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.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 import javax.xml.parsers.SAXParserFactory;
  32
  33 import org.xml.sax.Attributes;
  34 import org.xml.sax.SAXException;
  35
  36 public class WiktionarySplitter extends org.xml.sax.helpers.DefaultHandler {
  37
  38   private static final String FILE_TO_SPLIT = "data/inputs/enwiktionary-20111224-pages-articles.xml";
  39
  40   static class Section implements java.io.Serializable {
  41     private static final long serialVersionUID = -7676549898325856822L;
  42
  43     final String title;
  44     final String heading;
  45     final String text;
  46
  47     public Section(final String title, final String heading, final String text) {
  48       this.title = title;
  49       this.heading = heading;
  50       this.text = text;
  51
  52       //System.out.printf("TITLE:%s\nHEADING:%s\nTEXT:%s\n\n\n\n\n\n", title, heading, text);
  53     }
  54   }
  55
  56   static class Selector {
  57     DataOutputStream out;
  58     Pattern pattern;
  59
  60     public Selector(final String filename, final String pattern) throws IOException {
  61       this.out = new DataOutputStream(new BufferedOutputStream(new FileOutputStream(filename)));
  62       this.pattern = Pattern.compile(pattern, Pattern.CASE_INSENSITIVE);
  63     }
  64   }
  65
  66   final List<Selector> selectors = new ArrayList<Selector>();
  67   StringBuilder titleBuilder;
  68   StringBuilder textBuilder;
  69   StringBuilder currentBuilder = null;
  70
  71   public static void main(final String[] args) throws SAXException, IOException, ParserConfigurationException {
  72     final SAXParser parser = SAXParserFactory.newInstance().newSAXParser();
  73     final WiktionarySplitter wiktionarySplitter = new WiktionarySplitter();
  74
  75     // Configure things.
  76
  77     final List<Selector> selectors = wiktionarySplitter.selectors;
  78     for (int i = 1; i < args.length; i += 2) {
  79       final Selector selector = new Selector(args[i], args[i+1]);
  80       selectors.add(selector);
  81     }
  82
  83     if (selectors.isEmpty()) {
  84       for (final Map.Entry<String, String> entry : Language.isoCodeToWikiName.entrySet()) {
  85         selectors.add(new Selector(String.format("data/inputs/enWikiSplit/%s.data", entry.getKey()), entry.getValue()));
  86       }
  87     }
  88
  89     // Do it.
  90     parser.parse(new File(FILE_TO_SPLIT), wiktionarySplitter);
  91
  92     // Shutdown.
  93     for (final Selector selector : selectors) {
  94       selector.out.close();
  95     }
  96   }
  97
  98   static final Pattern headingStart = Pattern.compile("^(=+)[^=]+=+", Pattern.MULTILINE);
  99
 100   int pageCount = 0;
 101   private void endPage() {
 102     final String title = titleBuilder.toString();
 103     if (++pageCount % 1000 == 0) {
 104       System.out.println("endPage: " + title + ", count=" + pageCount);
 105     }
 106
 107     String text = textBuilder.toString();
 108
 109     while (text.length() > 0) {
 110       // Find start.
 111       final Matcher startMatcher = headingStart.matcher(text);
 112       if (!startMatcher.find()) {
 113         return;
 114       }
 115       text = text.substring(startMatcher.end());
 116
 117       final String heading = startMatcher.group();
 118       for (final Selector selector : selectors) {
 119         if (selector.pattern.matcher(heading).find()) {
 120
 121           // Find end.
 122           final int depth = startMatcher.group(1).length();
 123           final Pattern endPattern = Pattern.compile(String.format("^={1,%d}[^=]+=+", depth), Pattern.MULTILINE);
 124
 125           final Matcher endMatcher = endPattern.matcher(text);
 126           final int end;
 127           if (endMatcher.find()) {
 128             end = endMatcher.start();
 129           } else {
 130             end = text.length();
 131           }
 132
 133           final String sectionText = text.substring(0, end);
 134           final Section section = new Section(title, heading, sectionText);
 135
 136           try {
 137             selector.out.writeUTF(section.title);
 138             selector.out.writeUTF(section.heading);
 139             final byte[] bytes = section.text.getBytes("UTF8");
 140             selector.out.writeInt(bytes.length);
 141             selector.out.write(bytes);
 142           } catch (IOException e) {
 143             throw new RuntimeException(e);
 144           }
 145
 146           text = text.substring(end);
 147         }
 148       }
 149     }
 150
 151   }
 152
 153   // -----------------------------------------------------------------------
 154
 155     @Override
 156     public void startElement(String uri, String localName, String qName,
 157         Attributes attributes) {
 158       currentBuilder = null;
 159       if ("page".equals(qName)) {
 160         titleBuilder = new StringBuilder();
 161
 162         // Start with "\n" to better match certain strings.
 163         textBuilder = new StringBuilder("\n");
 164       } else if ("title".equals(qName)) {
 165         currentBuilder = titleBuilder;
 166       } else if ("text".equals(qName)) {
 167         currentBuilder = textBuilder;
 168       }
 169     }
 170
 171     @Override
 172     public void characters(char[] ch, int start, int length) throws SAXException {
 173       if (currentBuilder != null) {
 174         currentBuilder.append(ch, start, length);
 175       }
 176     }
 177
 178     @Override
 179     public void endElement(String uri, String localName, String qName)
 180         throws SAXException {
 181       currentBuilder = null;
 182       if ("page".equals(qName)) {
 183         endPage();
 184       }
 185     }
 186
 187
 188     public void parse(final File file) throws ParserConfigurationException,
 189         SAXException, IOException {
 190       final SAXParser parser = SAXParserFactory.newInstance().newSAXParser();
 191       parser.parse(file, this);
 192     }
 193
 194 }