src/com/hughes/android/dictionary/parser/DictFileParser.java

   1 package com.hughes.android.dictionary.parser;
   2
   3 import java.io.BufferedReader;
   4 import java.io.File;
   5 import java.io.FileInputStream;
   6 import java.io.IOException;
   7 import java.io.InputStreamReader;
   8 import java.nio.charset.Charset;
   9 import java.util.List;
  10 import java.util.logging.Logger;
  11 import java.util.regex.Matcher;
  12 import java.util.regex.Pattern;
  13
  14 import com.hughes.android.dictionary.engine.DictionaryBuilder;
  15 import com.hughes.android.dictionary.engine.EntryData;
  16 import com.hughes.android.dictionary.engine.EntryTypeName;
  17 import com.hughes.android.dictionary.engine.IndexBuilder;
  18 import com.hughes.android.dictionary.engine.Language;
  19 import com.hughes.android.dictionary.engine.PairEntry;
  20 import com.hughes.android.dictionary.engine.PairEntry.Pair;
  21
  22 public class DictFileParser {
  23
  24   static final Logger logger = Logger.getLogger(DictFileParser.class.getName());
  25
  26   // Dictcc
  27   public static final Pattern TAB = Pattern.compile("\\t");
  28
  29   // Chemnitz
  30   public static final Pattern DOUBLE_COLON = Pattern.compile(" :: ");
  31   public static final Pattern PIPE = Pattern.compile("\\|");
  32
  33   static final Pattern SPACES = Pattern.compile("\\s+");
  34   static final Pattern DE_NOUN = Pattern.compile("([^ ]+) *\\{(m|f|n|pl)\\}");
  35   static final Pattern EN_VERB = Pattern.compile("^to ([^ ]+)");
  36
  37   static final Pattern BRACKETED = Pattern.compile("\\[([^]]+)\\]");
  38   static final Pattern PARENTHESIZED = Pattern.compile("\\(([^)]+)\\)");
  39   static final Pattern CURLY_BRACED = Pattern.compile("\\{([^}]+)\\}");
  40
  41   static final Pattern NON_CHAR_DASH = Pattern.compile("[^-'\\p{L}0-9]+");
  42   static final Pattern NON_CHAR = Pattern.compile("[^\\p{L}0-9]+");
  43
  44   static final Pattern TRIM_PUNC = Pattern.compile("^[^\\p{L}0-9]+|[^\\p{L}0-9]+$");
  45
  46   final Charset charset;
  47   final boolean flipCols;
  48
  49   final Pattern fieldSplit;
  50   final Pattern subfieldSplit;
  51
  52   final DictionaryBuilder dictBuilder;
  53   final IndexBuilder[] langIndexBuilders;
  54   final IndexBuilder bothIndexBuilder;
  55
  56   // final Set<String> alreadyDone = new HashSet<String>();
  57
  58   public DictFileParser(final Charset charset, boolean flipCols,
  59       final Pattern fieldSplit, final Pattern subfieldSplit,
  60       final DictionaryBuilder dictBuilder, final IndexBuilder[] langIndexBuilders,
  61       final IndexBuilder bothIndexBuilder) {
  62     this.charset = charset;
  63     this.flipCols = flipCols;
  64     this.fieldSplit = fieldSplit;
  65     this.subfieldSplit = subfieldSplit;
  66     this.dictBuilder = dictBuilder;
  67     this.langIndexBuilders = langIndexBuilders;
  68     this.bothIndexBuilder = bothIndexBuilder;
  69   }
  70
  71   public void parseFile(final File file) throws IOException {
  72     final BufferedReader reader = new BufferedReader(new InputStreamReader(new FileInputStream(file), charset));
  73     String line;
  74     int count = 0;
  75     while ((line = reader.readLine()) != null) {
  76       if (count % 10000 == 0) {
  77         logger.info("count=" + count + ", line=" + line);
  78       }
  79       parseLine(line);
  80       ++count;
  81     }
  82   }
  83
  84   private void parseLine(final String line) {
  85     if (line.startsWith("#") || line.length() == 0) {
  86       logger.info("Skipping comment line: " + line);
  87       return;
  88     }
  89     final String[] fields = fieldSplit.split(line);
  90     if (fields.length != 2) {
  91       logger.warning("Malformed line: " + line);
  92       return;
  93     }
  94
  95     fields[0] = SPACES.matcher(fields[0]).replaceAll(" ").trim();
  96     fields[1] = SPACES.matcher(fields[1]).replaceAll(" ").trim();
  97     if (flipCols) {
  98       final String temp = fields[0];
  99       fields[0] = fields[1];
 100       fields[1] = temp;
 101     }
 102
 103     final String[][] subfields = new String[2][];
 104       if (subfieldSplit != null) {
 105       subfields[0] = subfieldSplit.split(fields[0]);
 106       subfields[1] = subfieldSplit.split(fields[1]);
 107       if (subfields[0].length != subfields[1].length) {
 108         logger.warning("Number of subfields doesn't match: " + line);
 109         return;
 110       }
 111     } else {
 112       subfields[0] = new String[] { fields[0] };
 113       subfields[1] = new String[] { fields[1] };
 114     }
 115
 116     final Pair[] pairs = new Pair[subfields[0].length];
 117     for (int i = 0; i < pairs.length; ++i) {
 118       subfields[0][i] = subfields[0][i].trim();
 119       subfields[1][i] = subfields[1][i].trim();
 120       pairs[i] = new Pair(subfields[0][i], subfields[1][i]);
 121     }
 122     final PairEntry pairEntry = new PairEntry(pairs);
 123     final EntryData entryData = new EntryData(dictBuilder.dictionary.pairEntries.size(), pairEntry);
 124     dictBuilder.dictionary.pairEntries.add(pairEntry);
 125
 126     for (int l = 0; l < 2; ++l) {
 127       // alreadyDone.clear();
 128
 129       for (int j = 0; j < subfields[l].length; ++j) {
 130         String subfield = subfields[l][j];
 131         final IndexBuilder indexBuilder = langIndexBuilders[l];
 132         if (indexBuilder.index.sortLanguage == Language.de) {
 133           subfield = parseField_DE(indexBuilder, subfield, entryData, j);
 134         } else if (indexBuilder.index.sortLanguage == Language.en) {
 135           subfield = parseField_EN(indexBuilder, subfield, entryData, j);
 136         }
 137         parseFieldGeneric(indexBuilder, subfield, entryData, j, subfields[l].length);
 138       }
 139     }
 140   }
 141
 142   private void parseFieldGeneric(final IndexBuilder indexBuilder, String field,
 143       final EntryData entryData, final int subfieldIdx, final int numSubFields) {
 144     // remove bracketed and parenthesized stuff.
 145     final StringBuilder bracketed = new StringBuilder();
 146     final StringBuilder parenthesized = new StringBuilder();
 147
 148     Matcher matcher;
 149     while ((matcher = BRACKETED.matcher(field)).find()) {
 150       bracketed.append(matcher.group(1)).append(" ");
 151       field = matcher.replaceFirst(" ");
 152     }
 153
 154     while ((matcher = PARENTHESIZED.matcher(field)).find()) {
 155       parenthesized.append(matcher.group(1)).append(" ");
 156       field = matcher.replaceFirst(" ");
 157     }
 158
 159     field = SPACES.matcher(field).replaceAll(" ").trim();
 160
 161     // split words on non -A-z0-9, do them.
 162     final String[] tokens = NON_CHAR_DASH.split(field);
 163
 164     final EntryTypeName entryTypeName;
 165     if (numSubFields == 1) {
 166       assert subfieldIdx == 0;
 167       if (tokens.length == 1) {
 168         entryTypeName = EntryTypeName.ONE_WORD;
 169       } else if (tokens.length == 2) {
 170         entryTypeName = EntryTypeName.TWO_WORDS;
 171       } else if (tokens.length == 3) {
 172         entryTypeName = EntryTypeName.THREE_WORDS;
 173       } else if (tokens.length == 4) {
 174         entryTypeName = EntryTypeName.FOUR_WORDS;
 175       } else {
 176         entryTypeName = EntryTypeName.FIVE_OR_MORE_WORDS;
 177       }
 178     } else {
 179       assert numSubFields > 1;
 180       if (subfieldIdx == 0) {
 181         if (tokens.length == 1) {
 182           entryTypeName = EntryTypeName.MULTIROW_HEAD_ONE_WORD;
 183         } else {
 184           entryTypeName = EntryTypeName.MULTIROW_HEAD_MANY_WORDS;
 185         }
 186       } else {
 187         assert subfieldIdx > 0;
 188         if (tokens.length == 1) {
 189           entryTypeName = EntryTypeName.MULTIROW_TAIL_ONE_WORD;
 190         } else {
 191           entryTypeName = EntryTypeName.MULTIROW_TAIL_MANY_WORDS;
 192         }
 193       }
 194     }
 195
 196     for (String token : tokens) {
 197       token = TRIM_PUNC.matcher(token).replaceAll("");
 198       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 199         final List<EntryData> entries = indexBuilder.getOrCreateEntries(token, entryTypeName);
 200         entries.add(entryData);
 201         // alreadyDone.add(token);
 202
 203         // also split words on dashes, do them, too.
 204         if (token.contains("-")) {
 205           final String[] dashed = token.split("-");
 206           for (final String dashedToken : dashed) {
 207             if (/*!alreadyDone.contains(dashedToken) && */dashedToken.length() > 0) {
 208               final List<EntryData> dashEntries = indexBuilder.getOrCreateEntries(dashedToken, EntryTypeName.PART_OF_HYPHENATED);
 209               dashEntries.add(entryData);
 210             }
 211           }
 212         }
 213
 214       }  // if (!alreadyDone.contains(token)) {
 215     }  // for (final String token : tokens) {
 216
 217     // process bracketed stuff (split on spaces and dashes always)
 218     final String[] bracketedTokens = NON_CHAR.split(bracketed.toString());
 219     for (final String token : bracketedTokens) {
 220       assert !token.contains("-");
 221       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 222         final List<EntryData> entries = indexBuilder.getOrCreateEntries(token, EntryTypeName.BRACKETED);
 223         entries.add(entryData);
 224       }
 225     }
 226
 227     // process paren stuff
 228     final String[] parenTokens = NON_CHAR.split(parenthesized.toString());
 229     for (final String token : parenTokens) {
 230       assert !token.contains("-");
 231       if (/*!alreadyDone.contains(token) && */token.length() > 0) {
 232         final List<EntryData> entries = indexBuilder.getOrCreateEntries(token, EntryTypeName.PARENTHESIZED);
 233         entries.add(entryData);
 234       }
 235     }
 236
 237   }
 238
 239   private String parseField_DE(final IndexBuilder indexBuilder, String field,
 240       final EntryData entryData, final int subfieldIdx) {
 241
 242 //    final Matcher matcher = DE_NOUN.matcher(field);
 243 //    while (matcher.find()) {
 244 //      final String noun = matcher.group(1);
 245       //final String gender = matcher.group(2);
 246 //      if (alreadyDone.add(noun)) {
 247         // System.out.println("Found DE noun " + noun + ", " + gender);
 248 //        final List<EntryData> entries = indexBuilder.getOrCreateEntries(noun, EntryTypeName.NOUN);
 249 //        entries.add(entryData);
 250 //      }
 251 //    }
 252
 253     // In English, curly braces are used for different tenses.
 254     field = CURLY_BRACED.matcher(field).replaceAll(" ");
 255
 256     return field;
 257   }
 258
 259   private String parseField_EN(final IndexBuilder indexBuilder, String field,
 260       final EntryData entryData, final int subfieldIdx) {
 261     if (field.startsWith("to ")) {
 262       field = field.substring(3);
 263     }
 264     return field;
 265   }
 266
 267
 268 }