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 import com.hughes.android.dictionary.parser.enwiktionary.EnWiktionaryLangs;
  36
  37 public class WiktionarySplitter extends org.xml.sax.helpers.DefaultHandler {
  38
  39   private static final String FILE_TO_SPLIT = "data/inputs/enwiktionary-20111224-pages-articles.xml";
  40
  41   static class Section implements java.io.Serializable {
  42     private static final long serialVersionUID = -7676549898325856822L;
  43
  44     final String title;
  45     final String heading;
  46     final String text;
  47
  48     public Section(final String title, final String heading, final String text) {
  49       this.title = title;
  50       this.heading = heading;
  51       this.text = text;
  52
  53       //System.out.printf("TITLE:%s\nHEADING:%s\nTEXT:%s\n\n\n\n\n\n", title, heading, text);
  54     }
  55   }
  56
  57   static class Selector {
  58     DataOutputStream out;
  59     Pattern pattern;
  60
  61     public Selector(final String filename, final String pattern) throws IOException {
  62       this.out = new DataOutputStream(new BufferedOutputStream(new FileOutputStream(filename)));
  63       this.pattern = Pattern.compile(pattern, Pattern.CASE_INSENSITIVE);
  64     }
  65   }
  66
  67   final List<Selector> selectors = new ArrayList<Selector>();
  68   StringBuilder titleBuilder;
  69   StringBuilder textBuilder;
  70   StringBuilder currentBuilder = null;
  71
  72   public static void main(final String[] args) throws SAXException, IOException, ParserConfigurationException {
  73     final SAXParser parser = SAXParserFactory.newInstance().newSAXParser();
  74     final WiktionarySplitter wiktionarySplitter = new WiktionarySplitter();
  75
  76     // Configure things.
  77
  78     final List<Selector> selectors = wiktionarySplitter.selectors;
  79     for (int i = 1; i < args.length; i += 2) {
  80       final Selector selector = new Selector(args[i], args[i+1]);
  81       selectors.add(selector);
  82     }
  83
  84     if (selectors.isEmpty()) {
  85       for (final Map.Entry<String, String> entry : EnWiktionaryLangs.isoCodeToWikiName.entrySet()) {
  86         selectors.add(new Selector(String.format("data/inputs/enWikiSplit/%s.data", entry.getKey()), entry.getValue()));
  87       }
  88     }
  89
  90     // Do it.
  91     parser.parse(new File(FILE_TO_SPLIT), wiktionarySplitter);
  92
  93     // Shutdown.
  94     for (final Selector selector : selectors) {
  95       selector.out.close();
  96     }
  97   }
  98
  99   static final Pattern headingStart = Pattern.compile("^(=+)[^=]+=+", Pattern.MULTILINE);
 100
 101   int pageCount = 0;
 102   private void endPage() {
 103     final String title = titleBuilder.toString();
 104     if (++pageCount % 1000 == 0) {
 105       System.out.println("endPage: " + title + ", count=" + pageCount);
 106     }
 107
 108     String text = textBuilder.toString();
 109
 110     while (text.length() > 0) {
 111       // Find start.
 112       final Matcher startMatcher = headingStart.matcher(text);
 113       if (!startMatcher.find()) {
 114         return;
 115       }
 116       text = text.substring(startMatcher.end());
 117
 118       final String heading = startMatcher.group();
 119       for (final Selector selector : selectors) {
 120         if (selector.pattern.matcher(heading).find()) {
 121
 122           // Find end.
 123           final int depth = startMatcher.group(1).length();
 124           final Pattern endPattern = Pattern.compile(String.format("^={1,%d}[^=]+=+", depth), Pattern.MULTILINE);
 125
 126           final Matcher endMatcher = endPattern.matcher(text);
 127           final int end;
 128           if (endMatcher.find()) {
 129             end = endMatcher.start();
 130           } else {
 131             end = text.length();
 132           }
 133
 134           final String sectionText = text.substring(0, end);
 135           final Section section = new Section(title, heading, sectionText);
 136
 137           try {
 138             selector.out.writeUTF(section.title);
 139             selector.out.writeUTF(section.heading);
 140             final byte[] bytes = section.text.getBytes("UTF8");
 141             selector.out.writeInt(bytes.length);
 142             selector.out.write(bytes);
 143           } catch (IOException e) {
 144             throw new RuntimeException(e);
 145           }
 146
 147           text = text.substring(end);
 148         }
 149       }
 150     }
 151
 152   }
 153
 154   // -----------------------------------------------------------------------
 155
 156     @Override
 157     public void startElement(String uri, String localName, String qName,
 158         Attributes attributes) {
 159       currentBuilder = null;
 160       if ("page".equals(qName)) {
 161         titleBuilder = new StringBuilder();
 162
 163         // Start with "\n" to better match certain strings.
 164         textBuilder = new StringBuilder("\n");
 165       } else if ("title".equals(qName)) {
 166         currentBuilder = titleBuilder;
 167       } else if ("text".equals(qName)) {
 168         currentBuilder = textBuilder;
 169       }
 170     }
 171
 172     @Override
 173     public void characters(char[] ch, int start, int length) throws SAXException {
 174       if (currentBuilder != null) {
 175         currentBuilder.append(ch, start, length);
 176       }
 177     }
 178
 179     @Override
 180     public void endElement(String uri, String localName, String qName)
 181         throws SAXException {
 182       currentBuilder = null;
 183       if ("page".equals(qName)) {
 184         endPage();
 185       }
 186     }
 187
 188
 189     public void parse(final File file) throws ParserConfigurationException,
 190         SAXException, IOException {
 191       final SAXParser parser = SAXParserFactory.newInstance().newSAXParser();
 192       parser.parse(file, this);
 193     }
 194
 195 }