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

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