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.logging.Logger;
  32 import java.util.regex.Pattern;
  33
  34 import com.hughes.android.dictionary.engine.EntryTypeName;
  35 import com.hughes.android.dictionary.engine.IndexBuilder;
  36 import com.hughes.android.dictionary.engine.IndexedEntry;
  37 import com.hughes.android.dictionary.engine.PairEntry;
  38 import com.hughes.android.dictionary.engine.PairEntry.Pair;
  39
  40 public class EnWiktionaryXmlParser {
  41
  42   static final Logger LOG = Logger.getLogger(EnWiktionaryXmlParser.class.getName());
  43
  44   // TODO: look for {{ and [[ and <adf> <!-- in output.
  45   // TODO: process {{ttbc}} lines
  46
  47   static final Pattern partOfSpeechHeader = Pattern.compile(
  48       "Noun|Verb|Adjective|Adverb|Pronoun|Conjunction|Interjection|" +
  49       "Preposition|Proper noun|Article|Prepositional phrase|Acronym|" +
  50       "Abbreviation|Initialism|Contraction|Prefix|Suffix|Symbol|Letter|" +
  51       "Ligature|Idiom|Phrase|" +
  52       // These are @deprecated:
  53       "Noun form|Verb form|Adjective form|Nominal phrase|Noun phrase|" +
  54       "Verb phrase|Transitive verb|Intransitive verb|Reflexive verb|" +
  55       // These are extras I found:
  56       "Determiner|Numeral|Number|Cardinal number|Ordinal number|Proverb|" +
  57       "Particle|Interjection|Pronominal adverb" +
  58       "Han character|Hanzi|Hanja|Kanji|Katakana character|Syllable");
  59
  60   final IndexBuilder enIndexBuilder;
  61   final IndexBuilder otherIndexBuilder;
  62   final Pattern langPattern;
  63   final Pattern langCodePattern;
  64   final boolean swap;
  65
  66   public EnWiktionaryXmlParser(final IndexBuilder enIndexBuilder, final IndexBuilder otherIndexBuilder, final Pattern langPattern, final Pattern langCodePattern, final boolean swap) {
  67     this.enIndexBuilder = enIndexBuilder;
  68     this.otherIndexBuilder = otherIndexBuilder;
  69     this.langPattern = langPattern;
  70     this.langCodePattern = langCodePattern;
  71     this.swap = swap;
  72   }
  73
  74
  75   public void parse(final File file, final int pageLimit) throws IOException {
  76     int pageCount = 0;
  77     final DataInputStream dis = new DataInputStream(new BufferedInputStream(new FileInputStream(file)));
  78     while (true) {
  79       if (pageLimit >= 0 && pageCount >= pageLimit) {
  80         return;
  81       }
  82
  83       final String title;
  84       try {
  85         title = dis.readUTF();
  86       } catch (EOFException e) {
  87         dis.close();
  88         return;
  89       }
  90       final String heading = dis.readUTF();
  91       final int bytesLength = dis.readInt();
  92       final byte[] bytes = new byte[bytesLength];
  93       dis.readFully(bytes);
  94       final String text = new String(bytes, "UTF8");
  95
  96       parseSection(title, heading, text);
  97
  98       ++pageCount;
  99       if (pageCount % 1000 == 0) {
 100         LOG.info("pageCount=" + pageCount);
 101       }
 102     }
 103   }
 104
 105   private void parseSection(final String title, String heading, final String text) {
 106     if (title.startsWith("Wiktionary:") ||
 107         title.startsWith("Template:") ||
 108         title.startsWith("Appendix:") ||
 109         title.startsWith("Category:") ||
 110         title.startsWith("Index:") ||
 111         title.startsWith("MediaWiki:") ||
 112         title.startsWith("TransWiki:") ||
 113         title.startsWith("Citations:") ||
 114         title.startsWith("Concordance:") ||
 115         title.startsWith("Help:")) {
 116       return;
 117     }
 118
 119     heading = heading.replaceAll("=", "").trim();
 120     if (heading.equals("English")) {
 121       doEnglishWord(title, text);
 122     } else if (langPattern.matcher(heading).matches()){
 123       doForeignWord(title, text);
 124     }
 125
 126   }  // endPage()
 127
 128   // -------------------------------------------------------------------------
 129
 130   private void doEnglishWord(String title, String text) {
 131
 132     String pos = null;
 133     int posDepth = -1;
 134
 135     final WikiTokenizer wikiTokenizer = new WikiTokenizer(text);
 136     while (wikiTokenizer.nextToken() != null) {
 137
 138       if (wikiTokenizer.isHeading()) {
 139         final String headerName = wikiTokenizer.headingWikiText();
 140
 141         if (wikiTokenizer.headingDepth() <= posDepth) {
 142           pos = null;
 143           posDepth = -1;
 144         }
 145
 146         if (partOfSpeechHeader.matcher(headerName).matches()) {
 147           posDepth = wikiTokenizer.headingDepth();
 148           pos = wikiTokenizer.headingWikiText();
 149         } else if (headerName.equals("Translations")) {
 150           if (pos == null) {
 151             LOG.warning("Translations without POS: " + title);
 152           }
 153           doTranslations(title, wikiTokenizer, pos);
 154         } else if (headerName.equals("Pronunciation")) {
 155           //doPronunciation(wikiLineReader);
 156         }
 157       }
 158     }
 159   }
 160
 161
 162   private static Set<String> encodings = new LinkedHashSet<String>(Arrays.asList("zh-ts",
 163       "sd-Arab", "ku-Arab", "Arab", "unicode", "Laoo", "ur-Arab", "Thai",
 164       "fa-Arab", "Khmr", "zh-tsp", "Cyrl", "IPAchar", "ug-Arab", "ko-inline",
 165       "Jpan", "Kore", "Hebr", "rfscript", "Beng", "Mong", "Knda", "Cyrs",
 166       "yue-tsj", "Mlym", "Tfng", "Grek", "yue-yue-j"));
 167
 168   private void doTranslations(final String title, final WikiTokenizer wikiTokenizer, final String pos) {
 169     if (title.equals("absolutely")) {
 170       System.out.println();
 171     }
 172
 173     String sense = null;
 174     boolean done = false;
 175     while (wikiTokenizer.nextToken() != null) {
 176       if (wikiTokenizer.isHeading()) {
 177         wikiTokenizer.returnToLineStart();
 178         return;
 179       }
 180       if (done) {
 181         continue;
 182       }
 183
 184       // Check whether we care about this line:
 185
 186       //line = WikiLineReader.removeSquareBrackets(line);
 187
 188       if (wikiTokenizer.isFunction()) {
 189         final String functionName = wikiTokenizer.functionName();
 190         final List<String> positionArgs = wikiTokenizer.functionPositionArgs();
 191
 192         if (functionName.equals("trans-top")) {
 193           sense = null;
 194           if (wikiTokenizer.functionPositionArgs().size() >= 1) {
 195             sense = positionArgs.get(0);
 196             // TODO: could emphasize words in [[brackets]] inside sense.
 197             sense = WikiTokenizer.toPlainText(sense);
 198             //LOG.info("Sense: " + sense);
 199           }
 200         } else if (functionName.equals("trans-bottom")) {
 201           sense = null;
 202         } else if (functionName.equals("trans-mid")) {
 203         } else if (functionName.equals("trans-see")) {
 204           // TODO
 205         } else if (functionName.startsWith("picdic")) {
 206         } else if (functionName.startsWith("checktrans")) {
 207         } else if (functionName.startsWith("ttbc")) {
 208           wikiTokenizer.nextLine();
 209           // TODO: would be great to handle
 210           //TODO: Check this: done = true;
 211         } else {
 212           LOG.warning("Unexpected translation wikifunction: " + wikiTokenizer.token() + ", title=" + title);
 213         }
 214       } else if (wikiTokenizer.isListItem()) {
 215         final String line = wikiTokenizer.listItemWikiText();
 216         // This line could produce an output...
 217
 218         // First strip the language and check whether it matches.
 219         // And hold onto it for sub-lines.
 220         final int colonIndex = line.indexOf(":");
 221         if (colonIndex == -1) {
 222           continue;
 223         }
 224
 225         final String lang = line.substring(0, colonIndex);
 226         if (!this.langPattern.matcher(lang).find()) {
 227           continue;
 228         }
 229
 230         String rest = line.substring(colonIndex + 1).trim();
 231         if (rest.length() > 0) {
 232           doTranslationLine(line, title, pos, sense, rest);
 233         } else {
 234           // TODO: do lines that are like Greek:
 235         }
 236
 237       } else if (wikiTokenizer.remainderStartsWith("''See''")) {
 238         wikiTokenizer.nextLine();
 239         LOG.fine("Skipping line: " + wikiTokenizer.token());
 240       } else if (wikiTokenizer.isWikiLink()) {
 241         final String wikiLink = wikiTokenizer.wikiLinkText();
 242         if (wikiLink.contains(":") && wikiLink.contains(title)) {
 243         } else if (wikiLink.contains("Category:")) {
 244         } else  {
 245           LOG.warning("Unexpected wikiLink: " + wikiTokenizer.token() + ", title=" + title);
 246         }
 247       } else if (wikiTokenizer.isNewline() || wikiTokenizer.isMarkup() || wikiTokenizer.isComment()) {
 248       } else {
 249         final String token = wikiTokenizer.token();
 250         if (token.equals("----")) {
 251         } else {
 252           LOG.warning("Unexpected translation token: " + wikiTokenizer.token() + ", title=" + title);
 253         }
 254       }
 255
 256     }
 257   }
 258
 259   private static <T> T get(final List<T> list, final int index) {
 260     return index < list.size() ? list.get(index) : null;
 261   }
 262
 263   private void doTranslationLine(final String line, final String title, final String pos, final String sense, final String rest) {
 264     // Good chance we'll actually file this one...
 265     final PairEntry pairEntry = new PairEntry();
 266     final IndexedEntry indexedEntry = new IndexedEntry(pairEntry);
 267
 268     final StringBuilder otherText = new StringBuilder();
 269     final WikiTokenizer wikiTokenizer = new WikiTokenizer(rest, false);
 270     while (wikiTokenizer.nextToken() != null) {
 271
 272       if (wikiTokenizer.isPlainText()) {
 273         final String plainText = wikiTokenizer.token();
 274         otherText.append("").append(plainText);
 275         otherIndexBuilder.addEntryWithString(indexedEntry, plainText, EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 276
 277       } else if (wikiTokenizer.isWikiLink()) {
 278         final String plainText = wikiTokenizer.wikiLinkText();
 279         otherText.append("").append(plainText);
 280         otherIndexBuilder.addEntryWithString(indexedEntry, plainText, EntryTypeName.WIKTIONARY_TRANSLATION_WIKI_TEXT);
 281
 282       } else if (wikiTokenizer.isFunction()) {
 283         final String functionName = wikiTokenizer.functionName();
 284         final List<String> args = wikiTokenizer.functionPositionArgs();
 285         final Map<String,String> namedArgs = wikiTokenizer.functionNamedArgs();
 286
 287         if (functionName.equals("t") || functionName.equals("t+") || functionName.equals("t-") || functionName.equals("tø") || functionName.equals("apdx-t")) {
 288           if (args.size() < 2) {
 289             LOG.warning("{{t}} with too few args: " + line + ", title=" + title);
 290             continue;
 291           }
 292           final String langCode = get(args, 0);
 293           //if (this.langCodePattern.matcher(langCode).matches()) {
 294             final String word = get(args, 1);
 295             final String gender = get(args, 2);
 296             final String transliteration = namedArgs.get("tr");
 297             if (otherText.length() > 0) {
 298               otherText.append("");
 299             }
 300             otherText.append(word);
 301             otherIndexBuilder.addEntryWithString(indexedEntry, word, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 302             if (gender != null) {
 303               otherText.append(String.format(" {%s}", gender));
 304             }
 305             if (transliteration != null) {
 306               otherText.append(String.format(" (tr. %s)", transliteration));
 307               otherIndexBuilder.addEntryWithString(indexedEntry, transliteration, EntryTypeName.WIKTIONARY_TRANSLITERATION);
 308             }
 309           //}
 310         } else if (functionName.equals("qualifier")) {
 311           String qualifier = args.get(0);
 312           if (!namedArgs.isEmpty() || args.size() > 1) {
 313             LOG.warning("weird qualifier: " + line);
 314           }
 315           // Unindexed!
 316           otherText.append("(").append(qualifier).append(")");
 317         } else if (encodings.contains(functionName)) {
 318           otherText.append("").append(args.get(0));
 319           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 320         } else if (isGender(functionName)) {
 321           appendGender(otherText, functionName, args);
 322         } else if (functionName.equals("g")) {
 323           otherText.append("{g}");
 324         } else if (functionName.equals("l")) {
 325           // encodes text in various langs.
 326           // lang is arg 0.
 327           otherText.append("").append(args.get(1));
 328           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(1), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 329           // TODO: transliteration
 330         } else if (functionName.equals("term")) {
 331           // cross-reference to another dictionary
 332           otherText.append("").append(args.get(0));
 333           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 334           // TODO: transliteration
 335         } else if (functionName.equals("italbrac") || functionName.equals("gloss")) {
 336           // TODO: put this text aside to use it.
 337           otherText.append("[").append(args.get(0)).append("]");
 338           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 339         } else if (functionName.equals("ttbc")) {
 340           LOG.warning("Unexpected {{ttbc}}");
 341         } else if (functionName.equals("trreq")) {
 342         } else if (functionName.equals("not used")) {
 343           otherText.append("(not used)");
 344         } else if (functionName.equals("t-image")) {
 345           // American sign language
 346         } else {
 347           // Unindexed!
 348           otherText.append(wikiTokenizer.token());
 349         }
 350
 351       } else if (wikiTokenizer.isNewline()) {
 352         assert false;
 353       } else if (wikiTokenizer.isComment()) {
 354       } else if (wikiTokenizer.isMarkup()) {
 355       } else {
 356         LOG.warning("Bad translation token: " + wikiTokenizer.token());
 357       }
 358     }
 359     if (otherText.length() == 0) {
 360       LOG.warning("Empty otherText: " + line);
 361       return;
 362     }
 363
 364     StringBuilder englishText = new StringBuilder();
 365
 366     englishText.append(title);
 367     if (sense != null) {
 368       englishText.append(" (").append(sense).append(")");
 369       enIndexBuilder.addEntryWithString(indexedEntry, sense, EntryTypeName.WIKTIONARY_TRANSLATION_SENSE, EntryTypeName.WIKTIONARY_TRANSLATION_SENSE);
 370     }
 371     if (pos != null) {
 372       englishText.append(" (").append(pos.toLowerCase()).append(")");
 373     }
 374     enIndexBuilder.addEntryWithString(indexedEntry, title, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 375
 376     final Pair pair = new Pair(trim(englishText.toString()), trim(otherText.toString()), swap);
 377     pairEntry.pairs.add(pair);
 378     if (!pairsAdded.add(pair.toString())) {
 379       LOG.warning("Duplicate pair: " + pair.toString());
 380     }
 381     if (pair.toString().equals("libero {m} :: free (adjective)")) {
 382       System.out.println();
 383     }
 384
 385   }
 386
 387
 388   private void appendGender(final StringBuilder otherText,
 389       final String functionName, final List<String> args) {
 390     otherText.append("{");
 391     otherText.append(functionName);
 392     for (int i = 0; i < args.size(); ++i) {
 393       otherText.append("|").append(args.get(i));
 394     }
 395     otherText.append("}");
 396   }
 397
 398
 399   private boolean isGender(final String functionName) {
 400     return functionName.equals("m") || functionName.equals("f") || functionName.equals("n") || functionName.equals("p");
 401   }
 402
 403   Set<String> pairsAdded = new LinkedHashSet<String>();
 404
 405   // -------------------------------------------------------------------------
 406
 407   private void doForeignWord(final String title, final String text) {
 408     final WikiTokenizer wikiTokenizer = new WikiTokenizer(text);
 409     while (wikiTokenizer.nextToken() != null) {
 410       if (wikiTokenizer.isHeading()) {
 411         final String headingName = wikiTokenizer.headingWikiText();
 412         if (headingName.equals("Translations")) {
 413           LOG.warning("Translations not in English section: " + title);
 414         } else if (headingName.equals("Pronunciation")) {
 415           //doPronunciation(wikiLineReader);
 416         } else if (partOfSpeechHeader.matcher(headingName).matches()) {
 417           doForeignPartOfSpeech(title, headingName, wikiTokenizer.headingDepth(), wikiTokenizer);
 418         }
 419       } else {
 420       }
 421     }
 422   }
 423
 424   static final class ListSection {
 425     final String firstPrefix;
 426     final String firstLine;
 427     final List<String> nextPrefixes = new ArrayList<String>();
 428     final List<String> nextLines = new ArrayList<String>();
 429
 430     public ListSection(String firstPrefix, String firstLine) {
 431       this.firstPrefix = firstPrefix;
 432       this.firstLine = firstLine;
 433     }
 434
 435     @Override
 436     public String toString() {
 437       return firstPrefix + firstLine + "{ " + nextPrefixes + "}";
 438     }
 439   }
 440
 441
 442   int foreignCount = 0;
 443   private void doForeignPartOfSpeech(String title, final String posHeading, final int posDepth, WikiTokenizer wikiTokenizer) {
 444     if (++foreignCount % 1000 == 0) {
 445       LOG.info("***" + title + ", pos=" + posHeading + ", foreignCount=" + foreignCount);
 446     }
 447     if (title.equals("moro")) {
 448       System.out.println();
 449     }
 450
 451     final StringBuilder foreignBuilder = new StringBuilder();
 452     final Collection<String> wordForms = new ArrayList<String>();
 453     final List<ListSection> listSections = new ArrayList<ListSection>();
 454
 455     try {
 456
 457     ListSection lastListSection = null;
 458
 459     int currentHeadingDepth = posDepth;
 460     while (wikiTokenizer.nextToken() != null) {
 461       if (wikiTokenizer.isHeading()) {
 462         currentHeadingDepth = wikiTokenizer.headingDepth();
 463
 464         if (currentHeadingDepth <= posDepth) {
 465           wikiTokenizer.returnToLineStart();
 466           return;
 467         }
 468       }
 469
 470       if (currentHeadingDepth > posDepth) {
 471         // TODO
 472         continue;
 473       }
 474
 475       if (wikiTokenizer.isFunction()) {
 476         final String name = wikiTokenizer.functionName();
 477         final List<String> args = wikiTokenizer.functionPositionArgs();
 478         final Map<String,String> namedArgs = wikiTokenizer.functionNamedArgs();
 479         // First line is generally a repeat of the title with some extra information.
 480         // We need to build up the left side (foreign text, tokens) separately from the
 481         // right side (English).  The left-side may get paired with multiple right sides.
 482         // The left side should get filed under every form of the word in question (singular, plural).
 483
 484         // For verbs, the conjugation comes later on in a deeper section.
 485         // Ideally, we'd want to file every English entry with the verb
 486         // under every verb form coming from the conjugation.
 487         // Ie. under "fa": see: "make :: fare" and "do :: fare"
 488         // But then where should we put the conjugation table?
 489         // 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!)
 490         // for the conjugation table from "fa".
 491         // Would like to be able to link to a lang#token.
 492       if (isGender(name)) {
 493         appendGender(foreignBuilder, name, args);
 494       } else if (name.equals("wikipedia")) {
 495         namedArgs.remove("lang");
 496         if (args.size() > 1 || !namedArgs.isEmpty()) {
 497           // Unindexed!
 498           foreignBuilder.append(wikiTokenizer.token());
 499         } else if (args.size() == 1) {
 500           foreignBuilder.append(wikiTokenizer.token());
 501         } else {
 502           //foreignBuilder.append(title);
 503         }
 504       } else if (name.equals("it-noun")) {
 505           final String base = get(args, 0);
 506           final String gender = get(args, 1);
 507           final String singular = base + get(args, 2);
 508           final String plural = base + get(args, 3);
 509           foreignBuilder.append(String.format(" %s {%s}, %s {pl}", singular, gender, plural, plural));
 510           wordForms.add(singular);
 511           wordForms.add(plural);
 512         } else if (name.equals("it-proper noun")) {
 513           foreignBuilder.append(wikiTokenizer.token());
 514         } else if (name.equals("it-adj")) {
 515           foreignBuilder.append(wikiTokenizer.token());
 516         } else if (name.startsWith("it-conj")) {
 517           if (name.equals("it-conj-are")) {
 518             itConjAre(args, namedArgs);
 519           } else if (name.equals("it-conj-ere")) {
 520           } else if (name.equals("it-conj-ire")) {
 521           } else {
 522             LOG.warning("Unknown conjugation: " + wikiTokenizer.token());
 523           }
 524         } else {
 525           // Unindexed!
 526           foreignBuilder.append(wikiTokenizer.token());
 527           // LOG.warning("Unknown function: " + wikiTokenizer.token());
 528         }
 529
 530       } else if (wikiTokenizer.isListItem()) {
 531         final String prefix = wikiTokenizer.listItemPrefix();
 532         if (lastListSection != null &&
 533             prefix.startsWith(lastListSection.firstPrefix) &&
 534             prefix.length() > lastListSection.firstPrefix.length()) {
 535           lastListSection.nextPrefixes.add(prefix);
 536           lastListSection.nextLines.add(wikiTokenizer.listItemWikiText());
 537         } else {
 538           lastListSection = new ListSection(prefix, wikiTokenizer.listItemWikiText());
 539           listSections.add(lastListSection);
 540         }
 541       } else if (lastListSection != null) {
 542         // Don't append anything after the lists, because there's crap.
 543       } else if (wikiTokenizer.isWikiLink()) {
 544         // Unindexed!
 545         foreignBuilder.append(wikiTokenizer.wikiLinkText());
 546
 547       } else if (wikiTokenizer.isPlainText()) {
 548         // Unindexed!
 549         foreignBuilder.append(wikiTokenizer.token());
 550
 551       } else if (wikiTokenizer.isMarkup() || wikiTokenizer.isNewline() || wikiTokenizer.isComment()) {
 552         // Do nothing.
 553       } else {
 554         LOG.warning("Unexpected token: " + wikiTokenizer.token());
 555       }
 556     }
 557
 558     } finally {
 559       // Here's where we exit.
 560       // TODO: Should we make an entry even if there are no foreign list items?
 561       String foreign = foreignBuilder.toString().trim();
 562       if (!foreign.toLowerCase().startsWith(title.toLowerCase())) {
 563         foreign = title + " " + foreign;
 564       }
 565       for (final ListSection listSection : listSections) {
 566         doForeignListItem(foreign, title, wordForms, listSection);
 567       }
 568     }
 569   }
 570
 571
 572   static final Pattern UNINDEXED_WIKI_TEXT = Pattern.compile(
 573       "(first|second|third)-person (singular|plural)|" +
 574       "present tense|" +
 575       "imperative"
 576       );
 577
 578
 579   private void doForeignListItem(final String foreignText, String title, final Collection<String> forms, final ListSection listSection) {
 580
 581     final String prefix = listSection.firstPrefix;
 582     if (prefix.length() > 1) {
 583       LOG.warning("Prefix too long: " + listSection);
 584       return;
 585     }
 586
 587     final PairEntry pairEntry = new PairEntry();
 588     final IndexedEntry indexedEntry = new IndexedEntry(pairEntry);
 589
 590     final StringBuilder englishBuilder = new StringBuilder();
 591
 592     final String mainLine = listSection.firstLine;
 593
 594     final WikiTokenizer englishTokenizer = new WikiTokenizer(mainLine, false);
 595     while (englishTokenizer.nextToken() != null) {
 596       // TODO handle form of....
 597       if (englishTokenizer.isPlainText()) {
 598         englishBuilder.append(englishTokenizer.token());
 599         enIndexBuilder.addEntryWithString(indexedEntry, englishTokenizer.token(), EntryTypeName.WIKTIONARY_ENGLISH_DEF);
 600       } else if (englishTokenizer.isWikiLink()) {
 601         final String text = englishTokenizer.wikiLinkText();
 602         final String link = englishTokenizer.wikiLinkDest();
 603         if (link != null) {
 604           if (link.contains("#English")) {
 605             englishBuilder.append(text);
 606             enIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_WIKI_LINK);
 607           } else if (link.contains("#") && this.langPattern.matcher(link).find()) {
 608             englishBuilder.append(text);
 609             otherIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_OTHER_LANG);
 610           } else if (link.equals("plural")) {
 611             englishBuilder.append(text);
 612           } else {
 613             //LOG.warning("Special link: " + englishTokenizer.token());
 614             enIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_WIKI_LINK);
 615             englishBuilder.append(text);
 616           }
 617         } else {
 618           // link == null
 619           englishBuilder.append(text);
 620           if (!UNINDEXED_WIKI_TEXT.matcher(text).find()) {
 621             enIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_WIKI_LINK);
 622           }
 623         }
 624       } else if (englishTokenizer.isFunction()) {
 625         final String name = englishTokenizer.functionName();
 626         if (name.contains("conjugation of ") ||
 627             name.contains("form of ") ||
 628             name.contains("feminine of ") ||
 629             name.contains("plural of ")) {
 630           // Ignore these in the index, they're really annoying....
 631           englishBuilder.append(englishTokenizer.token());
 632         } else {
 633           englishBuilder.append(englishTokenizer.token());
 634 //          LOG.warning("Unexpected function: " + englishTokenizer.token());
 635         }
 636       } else {
 637         if (englishTokenizer.isComment() || englishTokenizer.isMarkup()) {
 638         } else {
 639           LOG.warning("Unexpected definition text: " + englishTokenizer.token());
 640         }
 641       }
 642     }
 643
 644     final String english = trim(englishBuilder.toString());
 645     if (english.length() > 0) {
 646       final Pair pair = new Pair(english, trim(foreignText), this.swap);
 647       pairEntry.pairs.add(pair);
 648       otherIndexBuilder.addEntryWithString(indexedEntry, title, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 649       for (final String form : forms) {
 650         otherIndexBuilder.addEntryWithString(indexedEntry, form, EntryTypeName.WIKTIONARY_FORM_SINGLE, EntryTypeName.WIKTIONARY_FORM_MULTI);
 651       }
 652     }
 653
 654     // Do examples.
 655     String lastForeign = null;
 656     for (int i = 0; i < listSection.nextPrefixes.size(); ++i) {
 657       final String nextPrefix = listSection.nextPrefixes.get(i);
 658       final String nextLine = listSection.nextLines.get(i);
 659       int mdash = nextLine.indexOf("&mdash;");
 660       int mdashLen = 7;
 661       if (mdash == -1) {
 662         mdash = nextLine.indexOf("—");
 663         mdashLen = 1;
 664       }
 665       if (mdash == -1) {
 666         mdash = nextLine.indexOf("'',");
 667         mdashLen = 3;
 668       }
 669       if (mdash == -1) {
 670         mdash = nextLine.indexOf(" - ");
 671         mdashLen = 3;
 672       }
 673
 674       // TODO: index and clean these!!!
 675       if (nextPrefix.equals("#:") && mdash != -1) {
 676         final String foreignEx = nextLine.substring(0, mdash);
 677         final String englishEx = nextLine.substring(mdash + mdashLen);
 678         final Pair pair = new Pair(trim(englishEx), trim(foreignEx), swap);
 679         pairEntry.pairs.add(pair);
 680         lastForeign = null;
 681       } else if (nextPrefix.equals("#:")){
 682         final Pair pair = new Pair("--", trim(nextLine), swap);
 683         lastForeign = nextLine;
 684         pairEntry.pairs.add(pair);
 685       } else if (nextPrefix.equals("#::") || nextPrefix.equals("#**")) {
 686         if (lastForeign != null) {
 687           pairEntry.pairs.remove(pairEntry.pairs.size() - 1);
 688           final Pair pair = new Pair(nextLine, lastForeign, swap);
 689           pairEntry.pairs.add(pair);
 690         } else {
 691           LOG.warning("English example with no foreign: " + title + ", " + nextLine);
 692         }
 693       } else if (nextPrefix.equals("#*")) {
 694         // Can't really index these.
 695         final Pair pair = new Pair("--", trim(nextLine), swap);
 696         lastForeign = nextLine;
 697         pairEntry.pairs.add(pair);
 698       } else if (nextPrefix.equals("#::*")) {
 699         final Pair pair = new Pair("--", trim(nextLine), swap);
 700         pairEntry.pairs.add(pair);
 701       } else {
 702         assert false;
 703       }
 704     }
 705
 706
 707   }
 708
 709
 710   private void itConjAre(List<String> args, Map<String, String> namedArgs) {
 711     final String base = args.get(0);
 712     final String aux = args.get(1);
 713
 714     putIfMissing(namedArgs, "inf", base + "are");
 715     putIfMissing(namedArgs, "aux", aux);
 716     putIfMissing(namedArgs, "ger", base + "ando");
 717     putIfMissing(namedArgs, "presp", base + "ante");
 718     putIfMissing(namedArgs, "pastp", base + "ato");
 719     // Present
 720     putIfMissing(namedArgs, "pres1s", base + "o");
 721     putIfMissing(namedArgs, "pres2s", base + "i");
 722     putIfMissing(namedArgs, "pres3s", base + "a");
 723     putIfMissing(namedArgs, "pres1p", base + "iamo");
 724     putIfMissing(namedArgs, "pres2p", base + "ate");
 725     putIfMissing(namedArgs, "pres3p", base + "ano");
 726     // Imperfect
 727     putIfMissing(namedArgs, "imperf1s", base + "avo");
 728     putIfMissing(namedArgs, "imperf2s", base + "avi");
 729     putIfMissing(namedArgs, "imperf3s", base + "ava");
 730     putIfMissing(namedArgs, "imperf1p", base + "avamo");
 731     putIfMissing(namedArgs, "imperf2p", base + "avate");
 732     putIfMissing(namedArgs, "imperf3p", base + "avano");
 733     // Passato remoto
 734     putIfMissing(namedArgs, "prem1s", base + "ai");
 735     putIfMissing(namedArgs, "prem2s", base + "asti");
 736     putIfMissing(namedArgs, "prem3s", base + "ò");
 737     putIfMissing(namedArgs, "prem1p", base + "ammo");
 738     putIfMissing(namedArgs, "prem2p", base + "aste");
 739     putIfMissing(namedArgs, "prem3p", base + "arono");
 740     // Future
 741     putIfMissing(namedArgs, "fut1s", base + "erò");
 742     putIfMissing(namedArgs, "fut2s", base + "erai");
 743     putIfMissing(namedArgs, "fut3s", base + "erà");
 744     putIfMissing(namedArgs, "fut1p", base + "eremo");
 745     putIfMissing(namedArgs, "fut2p", base + "erete");
 746     putIfMissing(namedArgs, "fut3p", base + "eranno");
 747     // Conditional
 748     putIfMissing(namedArgs, "cond1s", base + "erei");
 749     putIfMissing(namedArgs, "cond2s", base + "eresti");
 750     putIfMissing(namedArgs, "cond3s", base + "erebbe");
 751     putIfMissing(namedArgs, "cond1p", base + "eremmo");
 752     putIfMissing(namedArgs, "cond2p", base + "ereste");
 753     putIfMissing(namedArgs, "cond3p", base + "erebbero");
 754     // Subjunctive / congiuntivo
 755     putIfMissing(namedArgs, "sub123s", base + "i");
 756     putIfMissing(namedArgs, "sub1p", base + "iamo");
 757     putIfMissing(namedArgs, "sub2p", base + "iate");
 758     putIfMissing(namedArgs, "sub3p", base + "ino");
 759     // Imperfect subjunctive
 760     putIfMissing(namedArgs, "impsub12s", base + "assi");
 761     putIfMissing(namedArgs, "impsub3s", base + "asse");
 762     putIfMissing(namedArgs, "impsub1p", base + "assimo");
 763     putIfMissing(namedArgs, "impsub2p", base + "aste");
 764     putIfMissing(namedArgs, "impsub3p", base + "assero");
 765     // Imperative
 766     putIfMissing(namedArgs, "imp2s", base + "a");
 767     putIfMissing(namedArgs, "imp3s", base + "i");
 768     putIfMissing(namedArgs, "imp1p", base + "iamo");
 769     putIfMissing(namedArgs, "imp2p", base + "ate");
 770     putIfMissing(namedArgs, "imp3p", base + "ino");
 771
 772
 773     itConj(args, namedArgs);
 774   }
 775
 776
 777   private void itConj(List<String> args, Map<String, String> namedArgs) {
 778     // TODO Auto-generated method stub
 779
 780   }
 781
 782
 783   private static void putIfMissing(final Map<String, String> namedArgs, final String key,
 784       final String value) {
 785     final String oldValue = namedArgs.get(key);
 786     if (oldValue == null || oldValue.length() == 0) {
 787       namedArgs.put(key, value);
 788     }
 789   }
 790
 791   // TODO: check how ='' and =| are manifested....
 792   // TODO: get this right in -are
 793   private static void putOrNullify(final Map<String, String> namedArgs, final String key,
 794       final String value) {
 795     final String oldValue = namedArgs.get(key);
 796     if (oldValue == null/* || oldValue.length() == 0*/) {
 797       namedArgs.put(key, value);
 798     } else {
 799       if (oldValue.equals("''")) {
 800         namedArgs.put(key, "");
 801       }
 802     }
 803   }
 804
 805   static final Pattern whitespace = Pattern.compile("\\s+");
 806   static String trim(final String s) {
 807     return whitespace.matcher(s).replaceAll(" ").trim();
 808   }
 809
 810
 811 }