src/com/hughes/android/dictionary/parser/EnWiktionaryXmlParser.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.BufferedInputStream;
  18 import java.io.DataInputStream;
  19 import java.io.EOFException;
  20 import java.io.File;
  21 import java.io.FileInputStream;
  22 import java.io.IOException;
  23 import java.util.ArrayList;
  24 import java.util.Arrays;
  25 import java.util.Collection;
  26 import java.util.Collections;
  27 import java.util.LinkedHashSet;
  28 import java.util.List;
  29 import java.util.Map;
  30 import java.util.Set;
  31 import java.util.regex.Pattern;
  32
  33 import com.hughes.android.dictionary.engine.EntryTypeName;
  34 import com.hughes.android.dictionary.engine.IndexBuilder;
  35 import com.hughes.android.dictionary.engine.IndexedEntry;
  36 import com.hughes.android.dictionary.engine.PairEntry;
  37 import com.hughes.android.dictionary.engine.PairEntry.Pair;
  38
  39 public class EnWiktionaryXmlParser {
  40
  41   // TODO: look for {{ and [[ and <adf> <!-- in output.
  42   // TODO: process {{ttbc}} lines
  43
  44   static final Pattern partOfSpeechHeader = Pattern.compile(
  45       "Noun|Verb|Adjective|Adverb|Pronoun|Conjunction|Interjection|" +
  46       "Preposition|Proper noun|Article|Prepositional phrase|Acronym|" +
  47       "Abbreviation|Initialism|Contraction|Prefix|Suffix|Symbol|Letter|" +
  48       "Ligature|Idiom|Phrase|" +
  49       // These are @deprecated:
  50       "Noun form|Verb form|Adjective form|Nominal phrase|Noun phrase|" +
  51       "Verb phrase|Transitive verb|Intransitive verb|Reflexive verb|" +
  52       // These are extras I found:
  53       "Determiner|Numeral|Number|Cardinal number|Ordinal number|Proverb|" +
  54       "Particle|Interjection|Pronominal adverb" +
  55       "Han character|Hanzi|Hanja|Kanji|Katakana character|Syllable");
  56
  57   final IndexBuilder enIndexBuilder;
  58   final IndexBuilder otherIndexBuilder;
  59   final Pattern langPattern;
  60   final Pattern langCodePattern;
  61   final boolean swap;
  62
  63   public EnWiktionaryXmlParser(final IndexBuilder enIndexBuilder, final IndexBuilder otherIndexBuilder, final Pattern langPattern, final Pattern langCodePattern, final boolean swap) {
  64     this.enIndexBuilder = enIndexBuilder;
  65     this.otherIndexBuilder = otherIndexBuilder;
  66     this.langPattern = langPattern;
  67     this.langCodePattern = langCodePattern;
  68     this.swap = swap;
  69   }
  70
  71
  72   public void parse(final File file, final int pageLimit) throws IOException {
  73     int pageCount = 0;
  74     final DataInputStream dis = new DataInputStream(new BufferedInputStream(new FileInputStream(file)));
  75     while (true) {
  76       if (pageLimit >= 0 && pageCount >= pageLimit) {
  77         return;
  78       }
  79
  80       final String title;
  81       try {
  82         title = dis.readUTF();
  83       } catch (EOFException e) {
  84         dis.close();
  85         return;
  86       }
  87       final String heading = dis.readUTF();
  88       final int bytesLength = dis.readInt();
  89       final byte[] bytes = new byte[bytesLength];
  90       dis.readFully(bytes);
  91       final String text = new String(bytes, "UTF8");
  92
  93       parseSection(title, heading, text);
  94
  95       ++pageCount;
  96       if (pageCount % 1000 == 0) {
  97         System.out.println("pageCount=" + pageCount);
  98       }
  99     }
 100   }
 101
 102   private void parseSection(final String title, String heading, final String text) {
 103     if (title.startsWith("Wiktionary:") ||
 104         title.startsWith("Template:") ||
 105         title.startsWith("Appendix:") ||
 106         title.startsWith("Category:") ||
 107         title.startsWith("Index:") ||
 108         title.startsWith("MediaWiki:") ||
 109         title.startsWith("TransWiki:") ||
 110         title.startsWith("Citations:") ||
 111         title.startsWith("Concordance:") ||
 112         title.startsWith("Help:")) {
 113       return;
 114     }
 115
 116     heading = heading.replaceAll("=", "").trim();
 117     if (heading.equals("English")) {
 118       doEnglishWord(title, text);
 119     } else if (langPattern.matcher(heading).matches()){
 120       doForeignWord(title, text);
 121     }
 122
 123   }  // endPage()
 124
 125   // -------------------------------------------------------------------------
 126
 127   String pos = null;
 128   int posDepth = -1;
 129
 130   private void doEnglishWord(String title, String text) {
 131     final WikiTokenizer wikiTokenizer = new WikiTokenizer(text);
 132     while (wikiTokenizer.nextToken() != null) {
 133
 134       if (wikiTokenizer.isHeading()) {
 135         final String headerName = wikiTokenizer.headingWikiText();
 136
 137         if (wikiTokenizer.headingDepth() <= posDepth) {
 138           pos = null;
 139           posDepth = -1;
 140         }
 141
 142         if (partOfSpeechHeader.matcher(headerName).matches()) {
 143           posDepth = wikiTokenizer.headingDepth();
 144           pos = wikiTokenizer.headingWikiText();
 145         } else if (headerName.equals("Translations")) {
 146           doTranslations(title, wikiTokenizer);
 147         } else if (headerName.equals("Pronunciation")) {
 148           //doPronunciation(wikiLineReader);
 149         }
 150       }
 151     }
 152   }
 153
 154
 155   private static Set<String> encodings = new LinkedHashSet<String>(Arrays.asList("zh-ts",
 156       "sd-Arab", "ku-Arab", "Arab", "unicode", "Laoo", "ur-Arab", "Thai",
 157       "fa-Arab", "Khmr", "zh-tsp", "Cyrl", "IPAchar", "ug-Arab", "ko-inline",
 158       "Jpan", "Kore", "Hebr", "rfscript", "Beng", "Mong", "Knda", "Cyrs",
 159       "yue-tsj", "Mlym", "Tfng", "Grek", "yue-yue-j"));
 160
 161   private void doTranslations(final String title, final WikiTokenizer wikiTokenizer) {
 162     String sense = null;
 163     boolean done = false;
 164     while (wikiTokenizer.nextToken() != null) {
 165       if (wikiTokenizer.isHeading()) {
 166         wikiTokenizer.returnToLineStart();
 167         return;
 168       }
 169       if (done) {
 170         continue;
 171       }
 172
 173       // Check whether we care about this line:
 174
 175       //line = WikiLineReader.removeSquareBrackets(line);
 176
 177       if (wikiTokenizer.isFunction()) {
 178         final String functionName = wikiTokenizer.functionName();
 179         final List<String> positionArgs = wikiTokenizer.functionPositionArgs();
 180
 181         if (functionName.equals("trans-top")) {
 182           sense = null;
 183           if (wikiTokenizer.functionPositionArgs().size() >= 1) {
 184             sense = positionArgs.get(0);
 185             // TODO: could emphasize words in [[brackets]] inside sense.
 186             sense = WikiTokenizer.toPlainText(sense);
 187             //System.out.println("Sense: " + sense);
 188           }
 189         } else if (functionName.equals("trans-bottom")) {
 190           sense = null;
 191         } else if (functionName.equals("trans-mid")) {
 192         } else if (functionName.equals("trans-see")) {
 193         } else if (functionName.startsWith("checktrans")) {
 194           //TODO: Check this: done = true;
 195         } else {
 196           System.err.println("Unexpected translation wikifunction: " + wikiTokenizer.token() + ", title=" + title);
 197         }
 198       } else if (wikiTokenizer.isListItem() && wikiTokenizer.listItemPrefix().startsWith("*")) {
 199         final String line = wikiTokenizer.listItemWikiText();
 200         // This line could produce an output...
 201
 202         // First strip the language and check whether it matches.
 203         // And hold onto it for sub-lines.
 204         final int colonIndex = line.indexOf(":");
 205         if (colonIndex == -1) {
 206           continue;
 207         }
 208
 209         final String lang = line.substring(0, colonIndex);
 210         if (!this.langPattern.matcher(lang).find()) {
 211           continue;
 212         }
 213
 214         String rest = line.substring(colonIndex + 1).trim();
 215         doTranslationLine(line, title, sense, rest);
 216
 217       } else if (wikiTokenizer.remainderStartsWith("''See''")) {
 218         wikiTokenizer.nextLine();
 219         System.out.println("Skipping line: " + wikiTokenizer.token());
 220       } else if (wikiTokenizer.isWikiLink()) {
 221         final String wikiLink = wikiTokenizer.wikiLinkText();
 222         if (wikiLink.contains(":") && wikiLink.contains(title)) {
 223         } else if (wikiLink.contains("Category:")) {
 224         } else  {
 225           System.err.println("Unexpected wikiLink: " + wikiTokenizer.token() + ", title=" + title);
 226         }
 227       } else if (wikiTokenizer.isNewline() || wikiTokenizer.isMarkup() || wikiTokenizer.isComment()) {
 228       } else {
 229         final String token = wikiTokenizer.token();
 230         if (token.equals("----")) {
 231         } else {
 232           System.err.println("Unexpected translation token: " + wikiTokenizer.token() + ", title=" + title);
 233         }
 234       }
 235
 236     }
 237   }
 238
 239   private static <T> T get(final List<T> list, final int index) {
 240     return index < list.size() ? list.get(index) : null;
 241   }
 242
 243   private void doTranslationLine(final String line, final String title, final String sense, final String rest) {
 244     // Good chance we'll actually file this one...
 245     final PairEntry pairEntry = new PairEntry();
 246     final IndexedEntry indexedEntry = new IndexedEntry(pairEntry);
 247
 248     final StringBuilder otherText = new StringBuilder();
 249     final WikiTokenizer wikiTokenizer = new WikiTokenizer(rest);
 250     while (wikiTokenizer.nextToken() != null) {
 251
 252       if (wikiTokenizer.isPlainText()) {
 253         final String plainText = wikiTokenizer.token();
 254         otherText.append("").append(plainText);
 255         otherIndexBuilder.addEntryWithString(indexedEntry, plainText, EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 256
 257       } else if (wikiTokenizer.isWikiLink()) {
 258         final String plainText = wikiTokenizer.wikiLinkText();
 259         otherText.append("").append(plainText);
 260         otherIndexBuilder.addEntryWithString(indexedEntry, plainText, EntryTypeName.WIKTIONARY_TRANSLATION_WIKI_TEXT);
 261
 262       } else if (wikiTokenizer.isFunction()) {
 263         final String functionName = wikiTokenizer.functionName();
 264         final List<String> args = wikiTokenizer.functionPositionArgs();
 265         final Map<String,String> namedArgs = wikiTokenizer.functionNamedArgs();
 266
 267         if (functionName.equals("t") || functionName.equals("t+") || functionName.equals("t-") || functionName.equals("tø")) {
 268           if (args.size() < 2) {
 269             System.err.println("{{t}} with too few args: " + line + ", title=" + title);
 270             continue;
 271           }
 272           final String langCode = get(args, 0);
 273           if (this.langCodePattern.matcher(langCode).matches()) {
 274             final String word = get(args, 1);
 275             final String gender = get(args, 2);
 276             final String transliteration = namedArgs.get("tr");
 277             if (otherText.length() > 0) {
 278               otherText.append("");
 279             }
 280             otherText.append(word);
 281             otherIndexBuilder.addEntryWithString(indexedEntry, word, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 282             if (gender != null) {
 283               otherText.append(String.format(" {%s}", gender));
 284             }
 285             if (transliteration != null) {
 286               otherText.append(String.format(" (tr. %s)", transliteration));
 287               otherIndexBuilder.addEntryWithString(indexedEntry, transliteration, EntryTypeName.WIKTIONARY_TRANSLITERATION);
 288             }
 289           }
 290         } else if (functionName.equals("qualifier")) {
 291           String qualifier = args.get(0);
 292           if (!namedArgs.isEmpty() || args.size() > 1) {
 293             System.err.println("weird qualifier: " + line);
 294           }
 295           otherText.append("(").append(qualifier).append(")");
 296         } else if (encodings.contains(functionName)) {
 297           otherText.append("").append(args.get(0));
 298           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 299         } else if (functionName.equals("m") || functionName.equals("f") || functionName.equals("n") || functionName.equals("p")) {
 300           otherText.append("{");
 301           otherText.append(functionName);
 302           for (int i = 0; i < args.size(); ++i) {
 303             otherText.append("|").append(args.get(i));
 304           }
 305           otherText.append("}");
 306         } else if (functionName.equals("g")) {
 307           otherText.append("{g}");
 308         } else if (functionName.equals("l")) {
 309           // encodes text in various langs.
 310           // lang is arg 0.
 311           otherText.append("").append(args.get(1));
 312           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(1), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 313           // TODO: transliteration
 314         } else if (functionName.equals("term")) {
 315           // cross-reference to another dictionary
 316           otherText.append("").append(args.get(0));
 317           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 318           // TODO: transliteration
 319         } else if (functionName.equals("italbrac") || functionName.equals("gloss")) {
 320           // TODO: put this text aside to use it.
 321           otherText.append("[").append(args.get(0)).append("]");
 322           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 323         } else if (functionName.equals("ttbc")) {
 324         } else if (functionName.equals("trreq")) {
 325         } else if (functionName.equals("not used")) {
 326           otherText.append("(not used)");
 327         } else if (functionName.equals("t-image")) {
 328           // American sign language
 329         } else if (args.isEmpty() && namedArgs.isEmpty()) {
 330           otherText.append("{UNK. FUNC.: ").append(functionName).append("}");
 331         } else {
 332           System.err.println("Unexpected t+- wikifunction: " + line + ", title=" + title);
 333         }
 334
 335       } else if (wikiTokenizer.isNewline()) {
 336         assert false;
 337       } else if (wikiTokenizer.isComment()) {
 338       } else if (wikiTokenizer.isMarkup()) {
 339       } else {
 340         System.err.println("Bad translation token: " + wikiTokenizer.token());
 341       }
 342
 343     }
 344
 345     StringBuilder englishText = new StringBuilder();
 346
 347     englishText.append(title);
 348     if (sense != null) {
 349       englishText.append(" (").append(sense).append(")");
 350       enIndexBuilder.addEntryWithString(indexedEntry, sense, EntryTypeName.WIKTIONARY_TRANSLATION_SENSE, EntryTypeName.WIKTIONARY_TRANSLATION_SENSE);
 351     }
 352     if (pos != null) {
 353       englishText.append(" (").append(pos.toLowerCase()).append(")");
 354     }
 355     enIndexBuilder.addEntryWithString(indexedEntry, title, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 356
 357     final Pair pair = new Pair(trim(englishText.toString()), trim(otherText.toString()), swap);
 358     pairEntry.pairs.add(pair);
 359     assert (pairsAdded.add(pair.toString()));
 360     if (pair.toString().equals("libero {m} :: free (adjective)")) {
 361       System.out.println();
 362     }
 363
 364   }
 365
 366   static final Pattern whitespace = Pattern.compile("\\s+");
 367
 368   static String trim(final String s) {
 369     return whitespace.matcher(s).replaceAll(" ").trim();
 370   }
 371
 372   Set<String> pairsAdded = new LinkedHashSet<String>();
 373
 374   // -------------------------------------------------------------------------
 375
 376   private void doForeignWord(final String title, final String text) {
 377     final WikiTokenizer wikiTokenizer = new WikiTokenizer(text);
 378     while (wikiTokenizer.nextToken() != null) {
 379       if (wikiTokenizer.isHeading()) {
 380         final String headingName = wikiTokenizer.headingWikiText();
 381         if (headingName.equals("Translations")) {
 382           System.err.println("Translations not in English section: " + title);
 383         } else if (headingName.equals("Pronunciation")) {
 384           //doPronunciation(wikiLineReader);
 385         } else if (partOfSpeechHeader.matcher(headingName).matches()) {
 386           doPartOfSpeech(title, headingName, wikiTokenizer.headingDepth(), wikiTokenizer);
 387         }
 388       } else {
 389       }
 390     }
 391   }
 392
 393
 394   private void doPartOfSpeech(String title, final String posHeading, final int posDepth, WikiTokenizer wikiTokenizer) {
 395     System.out.println("***" + title);
 396     System.out.println(posHeading);
 397     //final StringBuilder foreignBuilder = new StringBuilder();
 398
 399     String side = null;
 400     Collection<String> forms = Collections.emptyList();
 401
 402     int currentHeadingDepth = posDepth;
 403     while (wikiTokenizer.nextToken() != null) {
 404       if (wikiTokenizer.isHeading()) {
 405         currentHeadingDepth = wikiTokenizer.headingDepth();
 406
 407         if (currentHeadingDepth <= posDepth) {
 408           wikiTokenizer.returnToLineStart();
 409           return;
 410         }
 411       }
 412
 413       if (currentHeadingDepth > posDepth) {
 414         // TODO
 415         continue;
 416       }
 417
 418       if (wikiTokenizer.isFunction()) {
 419         final String name = wikiTokenizer.functionName();
 420         final List<String> args = wikiTokenizer.functionPositionArgs();
 421         final Map<String,String> namedArgs = wikiTokenizer.functionNamedArgs();
 422         // First line is generally a repeat of the title with some extra information.
 423         // We need to build up the left side (foreign text, tokens) separately from the
 424         // right side (English).  The left-side may get paired with multiple right sides.
 425         // The left side should get filed under every form of the word in question (singular, plural).
 426
 427         // For verbs, the conjugation comes later on in a deeper section.
 428         // Ideally, we'd want to file every English entry with the verb
 429         // under every verb form coming from the conjugation.
 430         // Ie. under "fa": see: "make :: fare" and "do :: fare"
 431         // But then where should we put the conjugation table?
 432         // I think just under fare.  But then we need a way to link to the entry (actually the row, since entries doesn't show up!)
 433         // for the conjugation table from "fa".
 434         // Would like to be able to link to a lang#token.
 435         if (name.equals("it-noun")) {
 436           assert forms.isEmpty();
 437           final String base = get(args, 0);
 438           final String gender = get(args, 1);
 439           final String singular = base + get(args, 2);
 440           final String plural = base + get(args, 3);
 441           side = String.format("%s {%s}, %s {pl}", singular, gender, plural, plural);
 442           forms = Arrays.asList(singular, plural);
 443         } else if (name.equals("it-proper noun")) {
 444           // TODO
 445         } else if (name.equals("it-adj")) {
 446           // TODO
 447         } else if (name.startsWith("it-conj")) {
 448           if (name.equals("it-conj-are")) {
 449             itConjAre(args, namedArgs);
 450           } else if (name.equals("it-conj-ere")) {
 451           } else if (name.equals("it-conj-ire")) {
 452           } else {
 453             System.err.println("Unknown conjugation: " + wikiTokenizer.token());
 454           }
 455
 456         } else {
 457           System.err.println("Unknown function: " + wikiTokenizer.token());
 458         }
 459
 460       } else if (wikiTokenizer.isListItem()) {
 461         handleForeignListItem(side != null ? side : title, title, forms, wikiTokenizer);
 462
 463       } else if (wikiTokenizer.isWikiLink()) {
 464
 465       } else {
 466       }
 467
 468     }
 469   }
 470
 471   private void itConjAre(List<String> args, Map<String, String> namedArgs) {
 472     final String base = args.get(0);
 473     final String aux = args.get(1);
 474
 475     putIfMissing(namedArgs, "inf", base + "are");
 476     putIfMissing(namedArgs, "aux", aux);
 477     putIfMissing(namedArgs, "ger", base + "ando");
 478     putIfMissing(namedArgs, "presp", base + "ante");
 479     putIfMissing(namedArgs, "pastp", base + "ato");
 480     // Present
 481     putIfMissing(namedArgs, "pres1s", base + "o");
 482     putIfMissing(namedArgs, "pres2s", base + "i");
 483     putIfMissing(namedArgs, "pres3s", base + "a");
 484     putIfMissing(namedArgs, "pres1p", base + "iamo");
 485     putIfMissing(namedArgs, "pres2p", base + "ate");
 486     putIfMissing(namedArgs, "pres3p", base + "ano");
 487     // Imperfect
 488     putIfMissing(namedArgs, "imperf1s", base + "avo");
 489     putIfMissing(namedArgs, "imperf2s", base + "avi");
 490     putIfMissing(namedArgs, "imperf3s", base + "ava");
 491     putIfMissing(namedArgs, "imperf1p", base + "avamo");
 492     putIfMissing(namedArgs, "imperf2p", base + "avate");
 493     putIfMissing(namedArgs, "imperf3p", base + "avano");
 494     // Passato remoto
 495     putIfMissing(namedArgs, "prem1s", base + "ai");
 496     putIfMissing(namedArgs, "prem2s", base + "asti");
 497     putIfMissing(namedArgs, "prem3s", base + "ò");
 498     putIfMissing(namedArgs, "prem1p", base + "ammo");
 499     putIfMissing(namedArgs, "prem2p", base + "aste");
 500     putIfMissing(namedArgs, "prem3p", base + "arono");
 501     // Future
 502     putIfMissing(namedArgs, "fut1s", base + "erò");
 503     putIfMissing(namedArgs, "fut2s", base + "erai");
 504     putIfMissing(namedArgs, "fut3s", base + "erà");
 505     putIfMissing(namedArgs, "fut1p", base + "eremo");
 506     putIfMissing(namedArgs, "fut2p", base + "erete");
 507     putIfMissing(namedArgs, "fut3p", base + "eranno");
 508     // Conditional
 509     putIfMissing(namedArgs, "cond1s", base + "erei");
 510     putIfMissing(namedArgs, "cond2s", base + "eresti");
 511     putIfMissing(namedArgs, "cond3s", base + "erebbe");
 512     putIfMissing(namedArgs, "cond1p", base + "eremmo");
 513     putIfMissing(namedArgs, "cond2p", base + "ereste");
 514     putIfMissing(namedArgs, "cond3p", base + "erebbero");
 515     // Subjunctive / congiuntivo
 516     putIfMissing(namedArgs, "sub123s", base + "i");
 517     putIfMissing(namedArgs, "sub1p", base + "iamo");
 518     putIfMissing(namedArgs, "sub2p", base + "iate");
 519     putIfMissing(namedArgs, "sub3p", base + "ino");
 520     // Imperfect subjunctive
 521     putIfMissing(namedArgs, "impsub12s", base + "assi");
 522     putIfMissing(namedArgs, "impsub3s", base + "asse");
 523     putIfMissing(namedArgs, "impsub1p", base + "assimo");
 524     putIfMissing(namedArgs, "impsub2p", base + "aste");
 525     putIfMissing(namedArgs, "impsub3p", base + "assero");
 526     // Imperative
 527     putIfMissing(namedArgs, "imp2s", base + "a");
 528     putIfMissing(namedArgs, "imp3s", base + "i");
 529     putIfMissing(namedArgs, "imp1p", base + "iamo");
 530     putIfMissing(namedArgs, "imp2p", base + "ate");
 531     putIfMissing(namedArgs, "imp3p", base + "ino");
 532
 533
 534     itConj(args, namedArgs);
 535   }
 536
 537
 538   private void putIfMissing(final Map<String, String> namedArgs, final String key,
 539       final String value) {
 540     final String oldValue = namedArgs.get(key);
 541     if (oldValue == null || oldValue.length() == 0) {
 542       namedArgs.put(key, value);
 543     }
 544   }
 545
 546   // TODO: check how ='' and =| are manifested....
 547   // TODO: get this right in -are
 548   private void putOrNullify(final Map<String, String> namedArgs, final String key,
 549       final String value) {
 550     final String oldValue = namedArgs.get(key);
 551     if (oldValue == null/* || oldValue.length() == 0*/) {
 552       namedArgs.put(key, value);
 553     } else {
 554       if (oldValue.equals("''")) {
 555         namedArgs.put(key, "");
 556       }
 557     }
 558   }
 559
 560   final List<String> listPrefixes = new ArrayList<String>();
 561   final List<String> listLines = new ArrayList<String>();
 562
 563 static final Pattern UNINDEXED_WIKI_TEXT = Pattern.compile(
 564     "(first|second|third)-person (singular|plural)|" +
 565     "present tense|" +
 566     "imperative"
 567     );
 568
 569   private void handleForeignListItem(final String foreignText, String title, final Collection<String> forms, final WikiTokenizer wikiTokenizer) {
 570
 571     final String prefix = wikiTokenizer.listItemPrefix();
 572     if (prefix.length() > 1) {
 573       System.err.println("Prefix too long: " + wikiTokenizer.token());
 574       return;
 575     }
 576
 577     listPrefixes.clear();
 578     listLines.clear();
 579     listPrefixes.add(prefix);
 580     listLines.add(wikiTokenizer.listItemWikiText());
 581     while(wikiTokenizer.nextToken() != null &&
 582         wikiTokenizer.isNewline() ||
 583         wikiTokenizer.isComment() ||
 584         (wikiTokenizer.isListItem() &&
 585             wikiTokenizer.listItemPrefix().length() > prefix.length() &&
 586             wikiTokenizer.listItemPrefix().startsWith(prefix))) {
 587       if (wikiTokenizer.isListItem()) {
 588         listPrefixes.add(wikiTokenizer.listItemPrefix());
 589         listLines.add(wikiTokenizer.listItemWikiText());
 590       }
 591     }
 592     if (wikiTokenizer.nextToken() != null) {
 593       wikiTokenizer.returnToLineStart();
 594     }
 595     System.out.println("list lines: " + listLines);
 596     System.out.println("list prefixes: " + listPrefixes);
 597
 598     final PairEntry pairEntry = new PairEntry();
 599     final IndexedEntry indexedEntry = new IndexedEntry(pairEntry);
 600
 601     final String foreign = trim(title);
 602
 603     final StringBuilder englishBuilder = new StringBuilder();
 604
 605     final String mainLine = listLines.get(0);
 606
 607     final WikiTokenizer englishTokenizer = new WikiTokenizer(mainLine);
 608     while (englishTokenizer.nextToken() != null) {
 609       // TODO handle form of....
 610       if (englishTokenizer.isPlainText()) {
 611         englishBuilder.append(englishTokenizer.token());
 612         enIndexBuilder.addEntryWithString(indexedEntry, englishTokenizer.token(), EntryTypeName.WIKTIONARY_ENGLISH_DEF);
 613       } else if (englishTokenizer.isWikiLink()) {
 614         final String text = englishTokenizer.wikiLinkText();
 615         final String link = englishTokenizer.wikiLinkDest();
 616         if (link != null) {
 617           if (link.contains("#English")) {
 618             englishBuilder.append(text);
 619             enIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_WIKI_LINK);
 620           } else if (link.contains("#") && this.langPattern.matcher(link).find()) {
 621             englishBuilder.append(text);
 622             otherIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_OTHER_LANG);
 623           } else {
 624             System.err.println("Special link: " + englishTokenizer.token());
 625             // TODO: something here...
 626           }
 627         } else {
 628           // link == null
 629           englishBuilder.append(text);
 630           if (!UNINDEXED_WIKI_TEXT.matcher(text).find()) {
 631             enIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_WIKI_LINK);
 632           }
 633         }
 634       } else if (englishTokenizer.isFunction()) {
 635         final String name = englishTokenizer.functionName();
 636         if (name.contains(" conjugation of ") ||
 637             name.contains(" form of ") ||
 638             name.contains(" feminine of ") ||
 639             name.contains(" plural of ")) {
 640           // Ignore these in the index, they're really annoying....
 641           englishBuilder.append(englishTokenizer.token());
 642         } else {
 643           System.err.println("Unexpected function: " + englishTokenizer.token());
 644         }
 645       } else {
 646         if (englishTokenizer.isComment() || englishTokenizer.isMarkup()) {
 647         } else {
 648           System.err.println("Unexpected definition text: " + englishTokenizer.token());
 649         }
 650       }
 651     }
 652     final String english = trim(englishBuilder.toString());
 653     if (english.length() > 0) {
 654       final Pair pair = new Pair(english, trim(foreignText), this.swap);
 655       pairEntry.pairs.add(pair);
 656       otherIndexBuilder.addEntryWithString(indexedEntry, title, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 657       for (final String form : forms) {
 658         otherIndexBuilder.addEntryWithString(indexedEntry, form, EntryTypeName.WIKTIONARY_FORM_SINGLE, EntryTypeName.WIKTIONARY_FORM_MULTI);
 659       }
 660     }
 661   }
 662
 663
 664 }