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.Arrays;
  24 import java.util.List;
  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       selectors.addAll(Arrays.asList(
  84           new Selector("data/inputs/enWikiSplit/AF.data", ".*[Aa]frikaans.*"),
  85           new Selector("data/inputs/enWikiSplit/AR.data", ".*[Aa]rabic.*"),
  86           new Selector("data/inputs/enWikiSplit/HY.data", ".*[Aa]rmenian.*"),
  87           new Selector("data/inputs/enWikiSplit/HR.data", ".*[Cc]roatian.*"),
  88           new Selector("data/inputs/enWikiSplit/CS.data", ".*[Cc]zech.*"),
  89           new Selector("data/inputs/enWikiSplit/ZH.data", ".*[Cc]hinese.*|.*[Mm]andarin.*|.*Cantonese.*"),
  90           new Selector("data/inputs/enWikiSplit/DA.data", ".*[Dd]anish.*"),
  91           new Selector("data/inputs/enWikiSplit/NL.data", ".*[Dd]utch.*"),
  92           new Selector("data/inputs/enWikiSplit/EN.data", ".*[Ee]nglish.*"),
  93           new Selector("data/inputs/enWikiSplit/FI.data", ".*[Ff]innish.*"),
  94           new Selector("data/inputs/enWikiSplit/FR.data", ".*[Ff]rench.*"),
  95           new Selector("data/inputs/enWikiSplit/DE.data", ".*[Gg]erman.*"),
  96           new Selector("data/inputs/enWikiSplit/EL.data", ".*[Gg]reek.*"),
  97           new Selector("data/inputs/enWikiSplit/haw.data", ".*[Hh]awaiian.*"),
  98           new Selector("data/inputs/enWikiSplit/HE.data", ".*[Hh]ebrew.*"),
  99           new Selector("data/inputs/enWikiSplit/HI.data", ".*[Hh]indi.*"),
 100           new Selector("data/inputs/enWikiSplit/IS.data", ".*[Ii]celandic.*"),
 101           new Selector("data/inputs/enWikiSplit/GA.data", ".*[Ii]rish.*"),
 102           new Selector("data/inputs/enWikiSplit/IT.data", ".*[Ii]talian.*"),
 103           new Selector("data/inputs/enWikiSplit/LT.data", ".*[Ll]ithuanian.*"),
 104           new Selector("data/inputs/enWikiSplit/JA.data", ".*[Jj]apanese.*"),
 105           new Selector("data/inputs/enWikiSplit/KO.data", ".*[Kk]orean.*"),
 106           new Selector("data/inputs/enWikiSplit/KU.data", ".*[Kk]urdish.*"),
 107           new Selector("data/inputs/enWikiSplit/MS.data", ".*[Mm]alay.*"),
 108           new Selector("data/inputs/enWikiSplit/MI.data", ".*[Mm]aori.*"),
 109           new Selector("data/inputs/enWikiSplit/MN.data", ".*[Mm]ongolian.*"),
 110           new Selector("data/inputs/enWikiSplit/NO.data", ".*[Nn]orwegian.*"),
 111           new Selector("data/inputs/enWikiSplit/FA.data", ".*[Pp]ersian.*"),
 112           new Selector("data/inputs/enWikiSplit/PT.data", ".*[Pp]ortuguese.*"),
 113           new Selector("data/inputs/enWikiSplit/PL.data", ".*[Pp]olish.*"),
 114           new Selector("data/inputs/enWikiSplit/RO.data", ".*[Rr]omanian.*"),
 115           new Selector("data/inputs/enWikiSplit/RU.data", ".*[Rr]ussian.*"),
 116           new Selector("data/inputs/enWikiSplit/SA.data", ".*[Ss]anskrit.*"),
 117           new Selector("data/inputs/enWikiSplit/SR.data", ".*[Ss]erbian.*"),
 118           new Selector("data/inputs/enWikiSplit/SO.data", ".*[Ss]omali.*"),
 119           new Selector("data/inputs/enWikiSplit/ES.data", ".*[Ss]panish.*"),
 120           new Selector("data/inputs/enWikiSplit/SV.data", ".*[Ss]wedish.*"),
 121           new Selector("data/inputs/enWikiSplit/TG.data", ".*[Tt]ajik.*"),
 122           new Selector("data/inputs/enWikiSplit/TH.data", ".*[Tt]hai.*"),
 123           new Selector("data/inputs/enWikiSplit/BO.data", ".*[Tt]ibetan.*"),
 124           new Selector("data/inputs/enWikiSplit/TR.data", ".*[Tt]urkish.*"),
 125           new Selector("data/inputs/enWikiSplit/UK.data", ".*[Uu]krainian.*"),
 126           new Selector("data/inputs/enWikiSplit/VI.data", ".*[Vv]ietnamese.*"),
 127           new Selector("data/inputs/enWikiSplit/CI.data", ".*[Ww]elsh.*"),
 128           new Selector("data/inputs/enWikiSplit/YI.data", ".*[Yy]iddish.*"),
 129           new Selector("data/inputs/enWikiSplit/ZU.data", ".*[Zz]ulu.*")
 130           ));
 131     }
 132
 133     // Do it.
 134     parser.parse(new File(FILE_TO_SPLIT), wiktionarySplitter);
 135
 136     // Shutdown.
 137     for (final Selector selector : selectors) {
 138       selector.out.close();
 139     }
 140   }
 141
 142   static final Pattern headingStart = Pattern.compile("^(=+)[^=]+=+", Pattern.MULTILINE);
 143
 144   int pageCount = 0;
 145   private void endPage() {
 146     final String title = titleBuilder.toString();
 147     if (++pageCount % 1000 == 0) {
 148       System.out.println("endPage: " + title + ", count=" + pageCount);
 149     }
 150
 151     String text = textBuilder.toString();
 152
 153     while (text.length() > 0) {
 154       // Find start.
 155       final Matcher startMatcher = headingStart.matcher(text);
 156       if (!startMatcher.find()) {
 157         return;
 158       }
 159       text = text.substring(startMatcher.end());
 160
 161       final String heading = startMatcher.group();
 162       for (final Selector selector : selectors) {
 163         if (selector.pattern.matcher(heading).find()) {
 164
 165           // Find end.
 166           final int depth = startMatcher.group(1).length();
 167           final Pattern endPattern = Pattern.compile(String.format("^={1,%d}[^=]+=+", depth), Pattern.MULTILINE);
 168
 169           final Matcher endMatcher = endPattern.matcher(text);
 170           final int end;
 171           if (endMatcher.find()) {
 172             end = endMatcher.start();
 173           } else {
 174             end = text.length();
 175           }
 176
 177           final String sectionText = text.substring(0, end);
 178           final Section section = new Section(title, heading, sectionText);
 179
 180           try {
 181             selector.out.writeUTF(section.title);
 182             selector.out.writeUTF(section.heading);
 183             final byte[] bytes = section.text.getBytes("UTF8");
 184             selector.out.writeInt(bytes.length);
 185             selector.out.write(bytes);
 186           } catch (IOException e) {
 187             throw new RuntimeException(e);
 188           }
 189
 190           text = text.substring(end);
 191         }
 192       }
 193     }
 194
 195   }
 196
 197   // -----------------------------------------------------------------------
 198
 199     @Override
 200     public void startElement(String uri, String localName, String qName,
 201         Attributes attributes) {
 202       currentBuilder = null;
 203       if ("page".equals(qName)) {
 204         titleBuilder = new StringBuilder();
 205
 206         // Start with "\n" to better match certain strings.
 207         textBuilder = new StringBuilder("\n");
 208       } else if ("title".equals(qName)) {
 209         currentBuilder = titleBuilder;
 210       } else if ("text".equals(qName)) {
 211         currentBuilder = textBuilder;
 212       }
 213     }
 214
 215     @Override
 216     public void characters(char[] ch, int start, int length) throws SAXException {
 217       if (currentBuilder != null) {
 218         currentBuilder.append(ch, start, length);
 219       }
 220     }
 221
 222     @Override
 223     public void endElement(String uri, String localName, String qName)
 224         throws SAXException {
 225       currentBuilder = null;
 226       if ("page".equals(qName)) {
 227         endPage();
 228       }
 229     }
 230
 231
 232     public void parse(final File file) throws ParserConfigurationException,
 233         SAXException, IOException {
 234       final SAXParser parser = SAXParserFactory.newInstance().newSAXParser();
 235       parser.parse(file, this);
 236     }
 237
 238 }