on French:
  41   // {{=uk=}}
  42   static final Pattern headingStart = Pattern.compile("^(=+)[^=].*$", Pattern.MULTILINE);
  43
  44   final Map<String,List<Selector>> pathToSelectors = new LinkedHashMap<String, List<Selector>>();
  45   List<Selector> currentSelectors = null;
  46
  47   StringBuilder titleBuilder;
  48   StringBuilder textBuilder;
  49   StringBuilder currentBuilder = null;
  50
  51   public static void main(final String[] args) throws Exception {
  52     final WiktionarySplitter wiktionarySplitter = new WiktionarySplitter();
  53     wiktionarySplitter.go();
  54   }
  55
  56   private WiktionarySplitter() {
  57     List<Selector> selectors;
  58     for (final String code : WiktionaryLangs.wikiCodeToIsoCodeToWikiName.keySet()) {
  59       //if (code.equals("en") || code.equals("de") || code.equals("fr")) {continue;}
  60       selectors = new ArrayList<WiktionarySplitter.Selector>();
  61       pathToSelectors.put(String.format("data/inputs/%swiktionary-pages-articles.xml", code), selectors);
  62       for (final Map.Entry<String, String> entry : WiktionaryLangs.wikiCodeToIsoCodeToWikiName.get(code).entrySet()) {
  63         final String dir = String.format("data/inputs/wikiSplit/%s", code);
  64         new File(dir).mkdirs();
  65         selectors.add(new Selector(String.format("%s/%s.data", dir, entry.getKey()), entry.getValue()));
  66       }
  67     }
  68   }
  69
  70   private void go() throws Exception {
  71     final SAXParser parser = SAXParserFactoryImpl.newInstance().newSAXParser();
  72
  73     // Configure things.
  74     for (final Map.Entry<String, List<Selector>> pathToSelectorsEntry : pathToSelectors.entrySet()) {
  75
  76       currentSelectors = pathToSelectorsEntry.getValue();
  77
  78       for (final Selector selector : currentSelectors) {
  79         selector.out = new DataOutputStream(new BufferedOutputStream(new FileOutputStream(selector.outFilename)));
  80       }
  81
  82       // Do it.
  83       try {
  84         parser.parse(new File(pathToSelectorsEntry.getKey()), this);
  85       } catch (Exception e) {
  86         System.err.println("Exception during parse, lastPageTitle=" + lastPageTitle + ", titleBuilder=" + titleBuilder.toString());
  87         throw e;
  88       }
  89
  90       // Shutdown.
  91       for (final Selector selector : currentSelectors) {
  92         selector.out.close();
  93       }
  94
  95     }
  96   }
  97
  98   String lastPageTitle = null;
  99   int pageCount = 0;
 100   private void endPage() {
 101     final String title = titleBuilder.toString();
 102     lastPageTitle = title;
 103     if (++pageCount % 1000 == 0) {
 104       System.out.println("endPage: " + title + ", count=" + pageCount);
 105     }
 106     if (title.startsWith("Wiktionary:") ||
 107             title.startsWith("Appendix:") ||
 108             title.startsWith("Help:") ||
 109             title.startsWith("Index:") ||
 110             title.startsWith("MediaWiki:") ||
 111             title.startsWith("Citations:") ||
 112             title.startsWith("Concordance:") ||
 113             title.startsWith("Glossary:") ||
 114             title.startsWith("Rhymes:") ||
 115             title.startsWith("Category:") ||
 116             title.startsWith("Wikisaurus:") ||
 117             title.startsWith("Unsupported titles/") ||
 118             title.startsWith("Transwiki:") ||
 119             title.startsWith("File:") ||
 120             title.startsWith("Thread:") ||
 121             title.startsWith("Template:") ||
 122             title.startsWith("Summary:") ||
 123             // DE
 124             title.startsWith("Datei:") ||
 125             title.startsWith("Verzeichnis:") ||
 126             title.startsWith("Vorlage:") ||
 127             title.startsWith("Thesaurus:") ||
 128             title.startsWith("Kategorie:") ||
 129             title.startsWith("Hilfe:") ||
 130             // FR:
 131             title.startsWith("Annexe:") ||
 132             title.startsWith("Catégori:") ||
 133             title.startsWith("Modèle:") ||
 134             title.startsWith("Thésaurus:") ||
 135             title.startsWith("Projet:") ||
 136             title.startsWith("Aide:") ||
 137             title.startsWith("Fichier:") ||
 138             title.startsWith("Wiktionnaire:") ||
 139             title.startsWith("Catégorie:") ||
 140             title.startsWith("Portail:") ||
 141             title.startsWith("utiliusateur:") ||
 142             title.startsWith("Kategorio:") ||
 143             // IT
 144             title.startsWith("Wikizionario:") ||
 145             title.startsWith("Appendice:") ||
 146             title.startsWith("Categoria:") ||
 147             title.startsWith("Aiuto:") ||
 148             title.startsWith("Portail:") ||
 149
 150             // sentinel
 151             false
 152             ) {
 153         return;
 154     }
 155     if (title.contains(":")) {
 156         if (!title.startsWith("Sign gloss:")) {
 157             System.err.println("title with colon: " + title);
 158         }
 159     }
 160
 161     String text = textBuilder.toString();
 162
 163     while (text.length() > 0) {
 164       // Find start.
 165       final Matcher startMatcher = headingStart.matcher(text);
 166       if (!startMatcher.find()) {
 167         return;
 168       }
 169       text = text.substring(startMatcher.end());
 170
 171       final String heading = startMatcher.group();
 172       for (final Selector selector : currentSelectors) {
 173         if (selector.pattern.matcher(heading).find()) {
 174
 175           // Find end.
 176           final int depth = startMatcher.group(1).length();
 177           final Pattern endPattern = Pattern.compile(String.format("^={1,%d}[^=].*$", depth), Pattern.MULTILINE);
 178
 179           final Matcher endMatcher = endPattern.matcher(text);
 180           final int end;
 181           if (endMatcher.find()) {
 182             end = endMatcher.start();
 183           } else {
 184             end = text.length();
 185           }
 186
 187           final String sectionText = text.substring(0, end);
 188           final Section section = new Section(title, heading, sectionText);
 189
 190           try {
 191             selector.out.writeUTF(section.title);
 192             selector.out.writeUTF(section.heading);
 193             final byte[] bytes = section.text.getBytes("UTF8");
 194             selector.out.writeInt(bytes.length);
 195             selector.out.write(bytes);
 196           } catch (IOException e) {
 197             throw new RuntimeException(e);
 198           }
 199
 200           text = text.substring(end);
 201         }
 202       }
 203     }
 204
 205   }
 206
 207   // -----------------------------------------------------------------------
 208
 209   static class Section implements java.io.Serializable {
 210     private static final long serialVersionUID = -7676549898325856822L;
 211
 212     final String title;
 213     final String heading;
 214     final String text;
 215
 216     public Section(final String title, final String heading, final String text) {
 217       this.title = title;
 218       this.heading = heading;
 219       this.text = text;
 220
 221       //System.out.printf("TITLE:%s\nHEADING:%s\nTEXT:%s\n\n\n\n\n\n", title, heading, text);
 222     }
 223   }
 224
 225   static class Selector {
 226     final String outFilename;
 227     final Pattern pattern;
 228
 229     DataOutputStream out;
 230
 231     public Selector(final String filename, final String pattern) {
 232       this.outFilename = filename;
 233       this.pattern = Pattern.compile(pattern, Pattern.CASE_INSENSITIVE);
 234     }
 235   }
 236
 237   // -----------------------------------------------------------------------
 238
 239     @Override
 240     public void startElement(String uri, String localName, String qName,
 241         Attributes attributes) {
 242       currentBuilder = null;
 243       if ("page".equals(qName)) {
 244         titleBuilder = new StringBuilder();
 245
 246         // Start with "\n" to better match certain strings.
 247         textBuilder = new StringBuilder("\n");
 248       } else if ("title".equals(qName)) {
 249         currentBuilder = titleBuilder;
 250       } else if ("text".equals(qName)) {
 251         currentBuilder = textBuilder;
 252       }
 253     }
 254
 255     @Override
 256     public void characters(char[] ch, int start, int length) throws SAXException {
 257       if (currentBuilder != null) {
 258         currentBuilder.append(ch, start, length);
 259       }
 260     }
 261
 262     @Override
 263     public void endElement(String uri, String localName, String qName)
 264         throws SAXException {
 265       currentBuilder = null;
 266       if ("page".equals(qName)) {
 267         endPage();
 268       }
 269     }
 270
 271
 272     public void parse(final File file) throws ParserConfigurationException,
 273         SAXException, IOException {
 274       final SAXParser parser = SAXParserFactoryImpl.newInstance().newSAXParser();
 275       parser.parse(file, this);
 276     }
 277
 278
 279
 280 }