src/com/hughes/android/dictionary/engine/WiktionarySplitter.java

   1 package com.hughes.android.dictionary.engine;
   2
   3 import java.io.BufferedOutputStream;
   4 import java.io.DataOutputStream;
   5 import java.io.File;
   6 import java.io.FileOutputStream;
   7 import java.io.IOException;
   8 import java.util.ArrayList;
   9 import java.util.Arrays;
  10 import java.util.List;
  11 import java.util.regex.Matcher;
  12 import java.util.regex.Pattern;
  13
  14 import javax.xml.parsers.ParserConfigurationException;
  15 import javax.xml.parsers.SAXParser;
  16 import javax.xml.parsers.SAXParserFactory;
  17
  18 import org.xml.sax.Attributes;
  19 import org.xml.sax.SAXException;
  20
  21 public class WiktionarySplitter extends org.xml.sax.helpers.DefaultHandler {
  22
  23   static class Section implements java.io.Serializable {
  24     private static final long serialVersionUID = -7676549898325856822L;
  25
  26     final String title;
  27     final String heading;
  28     final String text;
  29
  30     public Section(final String title, final String heading, final String text) {
  31       this.title = title;
  32       this.heading = heading;
  33       this.text = text;
  34
  35       //System.out.printf("TITLE:%s\nHEADING:%s\nTEXT:%s\n\n\n\n\n\n", title, heading, text);
  36     }
  37   }
  38
  39   static class Selector {
  40     DataOutputStream out;
  41     Pattern pattern;
  42
  43     public Selector(final String filename, final String pattern) throws IOException {
  44       this.out = new DataOutputStream(new BufferedOutputStream(new FileOutputStream(filename)));
  45       this.pattern = Pattern.compile(pattern);
  46     }
  47   }
  48
  49   final List<Selector> selectors = new ArrayList<Selector>();
  50   StringBuilder titleBuilder;
  51   StringBuilder textBuilder;
  52   StringBuilder currentBuilder = null;
  53
  54   public static void main(final String[] args) throws SAXException, IOException, ParserConfigurationException {
  55     final SAXParser parser = SAXParserFactory.newInstance().newSAXParser();
  56     final WiktionarySplitter wiktionarySplitter = new WiktionarySplitter();
  57
  58     // Configure things.
  59     final File file = new File(args[0]);
  60     final List<Selector> selectors = wiktionarySplitter.selectors;
  61     for (int i = 1; i < args.length; i += 2) {
  62       final Selector selector = new Selector(args[i], args[i+1]);
  63       selectors.add(selector);
  64     }
  65
  66     if (selectors.isEmpty()) {
  67       selectors.addAll(Arrays.asList(
  68           new Selector("wikiSplit/arabic.data", ".*[Ar]rabic.*"),
  69           new Selector("wikiSplit/croation.data", ".*[Cc]roation.*"),
  70           new Selector("wikiSplit/czech.data", ".*[Cc]zech.*"),
  71           new Selector("wikiSplit/mandarin.data", ".*[Mm]andarin|[Cc]hinese.*"),
  72           new Selector("wikiSplit/dutch.data", ".*[Du]utch.*"),
  73           new Selector("wikiSplit/english.data", ".*[Ee]nglish.*"),
  74           new Selector("wikiSplit/french.data", ".*[Ff]rench.*"),
  75           new Selector("wikiSplit/german.data", ".*[Gg]erman.*"),
  76           new Selector("wikiSplit/greek.data", ".*[Gg]reek.*"),
  77           new Selector("wikiSplit/hindi.data", ".*[Hh]indi.*"),
  78           new Selector("wikiSplit/italian.data", ".*[Ii]talian.*"),
  79           new Selector("wikiSplit/japanese.data", ".*[Jj]apanese.*"),
  80           new Selector("wikiSplit/korean.data", ".*[Kk]orean.*"),
  81           new Selector("wikiSplit/persian.data", ".*[Pp]ersian.*"),
  82           new Selector("wikiSplit/portuguese.data", ".*[Pp]ortuguese.*"),
  83           new Selector("wikiSplit/romanian.data", ".*[Rr]omanian.*"),
  84           new Selector("wikiSplit/russian.data", ".*[Rr]ussian.*"),
  85           new Selector("wikiSplit/spanish.data", ".*[Ss]panish.*"),
  86           new Selector("wikiSplit/swedish.data", ".*[Ss]wedish.*"),
  87           new Selector("wikiSplit/thai.data", ".*[Tt]hai.*"),
  88           new Selector("wikiSplit/vietnamese.data", ".*[Vv]ietnamese.*")
  89           ));
  90     }
  91
  92     // Do it.
  93     parser.parse(file, wiktionarySplitter);
  94
  95     // Shutdown.
  96     for (final Selector selector : selectors) {
  97       selector.out.close();
  98     }
  99   }
 100
 101   static final Pattern headingStart = Pattern.compile("^(=+)[^=]+=+", Pattern.MULTILINE);
 102
 103   private void endPage() {
 104     final String title = titleBuilder.toString();
 105     System.out.println("endPage: " + title);
 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 }