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           // TODO
 194         } else if (functionName.startsWith("picdic")) {
 195         } else if (functionName.startsWith("checktrans")) {
 196         } else if (functionName.startsWith("ttbc")) {
 197           wikiTokenizer.nextLine();
 198           // TODO: would be great to handle
 199           //TODO: Check this: done = true;
 200         } else {
 201           System.err.println("Unexpected translation wikifunction: " + wikiTokenizer.token() + ", title=" + title);
 202         }
 203       } else if (wikiTokenizer.isListItem() && wikiTokenizer.listItemPrefix().startsWith("*")) {
 204         final String line = wikiTokenizer.listItemWikiText();
 205         // This line could produce an output...
 206
 207         // First strip the language and check whether it matches.
 208         // And hold onto it for sub-lines.
 209         final int colonIndex = line.indexOf(":");
 210         if (colonIndex == -1) {
 211           continue;
 212         }
 213
 214         final String lang = line.substring(0, colonIndex);
 215         if (!this.langPattern.matcher(lang).find()) {
 216           continue;
 217         }
 218
 219         String rest = line.substring(colonIndex + 1).trim();
 220         if (rest.length() > 0) {
 221           doTranslationLine(line, title, sense, rest);
 222         } else {
 223           // TODO: do lines that are like Greek:
 224         }
 225
 226       } else if (wikiTokenizer.remainderStartsWith("''See''")) {
 227         wikiTokenizer.nextLine();
 228         System.out.println("Skipping line: " + wikiTokenizer.token());
 229       } else if (wikiTokenizer.isWikiLink()) {
 230         final String wikiLink = wikiTokenizer.wikiLinkText();
 231         if (wikiLink.contains(":") && wikiLink.contains(title)) {
 232         } else if (wikiLink.contains("Category:")) {
 233         } else  {
 234           System.err.println("Unexpected wikiLink: " + wikiTokenizer.token() + ", title=" + title);
 235         }
 236       } else if (wikiTokenizer.isNewline() || wikiTokenizer.isMarkup() || wikiTokenizer.isComment()) {
 237       } else {
 238         final String token = wikiTokenizer.token();
 239         if (token.equals("----")) {
 240         } else {
 241           System.err.println("Unexpected translation token: " + wikiTokenizer.token() + ", title=" + title);
 242         }
 243       }
 244
 245     }
 246   }
 247
 248   private static <T> T get(final List<T> list, final int index) {
 249     return index < list.size() ? list.get(index) : null;
 250   }
 251
 252   private void doTranslationLine(final String line, final String title, final String sense, final String rest) {
 253     // Good chance we'll actually file this one...
 254     final PairEntry pairEntry = new PairEntry();
 255     final IndexedEntry indexedEntry = new IndexedEntry(pairEntry);
 256
 257     final StringBuilder otherText = new StringBuilder();
 258     final WikiTokenizer wikiTokenizer = new WikiTokenizer(rest, false);
 259     while (wikiTokenizer.nextToken() != null) {
 260
 261       if (wikiTokenizer.isPlainText()) {
 262         final String plainText = wikiTokenizer.token();
 263         otherText.append("").append(plainText);
 264         otherIndexBuilder.addEntryWithString(indexedEntry, plainText, EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 265
 266       } else if (wikiTokenizer.isWikiLink()) {
 267         final String plainText = wikiTokenizer.wikiLinkText();
 268         otherText.append("").append(plainText);
 269         otherIndexBuilder.addEntryWithString(indexedEntry, plainText, EntryTypeName.WIKTIONARY_TRANSLATION_WIKI_TEXT);
 270
 271       } else if (wikiTokenizer.isFunction()) {
 272         final String functionName = wikiTokenizer.functionName();
 273         final List<String> args = wikiTokenizer.functionPositionArgs();
 274         final Map<String,String> namedArgs = wikiTokenizer.functionNamedArgs();
 275
 276         if (functionName.equals("t") || functionName.equals("t+") || functionName.equals("t-") || functionName.equals("tø") || functionName.equals("apdx-t")) {
 277           if (args.size() < 2) {
 278             System.err.println("{{t}} with too few args: " + line + ", title=" + title);
 279             continue;
 280           }
 281           final String langCode = get(args, 0);
 282           //if (this.langCodePattern.matcher(langCode).matches()) {
 283             final String word = get(args, 1);
 284             final String gender = get(args, 2);
 285             final String transliteration = namedArgs.get("tr");
 286             if (otherText.length() > 0) {
 287               otherText.append("");
 288             }
 289             otherText.append(word);
 290             otherIndexBuilder.addEntryWithString(indexedEntry, word, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 291             if (gender != null) {
 292               otherText.append(String.format(" {%s}", gender));
 293             }
 294             if (transliteration != null) {
 295               otherText.append(String.format(" (tr. %s)", transliteration));
 296               otherIndexBuilder.addEntryWithString(indexedEntry, transliteration, EntryTypeName.WIKTIONARY_TRANSLITERATION);
 297             }
 298           //}
 299         } else if (functionName.equals("qualifier")) {
 300           String qualifier = args.get(0);
 301           if (!namedArgs.isEmpty() || args.size() > 1) {
 302             System.err.println("weird qualifier: " + line);
 303           }
 304           otherText.append("(").append(qualifier).append(")");
 305         } else if (encodings.contains(functionName)) {
 306           otherText.append("").append(args.get(0));
 307           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 308         } else if (functionName.equals("m") || functionName.equals("f") || functionName.equals("n") || functionName.equals("p")) {
 309           otherText.append("{");
 310           otherText.append(functionName);
 311           for (int i = 0; i < args.size(); ++i) {
 312             otherText.append("|").append(args.get(i));
 313           }
 314           otherText.append("}");
 315         } else if (functionName.equals("g")) {
 316           otherText.append("{g}");
 317         } else if (functionName.equals("l")) {
 318           // encodes text in various langs.
 319           // lang is arg 0.
 320           otherText.append("").append(args.get(1));
 321           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(1), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 322           // TODO: transliteration
 323         } else if (functionName.equals("term")) {
 324           // cross-reference to another dictionary
 325           otherText.append("").append(args.get(0));
 326           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 327           // TODO: transliteration
 328         } else if (functionName.equals("italbrac") || functionName.equals("gloss")) {
 329           // TODO: put this text aside to use it.
 330           otherText.append("[").append(args.get(0)).append("]");
 331           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 332         } else if (functionName.equals("ttbc")) {
 333         } else if (functionName.equals("trreq")) {
 334         } else if (functionName.equals("not used")) {
 335           otherText.append("(not used)");
 336         } else if (functionName.equals("t-image")) {
 337           // American sign language
 338         } else if (args.isEmpty() && namedArgs.isEmpty()) {
 339           otherText.append("{UNK. FUNC.: ").append(functionName).append("}");
 340         } else {
 341           System.err.println("Unexpected t+- wikifunction: " + line + ", title=" + title);
 342         }
 343
 344       } else if (wikiTokenizer.isNewline()) {
 345         assert false;
 346       } else if (wikiTokenizer.isComment()) {
 347       } else if (wikiTokenizer.isMarkup()) {
 348       } else {
 349         System.err.println("Bad translation token: " + wikiTokenizer.token());
 350       }
 351     }
 352     if (otherText.length() == 0) {
 353       System.err.println("Empty otherText: " + line);
 354       return;
 355     }
 356
 357     StringBuilder englishText = new StringBuilder();
 358
 359     englishText.append(title);
 360     if (sense != null) {
 361       englishText.append(" (").append(sense).append(")");
 362       enIndexBuilder.addEntryWithString(indexedEntry, sense, EntryTypeName.WIKTIONARY_TRANSLATION_SENSE, EntryTypeName.WIKTIONARY_TRANSLATION_SENSE);
 363     }
 364     if (pos != null) {
 365       englishText.append(" (").append(pos.toLowerCase()).append(")");
 366     }
 367     enIndexBuilder.addEntryWithString(indexedEntry, title, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 368
 369     final Pair pair = new Pair(trim(englishText.toString()), trim(otherText.toString()), swap);
 370     pairEntry.pairs.add(pair);
 371     if (!pairsAdded.add(pair.toString())) {
 372       System.err.println("Duplicate pair: " + pair.toString());
 373     }
 374     if (pair.toString().equals("libero {m} :: free (adjective)")) {
 375       System.out.println();
 376     }
 377
 378   }
 379
 380   static final Pattern whitespace = Pattern.compile("\\s+");
 381
 382   static String trim(final String s) {
 383     return whitespace.matcher(s).replaceAll(" ").trim();
 384   }
 385
 386   Set<String> pairsAdded = new LinkedHashSet<String>();
 387
 388   // -------------------------------------------------------------------------
 389
 390   private void doForeignWord(final String title, final String text) {
 391     final WikiTokenizer wikiTokenizer = new WikiTokenizer(text);
 392     while (wikiTokenizer.nextToken() != null) {
 393       if (wikiTokenizer.isHeading()) {
 394         final String headingName = wikiTokenizer.headingWikiText();
 395         if (headingName.equals("Translations")) {
 396           System.err.println("Translations not in English section: " + title);
 397         } else if (headingName.equals("Pronunciation")) {
 398           //doPronunciation(wikiLineReader);
 399         } else if (partOfSpeechHeader.matcher(headingName).matches()) {
 400           doPartOfSpeech(title, headingName, wikiTokenizer.headingDepth(), wikiTokenizer);
 401         }
 402       } else {
 403       }
 404     }
 405   }
 406
 407
 408   private void doPartOfSpeech(String title, final String posHeading, final int posDepth, WikiTokenizer wikiTokenizer) {
 409     System.out.println("***" + title);
 410     System.out.println(posHeading);
 411     //final StringBuilder foreignBuilder = new StringBuilder();
 412
 413     String side = null;
 414     Collection<String> forms = Collections.emptyList();
 415
 416     int currentHeadingDepth = posDepth;
 417     while (wikiTokenizer.nextToken() != null) {
 418       if (wikiTokenizer.isHeading()) {
 419         currentHeadingDepth = wikiTokenizer.headingDepth();
 420
 421         if (currentHeadingDepth <= posDepth) {
 422           wikiTokenizer.returnToLineStart();
 423           return;
 424         }
 425       }
 426
 427       if (currentHeadingDepth > posDepth) {
 428         // TODO
 429         continue;
 430       }
 431
 432       if (wikiTokenizer.isFunction()) {
 433         final String name = wikiTokenizer.functionName();
 434         final List<String> args = wikiTokenizer.functionPositionArgs();
 435         final Map<String,String> namedArgs = wikiTokenizer.functionNamedArgs();
 436         // First line is generally a repeat of the title with some extra information.
 437         // We need to build up the left side (foreign text, tokens) separately from the
 438         // right side (English).  The left-side may get paired with multiple right sides.
 439         // The left side should get filed under every form of the word in question (singular, plural).
 440
 441         // For verbs, the conjugation comes later on in a deeper section.
 442         // Ideally, we'd want to file every English entry with the verb
 443         // under every verb form coming from the conjugation.
 444         // Ie. under "fa": see: "make :: fare" and "do :: fare"
 445         // But then where should we put the conjugation table?
 446         // 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!)
 447         // for the conjugation table from "fa".
 448         // Would like to be able to link to a lang#token.
 449         if (name.equals("it-noun")) {
 450           assert forms.isEmpty();
 451           final String base = get(args, 0);
 452           final String gender = get(args, 1);
 453           final String singular = base + get(args, 2);
 454           final String plural = base + get(args, 3);
 455           side = String.format("%s {%s}, %s {pl}", singular, gender, plural, plural);
 456           forms = Arrays.asList(singular, plural);
 457         } else if (name.equals("it-proper noun")) {
 458           // TODO
 459         } else if (name.equals("it-adj")) {
 460           // TODO
 461         } else if (name.startsWith("it-conj")) {
 462           if (name.equals("it-conj-are")) {
 463             itConjAre(args, namedArgs);
 464           } else if (name.equals("it-conj-ere")) {
 465           } else if (name.equals("it-conj-ire")) {
 466           } else {
 467             System.err.println("Unknown conjugation: " + wikiTokenizer.token());
 468           }
 469
 470         } else {
 471           System.err.println("Unknown function: " + wikiTokenizer.token());
 472         }
 473
 474       } else if (wikiTokenizer.isListItem()) {
 475         handleForeignListItem(side != null ? side : title, title, forms, wikiTokenizer);
 476
 477       } else if (wikiTokenizer.isWikiLink()) {
 478
 479       } else {
 480       }
 481
 482     }
 483   }
 484
 485   private void itConjAre(List<String> args, Map<String, String> namedArgs) {
 486     final String base = args.get(0);
 487     final String aux = args.get(1);
 488
 489     putIfMissing(namedArgs, "inf", base + "are");
 490     putIfMissing(namedArgs, "aux", aux);
 491     putIfMissing(namedArgs, "ger", base + "ando");
 492     putIfMissing(namedArgs, "presp", base + "ante");
 493     putIfMissing(namedArgs, "pastp", base + "ato");
 494     // Present
 495     putIfMissing(namedArgs, "pres1s", base + "o");
 496     putIfMissing(namedArgs, "pres2s", base + "i");
 497     putIfMissing(namedArgs, "pres3s", base + "a");
 498     putIfMissing(namedArgs, "pres1p", base + "iamo");
 499     putIfMissing(namedArgs, "pres2p", base + "ate");
 500     putIfMissing(namedArgs, "pres3p", base + "ano");
 501     // Imperfect
 502     putIfMissing(namedArgs, "imperf1s", base + "avo");
 503     putIfMissing(namedArgs, "imperf2s", base + "avi");
 504     putIfMissing(namedArgs, "imperf3s", base + "ava");
 505     putIfMissing(namedArgs, "imperf1p", base + "avamo");
 506     putIfMissing(namedArgs, "imperf2p", base + "avate");
 507     putIfMissing(namedArgs, "imperf3p", base + "avano");
 508     // Passato remoto
 509     putIfMissing(namedArgs, "prem1s", base + "ai");
 510     putIfMissing(namedArgs, "prem2s", base + "asti");
 511     putIfMissing(namedArgs, "prem3s", base + "ò");
 512     putIfMissing(namedArgs, "prem1p", base + "ammo");
 513     putIfMissing(namedArgs, "prem2p", base + "aste");
 514     putIfMissing(namedArgs, "prem3p", base + "arono");
 515     // Future
 516     putIfMissing(namedArgs, "fut1s", base + "erò");
 517     putIfMissing(namedArgs, "fut2s", base + "erai");
 518     putIfMissing(namedArgs, "fut3s", base + "erà");
 519     putIfMissing(namedArgs, "fut1p", base + "eremo");
 520     putIfMissing(namedArgs, "fut2p", base + "erete");
 521     putIfMissing(namedArgs, "fut3p", base + "eranno");
 522     // Conditional
 523     putIfMissing(namedArgs, "cond1s", base + "erei");
 524     putIfMissing(namedArgs, "cond2s", base + "eresti");
 525     putIfMissing(namedArgs, "cond3s", base + "erebbe");
 526     putIfMissing(namedArgs, "cond1p", base + "eremmo");
 527     putIfMissing(namedArgs, "cond2p", base + "ereste");
 528     putIfMissing(namedArgs, "cond3p", base + "erebbero");
 529     // Subjunctive / congiuntivo
 530     putIfMissing(namedArgs, "sub123s", base + "i");
 531     putIfMissing(namedArgs, "sub1p", base + "iamo");
 532     putIfMissing(namedArgs, "sub2p", base + "iate");
 533     putIfMissing(namedArgs, "sub3p", base + "ino");
 534     // Imperfect subjunctive
 535     putIfMissing(namedArgs, "impsub12s", base + "assi");
 536     putIfMissing(namedArgs, "impsub3s", base + "asse");
 537     putIfMissing(namedArgs, "impsub1p", base + "assimo");
 538     putIfMissing(namedArgs, "impsub2p", base + "aste");
 539     putIfMissing(namedArgs, "impsub3p", base + "assero");
 540     // Imperative
 541     putIfMissing(namedArgs, "imp2s", base + "a");
 542     putIfMissing(namedArgs, "imp3s", base + "i");
 543     putIfMissing(namedArgs, "imp1p", base + "iamo");
 544     putIfMissing(namedArgs, "imp2p", base + "ate");
 545     putIfMissing(namedArgs, "imp3p", base + "ino");
 546
 547
 548     itConj(args, namedArgs);
 549   }
 550
 551
 552   private void itConj(List<String> args, Map<String, String> namedArgs) {
 553     // TODO Auto-generated method stub
 554
 555   }
 556
 557
 558   private static void putIfMissing(final Map<String, String> namedArgs, final String key,
 559       final String value) {
 560     final String oldValue = namedArgs.get(key);
 561     if (oldValue == null || oldValue.length() == 0) {
 562       namedArgs.put(key, value);
 563     }
 564   }
 565
 566   // TODO: check how ='' and =| are manifested....
 567   // TODO: get this right in -are
 568   private static void putOrNullify(final Map<String, String> namedArgs, final String key,
 569       final String value) {
 570     final String oldValue = namedArgs.get(key);
 571     if (oldValue == null/* || oldValue.length() == 0*/) {
 572       namedArgs.put(key, value);
 573     } else {
 574       if (oldValue.equals("''")) {
 575         namedArgs.put(key, "");
 576       }
 577     }
 578   }
 579
 580   final List<String> listPrefixes = new ArrayList<String>();
 581   final List<String> listLines = new ArrayList<String>();
 582
 583 static final Pattern UNINDEXED_WIKI_TEXT = Pattern.compile(
 584     "(first|second|third)-person (singular|plural)|" +
 585     "present tense|" +
 586     "imperative"
 587     );
 588
 589   private void handleForeignListItem(final String foreignText, String title, final Collection<String> forms, final WikiTokenizer wikiTokenizer) {
 590
 591     final String prefix = wikiTokenizer.listItemPrefix();
 592     if (prefix.length() > 1) {
 593       System.err.println("Prefix too long: " + wikiTokenizer.token());
 594       return;
 595     }
 596
 597     listPrefixes.clear();
 598     listLines.clear();
 599     listPrefixes.add(prefix);
 600     listLines.add(wikiTokenizer.listItemWikiText());
 601     while(wikiTokenizer.nextToken() != null &&
 602         wikiTokenizer.isNewline() ||
 603         wikiTokenizer.isComment() ||
 604         (wikiTokenizer.isListItem() &&
 605             wikiTokenizer.listItemPrefix().length() > prefix.length() &&
 606             wikiTokenizer.listItemPrefix().startsWith(prefix))) {
 607       if (wikiTokenizer.isListItem()) {
 608         listPrefixes.add(wikiTokenizer.listItemPrefix());
 609         listLines.add(wikiTokenizer.listItemWikiText());
 610       }
 611     }
 612     if (wikiTokenizer.nextToken() != null) {
 613       wikiTokenizer.returnToLineStart();
 614     }
 615     System.out.println("list lines: " + listLines);
 616     System.out.println("list prefixes: " + listPrefixes);
 617
 618     final PairEntry pairEntry = new PairEntry();
 619     final IndexedEntry indexedEntry = new IndexedEntry(pairEntry);
 620
 621     final String foreign = trim(title);
 622
 623     final StringBuilder englishBuilder = new StringBuilder();
 624
 625     final String mainLine = listLines.get(0);
 626
 627     final WikiTokenizer englishTokenizer = new WikiTokenizer(mainLine, false);
 628     while (englishTokenizer.nextToken() != null) {
 629       // TODO handle form of....
 630       if (englishTokenizer.isPlainText()) {
 631         englishBuilder.append(englishTokenizer.token());
 632         enIndexBuilder.addEntryWithString(indexedEntry, englishTokenizer.token(), EntryTypeName.WIKTIONARY_ENGLISH_DEF);
 633       } else if (englishTokenizer.isWikiLink()) {
 634         final String text = englishTokenizer.wikiLinkText();
 635         final String link = englishTokenizer.wikiLinkDest();
 636         if (link != null) {
 637           if (link.contains("#English")) {
 638             englishBuilder.append(text);
 639             enIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_WIKI_LINK);
 640           } else if (link.contains("#") && this.langPattern.matcher(link).find()) {
 641             englishBuilder.append(text);
 642             otherIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_OTHER_LANG);
 643           } else {
 644             System.err.println("Special link: " + englishTokenizer.token());
 645             // TODO: something here...
 646           }
 647         } else {
 648           // link == null
 649           englishBuilder.append(text);
 650           if (!UNINDEXED_WIKI_TEXT.matcher(text).find()) {
 651             enIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_WIKI_LINK);
 652           }
 653         }
 654       } else if (englishTokenizer.isFunction()) {
 655         final String name = englishTokenizer.functionName();
 656         if (name.contains(" conjugation of ") ||
 657             name.contains(" form of ") ||
 658             name.contains(" feminine of ") ||
 659             name.contains(" plural of ")) {
 660           // Ignore these in the index, they're really annoying....
 661           englishBuilder.append(englishTokenizer.token());
 662         } else {
 663           System.err.println("Unexpected function: " + englishTokenizer.token());
 664         }
 665       } else {
 666         if (englishTokenizer.isComment() || englishTokenizer.isMarkup()) {
 667         } else {
 668           System.err.println("Unexpected definition text: " + englishTokenizer.token());
 669         }
 670       }
 671     }
 672     final String english = trim(englishBuilder.toString());
 673     if (english.length() > 0) {
 674       final Pair pair = new Pair(english, trim(foreignText), this.swap);
 675       pairEntry.pairs.add(pair);
 676       otherIndexBuilder.addEntryWithString(indexedEntry, title, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 677       for (final String form : forms) {
 678         otherIndexBuilder.addEntryWithString(indexedEntry, form, EntryTypeName.WIKTIONARY_FORM_SINGLE, EntryTypeName.WIKTIONARY_FORM_MULTI);
 679       }
 680     }
 681   }
 682
 683
 684 }