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.EntrySource;
  34 import com.hughes.android.dictionary.engine.IndexedEntry;
  35 import com.hughes.android.dictionary.engine.EntryTypeName;
  36 import com.hughes.android.dictionary.engine.IndexBuilder;
  37 import com.hughes.android.dictionary.engine.Language;
  38 import com.hughes.android.dictionary.engine.PairEntry;
  39 import com.hughes.android.dictionary.engine.PairEntry.Pair;
  40
  41 public class DictFileParser implements Parser {
  42
  43   static final Logger logger = Logger.getLogger(DictFileParser.class.getName());
  44
  45   // Dictcc
  46   public static final Pattern TAB = Pattern.compile("\\t");
  47
  48   // Chemnitz
  49   public static final Pattern DOUBLE_COLON = Pattern.compile(" :: ");
  50   public static final Pattern PIPE = Pattern.compile("\\|");
  51
  52   static final Pattern SPACES = Pattern.compile("\\s+");
  53 //  static final Pattern DE_NOUN = Pattern.compile("([^ ]+) *\\{(m|f|n|pl)\\}");
  54 //  static final Pattern EN_VERB = Pattern.compile("^to ([^ ]+)");
  55
  56   static final Pattern BRACKETED = Pattern.compile("\\[([^]]+)\\]");
  57   static final Pattern PARENTHESIZED = Pattern.compile("\\(([^)]+)\\)");
  58   static final Pattern CURLY_BRACED = Pattern.compile("\\{([^}]+)\\}");
  59
  60   static final Pattern NON_CHAR_DASH = Pattern.compile("[^-'\\p{L}0-9]+");
  61   public static final Pattern NON_CHAR = Pattern.compile("[^\\p{L}0-9]+");
  62
  63   static final Pattern TRIM_PUNC = Pattern.compile("^[^\\p{L}0-9]+|[^\\p{L}0-9]+$");
  64
  65   final Charset charset;
  66   final boolean flipCols;
  67
  68   final Pattern fieldSplit;
  69   final Pattern subfieldSplit;
  70
  71   final DictionaryBuilder dictBuilder;
  72   final IndexBuilder[] langIndexBuilders;
  73   final IndexBuilder bothIndexBuilder;
  74
  75   EntrySource entrySource;
  76
  77   // final Set<String> alreadyDone = new HashSet<String>();
  78
  79   public DictFileParser(final Charset charset, boolean flipCols,
  80       final Pattern fieldSplit, final Pattern subfieldSplit,
  81       final DictionaryBuilder dictBuilder, final IndexBuilder[] langIndexBuilders,
  82       final IndexBuilder bothIndexBuilder) {
  83     this.charset = charset;
  84     this.flipCols = flipCols;
  85     this.fieldSplit = fieldSplit;
  86     this.subfieldSplit = subfieldSplit;
  87     this.dictBuilder = dictBuilder;
  88     this.langIndexBuilders = langIndexBuilders;
  89     this.bothIndexBuilder = bothIndexBuilder;
  90   }
  91
  92   @Override
  93   public void parse(final File file, final EntrySource entrySouce, final int pageLimit) throws IOException {
  94     this.entrySource = entrySouce;
  95     final BufferedReader reader = new BufferedReader(new InputStreamReader(new FileInputStream(file), charset));
  96     String line;
  97     int count = 0;
  98     while ((line = reader.readLine()) != null) {
  99       if (pageLimit >= 0 && count >= pageLimit) {
 100         return;
 101       }
 102       if (count % 10000 == 0) {
 103         logger.info("count=" + count + ", line=" + line);
 104       }
 105       parseLine(line);
 106       ++count;
 107     }
 108   }
 109
 110   private void parseLine(final String line) {
 111     if (line.startsWith("#") || line.length() == 0) {
 112       logger.info("Skipping comment line: " + line);
 113       return;
 114     }
 115     final String[] fields = fieldSplit.split(line);
 116     if (fields.length != 2) {
 117       logger.warning("Malformed line: " + line);
 118       return;
 119     }
 120
 121     fields[0] = SPACES.matcher(fields[0]).replaceAll(" ").trim();
 122     fields[1] = SPACES.matcher(fields[1]).replaceAll(" ").trim();
 123     if (flipCols) {
 124       final String temp = fields[0];
 125       fields[0] = fields[1];
 126       fields[1] = temp;
 127     }
 128
 129     final String[][] subfields = new String[2][];
 130       if (subfieldSplit != null) {
 131       subfields[0] = subfieldSplit.split(fields[0]);
 132       subfields[1] = subfieldSplit.split(fields[1]);
 133       if (subfields[0].length != subfields[1].length) {
 134         logger.warning("Number of subfields doesn't match: " + line);
 135         return;
 136       }
 137     } else {
 138       subfields[0] = new String[] { fields[0] };
 139       subfields[1] = new String[] { fields[1] };
 140     }
 141
 142     final PairEntry pairEntry = new PairEntry(entrySource);
 143     for (int i = 0; i < subfields[0].length; ++i) {
 144       subfields[0][i] = subfields[0][i].trim();
 145       subfields[1][i] = subfields[1][i].trim();
 146       if (subfields[0][i].length() == 0 && subfields[1][i].length() == 0) {
 147         logger.warning("Empty pair: " + line);
 148         continue;
 149       }
 150       if (subfields[0][i].length() == 0) {
 151         subfields[0][i] = "__";
 152       }
 153       if (subfields[1][i].length() == 0) {
 154         subfields[1][i] = "__";
 155       }
 156       pairEntry.pairs.add(new Pair(subfields[0][i], subfields[1][i]));
 157     }
 158     final IndexedEntry entryData = new IndexedEntry(pairEntry);
 159
 160     for (int l = 0; l < 2; ++l) {
 161       // alreadyDone.clear();
 162
 163       for (int j = 0; j < subfields[l].length; ++j) {
 164         String subfield = subfields[l][j];
 165         final IndexBuilder indexBuilder = langIndexBuilders[l];
 166         if (indexBuilder.index.sortLanguage == Language.de) {
 167           subfield = parseField_DE(indexBuilder, subfield, entryData, j);
 168         } else if (indexBuilder.index.sortLanguage == Language.en) {
 169           subfield = parseField_EN(indexBuilder, subfield, entryData, j);
 170         }
 171         parseFieldGeneric(indexBuilder, subfield, entryData, j, subfields[l].length);
 172       }
 173     }
 174   }
 175
 176   private void parseFieldGeneric(final IndexBuilder indexBuilder, String field,
 177       final IndexedEntry entryData, final int subfieldIdx, final int numSubFields) {
 178     // remove bracketed and parenthesized stuff.
 179     final StringBuilder bracketed = new StringBuilder();
 180     final StringBuilder parenthesized = new StringBuilder();
 181
 182     Matcher matcher;
 183     while ((matcher = BRACKETED.matcher(field)).find()) {
 184       bracketed.append(matcher.group(1)).append(" ");
 185       field = matcher.replaceFirst(" ");
 186     }
 187
 188     while ((matcher = PARENTHESIZED.matcher(field)).find()) {
 189       parenthesized.append(matcher.group(1)).append(" ");
 190       field = matcher.replaceFirst(" ");
 191     }
 192
 193     field = SPACES.matcher(field).replaceAll(" ").trim();
 194
 195     // split words on non -A-z0-9, do them.
 196     final String[] tokens = NON_CHAR_DASH.split(field);
 197
 198     final EntryTypeName entryTypeName;
 199     if (numSubFields == 1) {
 200       assert subfieldIdx == 0;
 201       if (tokens.length == 1) {
 202         entryTypeName = EntryTypeName.ONE_WORD;
 203       } else if (tokens.length == 2) {
 204         entryTypeName = EntryTypeName.TWO_WORDS;
 205       } else if (tokens.length == 3) {
 206         entryTypeName = EntryTypeName.THREE_WORDS;
 207       } else if (tokens.length == 4) {
 208         entryTypeName = EntryTypeName.FOUR_WORDS;
 209       } else {
 210         entryTypeName = EntryTypeName.FIVE_OR_MORE_WORDS;
 211       }
 212     } else {
 213       assert numSubFields > 1;
 214       if (subfieldIdx == 0) {
 215         if (tokens.length == 1) {
 216           entryTypeName = EntryTypeName.MULTIROW_HEAD_ONE_WORD;
 217         } else {
 218           entryTypeName = EntryTypeName.MULTIROW_HEAD_MANY_WORDS;
 219         }
 220       } else {
 221         assert subfieldIdx > 0;
 222         if (tokens.length == 1) {
 223           entryTypeName = EntryTypeName.MULTIROW_TAIL_ONE_WORD;
 224         } else {
 225           entryTypeName = EntryTypeName.MULTIROW_TAIL_MANY_WORDS;
 226         }
 227       }
 228     }
 229
 230     for (String token : tokens) {
 231       token = TRIM_PUNC.matcher(token).replaceAll("");
 232       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 233         indexBuilder.addEntryWithTokens(entryData, Collections.singleton(token), entryTypeName);
 234         // alreadyDone.add(token);
 235
 236         // also split words on dashes, do them, too.
 237         if (token.contains("-")) {
 238           final String[] dashed = token.split("-");
 239           for (final String dashedToken : dashed) {
 240             if (/*!alreadyDone.contains(dashedToken) && */dashedToken.length() > 0) {
 241               indexBuilder.addEntryWithTokens(entryData, Collections.singleton(dashedToken), EntryTypeName.PART_OF_HYPHENATED);
 242             }
 243           }
 244         }
 245
 246       }  // if (!alreadyDone.contains(token)) {
 247     }  // for (final String token : tokens) {
 248
 249     // process bracketed stuff (split on spaces and dashes always)
 250     final String[] bracketedTokens = NON_CHAR.split(bracketed.toString());
 251     for (final String token : bracketedTokens) {
 252       assert !token.contains("-");
 253       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 254         indexBuilder.addEntryWithTokens(entryData, Collections.singleton(token), EntryTypeName.BRACKETED);
 255       }
 256     }
 257
 258     // process paren stuff
 259     final String[] parenTokens = NON_CHAR.split(parenthesized.toString());
 260     for (final String token : parenTokens) {
 261       assert !token.contains("-");
 262       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 263         indexBuilder.addEntryWithTokens(entryData, Collections.singleton(token), EntryTypeName.PARENTHESIZED);
 264       }
 265     }
 266
 267   }
 268
 269   private String parseField_DE(final IndexBuilder indexBuilder, String field,
 270       final IndexedEntry entryData, final int subfieldIdx) {
 271
 272 //    final Matcher matcher = DE_NOUN.matcher(field);
 273 //    while (matcher.find()) {
 274 //      final String noun = matcher.group(1);
 275       //final String gender = matcher.group(2);
 276 //      if (alreadyDone.add(noun)) {
 277         // System.out.println("Found DE noun " + noun + ", " + gender);
 278 //        final List<EntryData> entries = indexBuilder.getOrCreateEntries(noun, EntryTypeName.NOUN);
 279 //        entries.add(entryData);
 280 //      }
 281 //    }
 282
 283     // In English, curly braces are used for different tenses.
 284     field = CURLY_BRACED.matcher(field).replaceAll(" ");
 285
 286     return field;
 287   }
 288
 289   private String parseField_EN(final IndexBuilder indexBuilder, String field,
 290       final IndexedEntry entryData, final int subfieldIdx) {
 291     if (field.startsWith("to ")) {
 292       field = field.substring(3);
 293     }
 294     return field;
 295   }
 296
 297   public static final Set<String> tokenize(final String text, final Pattern pattern) {
 298     final String[] split = pattern.split(text);
 299     final Set<String> result = new LinkedHashSet<String>(Arrays.asList(split));
 300     result.remove("");
 301     return result;
 302   }
 303
 304
 305 }