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