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   // Spanish has no initial headings, so also detect {{ES as such...
  43   static final Pattern headingStart = Pattern.compile("^(\\{\\{ES|(=+)[^=]).*$", Pattern.MULTILINE);
  44
  45   final Map<String,List<Selector>> pathToSelectors = new LinkedHashMap<String, List<Selector>>();
  46   List<Selector> currentSelectors = null;
  47
  48   StringBuilder titleBuilder;
  49   StringBuilder textBuilder;
  50   StringBuilder currentBuilder = null;
  51
  52   public static void main(final String[] args) throws Exception {
  53     final WiktionarySplitter wiktionarySplitter = new WiktionarySplitter();
  54     wiktionarySplitter.go();
  55   }
  56
  57   private WiktionarySplitter() {
  58     List<Selector> selectors;
  59     for (final String code : WiktionaryLangs.wikiCodeToIsoCodeToWikiName.keySet()) {
  60       //if (!code.equals("fr")) {continue;}
  61       selectors = new ArrayList<WiktionarySplitter.Selector>();
  62       pathToSelectors.put(String.format("data/inputs/%swiktionary-pages-articles.xml", code), selectors);
  63       for (final Map.Entry<String, String> entry : WiktionaryLangs.wikiCodeToIsoCodeToWikiName.get(code).entrySet()) {
  64         final String dir = String.format("data/inputs/wikiSplit/%s", code);
  65         new File(dir).mkdirs();
  66         selectors.add(new Selector(String.format("%s/%s.data", dir, entry.getKey()), entry.getValue()));
  67       }
  68     }
  69   }
  70
  71   private void go() throws Exception {
  72     final SAXParser parser = SAXParserFactoryImpl.newInstance().newSAXParser();
  73
  74     // Configure things.
  75     for (final Map.Entry<String, List<Selector>> pathToSelectorsEntry : pathToSelectors.entrySet()) {
  76
  77       currentSelectors = pathToSelectorsEntry.getValue();
  78
  79       for (final Selector selector : currentSelectors) {
  80         selector.out = new DataOutputStream(new BufferedOutputStream(new FileOutputStream(selector.outFilename)));
  81       }
  82
  83       // Do it.
  84       try {
  85         parser.parse(new File(pathToSelectorsEntry.getKey()), this);
  86       } catch (Exception e) {
  87         System.err.println("Exception during parse, lastPageTitle=" + lastPageTitle + ", titleBuilder=" + titleBuilder.toString());
  88         throw e;
  89       }
  90
  91       // Shutdown.
  92       for (final Selector selector : currentSelectors) {
  93         selector.out.close();
  94       }
  95
  96     }
  97   }
  98
  99   String lastPageTitle = null;
 100   int pageCount = 0;
 101   private void endPage() {
 102     final String title = titleBuilder.toString();
 103     lastPageTitle = title;
 104     if (++pageCount % 1000 == 0) {
 105       System.out.println("endPage: " + title + ", count=" + pageCount);
 106     }
 107     if (title.startsWith("Wiktionary:") ||
 108             title.startsWith("Appendix:") ||
 109             title.startsWith("Help:") ||
 110             title.startsWith("Index:") ||
 111             title.startsWith("MediaWiki:") ||
 112             title.startsWith("Citations:") ||
 113             title.startsWith("Concordance:") ||
 114             title.startsWith("Glossary:") ||
 115             title.startsWith("Rhymes:") ||
 116             title.startsWith("Category:") ||
 117             title.startsWith("Wikisaurus:") ||
 118             title.startsWith("Unsupported titles/") ||
 119             title.startsWith("Transwiki:") ||
 120             title.startsWith("File:") ||
 121             title.startsWith("Thread:") ||
 122             title.startsWith("Template:") ||
 123             title.startsWith("Summary:") ||
 124             // DE
 125             title.startsWith("Datei:") ||
 126             title.startsWith("Verzeichnis:") ||
 127             title.startsWith("Vorlage:") ||
 128             title.startsWith("Thesaurus:") ||
 129             title.startsWith("Kategorie:") ||
 130             title.startsWith("Hilfe:") ||
 131             // FR:
 132             title.startsWith("Annexe:") ||
 133             title.startsWith("Catégori:") ||
 134             title.startsWith("Modèle:") ||
 135             title.startsWith("Thésaurus:") ||
 136             title.startsWith("Projet:") ||
 137             title.startsWith("Aide:") ||
 138             title.startsWith("Fichier:") ||
 139             title.startsWith("Wiktionnaire:") ||
 140             title.startsWith("Catégorie:") ||
 141             title.startsWith("Portail:") ||
 142             title.startsWith("utiliusateur:") ||
 143             title.startsWith("Kategorio:") ||
 144             // IT
 145             title.startsWith("Wikizionario:") ||
 146             title.startsWith("Appendice:") ||
 147             title.startsWith("Categoria:") ||
 148             title.startsWith("Aiuto:") ||
 149             title.startsWith("Portail:") ||
 150             // ES
 151             title.startsWith("Apéndice:") ||
 152             title.startsWith("Archivo:") ||
 153             title.startsWith("Ayuda:") ||
 154             title.startsWith("Categoría:") ||
 155             title.startsWith("Plantilla:") ||
 156             title.startsWith("Wikcionario:") ||
 157
 158             // sentinel
 159             false
 160             ) {
 161         return;
 162     }
 163     if (title.contains(":")) {
 164         if (!title.startsWith("Sign gloss:")) {
 165             System.err.println("title with colon: " + title);
 166         }
 167     }
 168
 169     String text = textBuilder.toString();
 170
 171     while (text.length() > 0) {
 172       // Find start.
 173       final Matcher startMatcher = headingStart.matcher(text);
 174       if (!startMatcher.find()) {
 175         return;
 176       }
 177       text = text.substring(startMatcher.end());
 178
 179       final String heading = startMatcher.group();
 180       for (final Selector selector : currentSelectors) {
 181         if (selector.pattern.matcher(heading).find()) {
 182
 183           // Find end.
 184           final int depth = startMatcher.group(1).length();
 185           final Pattern endPattern = Pattern.compile(String.format("^={1,%d}[^=].*$", depth), Pattern.MULTILINE);
 186
 187           final Matcher endMatcher = endPattern.matcher(text);
 188           final int end;
 189           if (endMatcher.find()) {
 190             end = endMatcher.start();
 191           } else {
 192             end = text.length();
 193           }
 194
 195           final String sectionText = text.substring(0, end);
 196           final Section section = new Section(title, heading, sectionText);
 197
 198           try {
 199             selector.out.writeUTF(section.title);
 200             selector.out.writeUTF(section.heading);
 201             final byte[] bytes = section.text.getBytes("UTF8");
 202             selector.out.writeInt(bytes.length);
 203             selector.out.write(bytes);
 204           } catch (IOException e) {
 205             throw new RuntimeException(e);
 206           }
 207
 208           text = text.substring(end);
 209         }
 210       }
 211     }
 212
 213   }
 214
 215   // -----------------------------------------------------------------------
 216
 217   static class Section implements java.io.Serializable {
 218     private static final long serialVersionUID = -7676549898325856822L;
 219
 220     final String title;
 221     final String heading;
 222     final String text;
 223
 224     public Section(final String title, final String heading, final String text) {
 225       this.title = title;
 226       this.heading = heading;
 227       this.text = text;
 228
 229       //System.out.printf("TITLE:%s\nHEADING:%s\nTEXT:%s\n\n\n\n\n\n", title, heading, text);
 230     }
 231   }
 232
 233   static class Selector {
 234     final String outFilename;
 235     final Pattern pattern;
 236
 237     DataOutputStream out;
 238
 239     public Selector(final String filename, final String pattern) {
 240       this.outFilename = filename;
 241       this.pattern = Pattern.compile(pattern, Pattern.CASE_INSENSITIVE);
 242     }
 243   }
 244
 245   // -----------------------------------------------------------------------
 246
 247     @Override
 248     public void startElement(String uri, String localName, String qName,
 249         Attributes attributes) {
 250       currentBuilder = null;
 251       if ("page".equals(qName)) {
 252         titleBuilder = new StringBuilder();
 253
 254         // Start with "\n" to better match certain strings.
 255         textBuilder = new StringBuilder("\n");
 256       } else if ("title".equals(qName)) {
 257         currentBuilder = titleBuilder;
 258       } else if ("text".equals(qName)) {
 259         currentBuilder = textBuilder;
 260       }
 261     }
 262
 263     @Override
 264     public void characters(char[] ch, int start, int length) throws SAXException {
 265       if (currentBuilder != null) {
 266         currentBuilder.append(ch, start, length);
 267       }
 268     }
 269
 270     @Override
 271     public void endElement(String uri, String localName, String qName)
 272         throws SAXException {
 273       currentBuilder = null;
 274       if ("page".equals(qName)) {
 275         endPage();
 276       }
 277     }
 278
 279     public void parse(final File file) throws ParserConfigurationException,
 280         SAXException, IOException {
 281       final SAXParser parser = SAXParserFactoryImpl.newInstance().newSAXParser();
 282       parser.parse(file, this);
 283     }
 284
 285 }