src/com/hughes/android/dictionary/parser/DictFileParser.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.parser;
  16
  17 import java.io.BufferedReader;
  18 import java.io.File;
  19 import java.io.FileInputStream;
  20 import java.io.IOException;
  21 import java.io.InputStreamReader;
  22 import java.nio.charset.Charset;
  23 import java.util.Arrays;
  24 import java.util.Collections;
  25 import java.util.LinkedHashSet;
  26 import java.util.List;
  27 import java.util.Set;
  28 import java.util.logging.Logger;
  29 import java.util.regex.Matcher;
  30 import java.util.regex.Pattern;
  31
  32 import com.hughes.android.dictionary.engine.DictionaryBuilder;
  33 import com.hughes.android.dictionary.engine.IndexedEntry;
  34 import com.hughes.android.dictionary.engine.EntryTypeName;
  35 import com.hughes.android.dictionary.engine.IndexBuilder;
  36 import com.hughes.android.dictionary.engine.Language;
  37 import com.hughes.android.dictionary.engine.PairEntry;
  38 import com.hughes.android.dictionary.engine.PairEntry.Pair;
  39
  40 public class DictFileParser {
  41
  42   static final Logger logger = Logger.getLogger(DictFileParser.class.getName());
  43
  44   // Dictcc
  45   public static final Pattern TAB = Pattern.compile("\\t");
  46
  47   // Chemnitz
  48   public static final Pattern DOUBLE_COLON = Pattern.compile(" :: ");
  49   public static final Pattern PIPE = Pattern.compile("\\|");
  50
  51   static final Pattern SPACES = Pattern.compile("\\s+");
  52 //  static final Pattern DE_NOUN = Pattern.compile("([^ ]+) *\\{(m|f|n|pl)\\}");
  53 //  static final Pattern EN_VERB = Pattern.compile("^to ([^ ]+)");
  54
  55   static final Pattern BRACKETED = Pattern.compile("\\[([^]]+)\\]");
  56   static final Pattern PARENTHESIZED = Pattern.compile("\\(([^)]+)\\)");
  57   static final Pattern CURLY_BRACED = Pattern.compile("\\{([^}]+)\\}");
  58
  59   static final Pattern NON_CHAR_DASH = Pattern.compile("[^-'\\p{L}0-9]+");
  60   public static final Pattern NON_CHAR = Pattern.compile("[^\\p{L}0-9]+");
  61
  62   static final Pattern TRIM_PUNC = Pattern.compile("^[^\\p{L}0-9]+|[^\\p{L}0-9]+$");
  63
  64   final Charset charset;
  65   final boolean flipCols;
  66
  67   final Pattern fieldSplit;
  68   final Pattern subfieldSplit;
  69
  70   final DictionaryBuilder dictBuilder;
  71   final IndexBuilder[] langIndexBuilders;
  72   final IndexBuilder bothIndexBuilder;
  73
  74   // final Set<String> alreadyDone = new HashSet<String>();
  75
  76   public DictFileParser(final Charset charset, boolean flipCols,
  77       final Pattern fieldSplit, final Pattern subfieldSplit,
  78       final DictionaryBuilder dictBuilder, final IndexBuilder[] langIndexBuilders,
  79       final IndexBuilder bothIndexBuilder) {
  80     this.charset = charset;
  81     this.flipCols = flipCols;
  82     this.fieldSplit = fieldSplit;
  83     this.subfieldSplit = subfieldSplit;
  84     this.dictBuilder = dictBuilder;
  85     this.langIndexBuilders = langIndexBuilders;
  86     this.bothIndexBuilder = bothIndexBuilder;
  87   }
  88
  89   public void parseFile(final File file) throws IOException {
  90     final BufferedReader reader = new BufferedReader(new InputStreamReader(new FileInputStream(file), charset));
  91     String line;
  92     int count = 0;
  93     while ((line = reader.readLine()) != null) {
  94       if (count % 10000 == 0) {
  95         logger.info("count=" + count + ", line=" + line);
  96       }
  97       parseLine(line);
  98       ++count;
  99     }
 100   }
 101
 102   private void parseLine(final String line) {
 103     if (line.startsWith("#") || line.length() == 0) {
 104       logger.info("Skipping comment line: " + line);
 105       return;
 106     }
 107     final String[] fields = fieldSplit.split(line);
 108     if (fields.length != 2) {
 109       logger.warning("Malformed line: " + line);
 110       return;
 111     }
 112
 113     fields[0] = SPACES.matcher(fields[0]).replaceAll(" ").trim();
 114     fields[1] = SPACES.matcher(fields[1]).replaceAll(" ").trim();
 115     if (flipCols) {
 116       final String temp = fields[0];
 117       fields[0] = fields[1];
 118       fields[1] = temp;
 119     }
 120
 121     final String[][] subfields = new String[2][];
 122       if (subfieldSplit != null) {
 123       subfields[0] = subfieldSplit.split(fields[0]);
 124       subfields[1] = subfieldSplit.split(fields[1]);
 125       if (subfields[0].length != subfields[1].length) {
 126         logger.warning("Number of subfields doesn't match: " + line);
 127         return;
 128       }
 129     } else {
 130       subfields[0] = new String[] { fields[0] };
 131       subfields[1] = new String[] { fields[1] };
 132     }
 133
 134     final PairEntry pairEntry = new PairEntry();
 135     for (int i = 0; i < subfields[0].length; ++i) {
 136       subfields[0][i] = subfields[0][i].trim();
 137       subfields[1][i] = subfields[1][i].trim();
 138       pairEntry.pairs.add(new Pair(subfields[0][i], subfields[1][i]));
 139     }
 140     final IndexedEntry entryData = new IndexedEntry(pairEntry);
 141
 142     for (int l = 0; l < 2; ++l) {
 143       // alreadyDone.clear();
 144
 145       for (int j = 0; j < subfields[l].length; ++j) {
 146         String subfield = subfields[l][j];
 147         final IndexBuilder indexBuilder = langIndexBuilders[l];
 148         if (indexBuilder.index.sortLanguage == Language.de) {
 149           subfield = parseField_DE(indexBuilder, subfield, entryData, j);
 150         } else if (indexBuilder.index.sortLanguage == Language.en) {
 151           subfield = parseField_EN(indexBuilder, subfield, entryData, j);
 152         }
 153         parseFieldGeneric(indexBuilder, subfield, entryData, j, subfields[l].length);
 154       }
 155     }
 156   }
 157
 158   private void parseFieldGeneric(final IndexBuilder indexBuilder, String field,
 159       final IndexedEntry entryData, final int subfieldIdx, final int numSubFields) {
 160     // remove bracketed and parenthesized stuff.
 161     final StringBuilder bracketed = new StringBuilder();
 162     final StringBuilder parenthesized = new StringBuilder();
 163
 164     Matcher matcher;
 165     while ((matcher = BRACKETED.matcher(field)).find()) {
 166       bracketed.append(matcher.group(1)).append(" ");
 167       field = matcher.replaceFirst(" ");
 168     }
 169
 170     while ((matcher = PARENTHESIZED.matcher(field)).find()) {
 171       parenthesized.append(matcher.group(1)).append(" ");
 172       field = matcher.replaceFirst(" ");
 173     }
 174
 175     field = SPACES.matcher(field).replaceAll(" ").trim();
 176
 177     // split words on non -A-z0-9, do them.
 178     final String[] tokens = NON_CHAR_DASH.split(field);
 179
 180     final EntryTypeName entryTypeName;
 181     if (numSubFields == 1) {
 182       assert subfieldIdx == 0;
 183       if (tokens.length == 1) {
 184         entryTypeName = EntryTypeName.ONE_WORD;
 185       } else if (tokens.length == 2) {
 186         entryTypeName = EntryTypeName.TWO_WORDS;
 187       } else if (tokens.length == 3) {
 188         entryTypeName = EntryTypeName.THREE_WORDS;
 189       } else if (tokens.length == 4) {
 190         entryTypeName = EntryTypeName.FOUR_WORDS;
 191       } else {
 192         entryTypeName = EntryTypeName.FIVE_OR_MORE_WORDS;
 193       }
 194     } else {
 195       assert numSubFields > 1;
 196       if (subfieldIdx == 0) {
 197         if (tokens.length == 1) {
 198           entryTypeName = EntryTypeName.MULTIROW_HEAD_ONE_WORD;
 199         } else {
 200           entryTypeName = EntryTypeName.MULTIROW_HEAD_MANY_WORDS;
 201         }
 202       } else {
 203         assert subfieldIdx > 0;
 204         if (tokens.length == 1) {
 205           entryTypeName = EntryTypeName.MULTIROW_TAIL_ONE_WORD;
 206         } else {
 207           entryTypeName = EntryTypeName.MULTIROW_TAIL_MANY_WORDS;
 208         }
 209       }
 210     }
 211
 212     for (String token : tokens) {
 213       token = TRIM_PUNC.matcher(token).replaceAll("");
 214       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 215         indexBuilder.addEntryWithTokens(entryData, Collections.singleton(token), entryTypeName);
 216         // alreadyDone.add(token);
 217
 218         // also split words on dashes, do them, too.
 219         if (token.contains("-")) {
 220           final String[] dashed = token.split("-");
 221           for (final String dashedToken : dashed) {
 222             if (/*!alreadyDone.contains(dashedToken) && */dashedToken.length() > 0) {
 223               indexBuilder.addEntryWithTokens(entryData, Collections.singleton(dashedToken), EntryTypeName.PART_OF_HYPHENATED);
 224             }
 225           }
 226         }
 227
 228       }  // if (!alreadyDone.contains(token)) {
 229     }  // for (final String token : tokens) {
 230
 231     // process bracketed stuff (split on spaces and dashes always)
 232     final String[] bracketedTokens = NON_CHAR.split(bracketed.toString());
 233     for (final String token : bracketedTokens) {
 234       assert !token.contains("-");
 235       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 236         indexBuilder.addEntryWithTokens(entryData, Collections.singleton(token), EntryTypeName.BRACKETED);
 237       }
 238     }
 239
 240     // process paren stuff
 241     final String[] parenTokens = NON_CHAR.split(parenthesized.toString());
 242     for (final String token : parenTokens) {
 243       assert !token.contains("-");
 244       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 245         indexBuilder.addEntryWithTokens(entryData, Collections.singleton(token), EntryTypeName.PARENTHESIZED);
 246       }
 247     }
 248
 249   }
 250
 251   private String parseField_DE(final IndexBuilder indexBuilder, String field,
 252       final IndexedEntry entryData, final int subfieldIdx) {
 253
 254 //    final Matcher matcher = DE_NOUN.matcher(field);
 255 //    while (matcher.find()) {
 256 //      final String noun = matcher.group(1);
 257       //final String gender = matcher.group(2);
 258 //      if (alreadyDone.add(noun)) {
 259         // System.out.println("Found DE noun " + noun + ", " + gender);
 260 //        final List<EntryData> entries = indexBuilder.getOrCreateEntries(noun, EntryTypeName.NOUN);
 261 //        entries.add(entryData);
 262 //      }
 263 //    }
 264
 265     // In English, curly braces are used for different tenses.
 266     field = CURLY_BRACED.matcher(field).replaceAll(" ");
 267
 268     return field;
 269   }
 270
 271   private String parseField_EN(final IndexBuilder indexBuilder, String field,
 272       final IndexedEntry entryData, final int subfieldIdx) {
 273     if (field.startsWith("to ")) {
 274       field = field.substring(3);
 275     }
 276     return field;
 277   }
 278
 279   public static final Set<String> tokenize(final String text, final Pattern pattern) {
 280     final String[] split = pattern.split(text);
 281     final Set<String> result = new LinkedHashSet<String>(Arrays.asList(split));
 282     result.remove("");
 283     return result;
 284   }
 285
 286
 287 }