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