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.LinkedHashSet;
  27 import java.util.List;
  28 import java.util.Map;
  29 import java.util.Set;
  30 import java.util.logging.Logger;
  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   static final Logger LOG = Logger.getLogger(EnWiktionaryXmlParser.class.getName());
  42
  43   // TODO: process {{ttbc}} lines
  44
  45   static final Pattern partOfSpeechHeader = Pattern.compile(
  46       "Noun|Verb|Adjective|Adverb|Pronoun|Conjunction|Interjection|" +
  47       "Preposition|Proper noun|Article|Prepositional phrase|Acronym|" +
  48       "Abbreviation|Initialism|Contraction|Prefix|Suffix|Symbol|Letter|" +
  49       "Ligature|Idiom|Phrase|" +
  50       // These are @deprecated:
  51       "Noun form|Verb form|Adjective form|Nominal phrase|Noun phrase|" +
  52       "Verb phrase|Transitive verb|Intransitive verb|Reflexive verb|" +
  53       // These are extras I found:
  54       "Determiner|Numeral|Number|Cardinal number|Ordinal number|Proverb|" +
  55       "Particle|Interjection|Pronominal adverb" +
  56       "Han character|Hanzi|Hanja|Kanji|Katakana character|Syllable");
  57
  58   final IndexBuilder enIndexBuilder;
  59   final IndexBuilder otherIndexBuilder;
  60   final Pattern langPattern;
  61   final Pattern langCodePattern;
  62   final boolean swap;
  63
  64   public EnWiktionaryXmlParser(final IndexBuilder enIndexBuilder, final IndexBuilder otherIndexBuilder, final Pattern langPattern, final Pattern langCodePattern, final boolean swap) {
  65     this.enIndexBuilder = enIndexBuilder;
  66     this.otherIndexBuilder = otherIndexBuilder;
  67     this.langPattern = langPattern;
  68     this.langCodePattern = langCodePattern;
  69     this.swap = swap;
  70   }
  71
  72
  73   public void parse(final File file, final int pageLimit) throws IOException {
  74     int pageCount = 0;
  75     final DataInputStream dis = new DataInputStream(new BufferedInputStream(new FileInputStream(file)));
  76     while (true) {
  77       if (pageLimit >= 0 && pageCount >= pageLimit) {
  78         return;
  79       }
  80
  81       final String title;
  82       try {
  83         title = dis.readUTF();
  84       } catch (EOFException e) {
  85         dis.close();
  86         return;
  87       }
  88       final String heading = dis.readUTF();
  89       final int bytesLength = dis.readInt();
  90       final byte[] bytes = new byte[bytesLength];
  91       dis.readFully(bytes);
  92       final String text = new String(bytes, "UTF8");
  93
  94       parseSection(title, heading, text);
  95
  96       ++pageCount;
  97       if (pageCount % 1000 == 0) {
  98         LOG.info("pageCount=" + pageCount);
  99       }
 100     }
 101   }
 102
 103   private void parseSection(final String title, String heading, final String text) {
 104     if (title.startsWith("Wiktionary:") ||
 105         title.startsWith("Template:") ||
 106         title.startsWith("Appendix:") ||
 107         title.startsWith("Category:") ||
 108         title.startsWith("Index:") ||
 109         title.startsWith("MediaWiki:") ||
 110         title.startsWith("TransWiki:") ||
 111         title.startsWith("Citations:") ||
 112         title.startsWith("Concordance:") ||
 113         title.startsWith("Help:")) {
 114       return;
 115     }
 116
 117     heading = heading.replaceAll("=", "").trim();
 118     if (heading.equals("English")) {
 119       doEnglishWord(title, text);
 120     } else if (langPattern.matcher(heading).matches()){
 121       doForeignWord(title, text);
 122     }
 123
 124   }  // endPage()
 125
 126   // -------------------------------------------------------------------------
 127
 128   private void doEnglishWord(String title, String text) {
 129
 130     String pos = null;
 131     int posDepth = -1;
 132
 133     final WikiTokenizer wikiTokenizer = new WikiTokenizer(text);
 134     while (wikiTokenizer.nextToken() != null) {
 135
 136       if (wikiTokenizer.isHeading()) {
 137         final String headerName = wikiTokenizer.headingWikiText();
 138
 139         if (wikiTokenizer.headingDepth() <= posDepth) {
 140           pos = null;
 141           posDepth = -1;
 142         }
 143
 144         if (partOfSpeechHeader.matcher(headerName).matches()) {
 145           posDepth = wikiTokenizer.headingDepth();
 146           pos = wikiTokenizer.headingWikiText();
 147         } else if (headerName.equals("Translations")) {
 148           if (pos == null) {
 149             LOG.warning("Translations without POS: " + title);
 150           }
 151           doTranslations(title, wikiTokenizer, pos);
 152         } else if (headerName.equals("Pronunciation")) {
 153           //doPronunciation(wikiLineReader);
 154         }
 155       }
 156     }
 157   }
 158
 159
 160   private static Set<String> encodings = new LinkedHashSet<String>(Arrays.asList("zh-ts",
 161       "sd-Arab", "ku-Arab", "Arab", "unicode", "Laoo", "ur-Arab", "Thai",
 162       "fa-Arab", "Khmr", "zh-tsp", "Cyrl", "IPAchar", "ug-Arab", "ko-inline",
 163       "Jpan", "Kore", "Hebr", "rfscript", "Beng", "Mong", "Knda", "Cyrs",
 164       "yue-tsj", "Mlym", "Tfng", "Grek", "yue-yue-j"));
 165
 166   private void doTranslations(final String title, final WikiTokenizer wikiTokenizer, final String pos) {
 167     if (title.equals("absolutely")) {
 168       System.out.println();
 169     }
 170
 171     String sense = null;
 172     boolean done = false;
 173     while (wikiTokenizer.nextToken() != null) {
 174       if (wikiTokenizer.isHeading()) {
 175         wikiTokenizer.returnToLineStart();
 176         return;
 177       }
 178       if (done) {
 179         continue;
 180       }
 181
 182       // Check whether we care about this line:
 183
 184       //line = WikiLineReader.removeSquareBrackets(line);
 185
 186       if (wikiTokenizer.isFunction()) {
 187         final String functionName = wikiTokenizer.functionName();
 188         final List<String> positionArgs = wikiTokenizer.functionPositionArgs();
 189
 190         if (functionName.equals("trans-top")) {
 191           sense = null;
 192           if (wikiTokenizer.functionPositionArgs().size() >= 1) {
 193             sense = positionArgs.get(0);
 194             // TODO: could emphasize words in [[brackets]] inside sense.
 195             sense = WikiTokenizer.toPlainText(sense);
 196             //LOG.info("Sense: " + sense);
 197           }
 198         } else if (functionName.equals("trans-bottom")) {
 199           sense = null;
 200         } else if (functionName.equals("trans-mid")) {
 201         } else if (functionName.equals("trans-see")) {
 202           // TODO: would also be nice...
 203         } else if (functionName.startsWith("picdic")) {
 204         } else if (functionName.startsWith("checktrans")) {
 205         } else if (functionName.startsWith("ttbc")) {
 206           wikiTokenizer.nextLine();
 207           // TODO: would be great to handle ttbc
 208           // TODO: Check this: done = true;
 209         } else {
 210           LOG.warning("Unexpected translation wikifunction: " + wikiTokenizer.token() + ", title=" + title);
 211         }
 212       } else if (wikiTokenizer.isListItem()) {
 213         final String line = wikiTokenizer.listItemWikiText();
 214         // This line could produce an output...
 215
 216         // First strip the language and check whether it matches.
 217         // And hold onto it for sub-lines.
 218         final int colonIndex = line.indexOf(":");
 219         if (colonIndex == -1) {
 220           continue;
 221         }
 222
 223         final String lang = line.substring(0, colonIndex);
 224         if (!this.langPattern.matcher(lang).find()) {
 225           continue;
 226         }
 227
 228         String rest = line.substring(colonIndex + 1).trim();
 229         if (rest.length() > 0) {
 230           doTranslationLine(line, title, pos, sense, rest);
 231         } else {
 232           // TODO: do lines that are like "Greek:"
 233         }
 234
 235       } else if (wikiTokenizer.remainderStartsWith("''See''")) {
 236         wikiTokenizer.nextLine();
 237         LOG.fine("Skipping line: " + wikiTokenizer.token());
 238       } else if (wikiTokenizer.isWikiLink()) {
 239         final String wikiLink = wikiTokenizer.wikiLinkText();
 240         if (wikiLink.contains(":") && wikiLink.contains(title)) {
 241         } else if (wikiLink.contains("Category:")) {
 242         } else  {
 243           LOG.warning("Unexpected wikiLink: " + wikiTokenizer.token() + ", title=" + title);
 244         }
 245       } else if (wikiTokenizer.isNewline() || wikiTokenizer.isMarkup() || wikiTokenizer.isComment()) {
 246       } else {
 247         final String token = wikiTokenizer.token();
 248         if (token.equals("----")) {
 249         } else {
 250           LOG.warning("Unexpected translation token: " + wikiTokenizer.token() + ", title=" + title);
 251         }
 252       }
 253
 254     }
 255   }
 256
 257   private static <T> T get(final List<T> list, final int index) {
 258     return index < list.size() ? list.get(index) : null;
 259   }
 260
 261   private void doTranslationLine(final String line, final String title, final String pos, final String sense, final String rest) {
 262     // Good chance we'll actually file this one...
 263     final PairEntry pairEntry = new PairEntry();
 264     final IndexedEntry indexedEntry = new IndexedEntry(pairEntry);
 265
 266     final StringBuilder otherText = new StringBuilder();
 267     final WikiTokenizer wikiTokenizer = new WikiTokenizer(rest, false);
 268     while (wikiTokenizer.nextToken() != null) {
 269
 270       if (wikiTokenizer.isPlainText()) {
 271         final String plainText = wikiTokenizer.token();
 272         otherText.append("").append(plainText);
 273         otherIndexBuilder.addEntryWithString(indexedEntry, plainText, EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 274
 275       } else if (wikiTokenizer.isWikiLink()) {
 276         final String plainText = wikiTokenizer.wikiLinkText();
 277         otherText.append("").append(plainText);
 278         otherIndexBuilder.addEntryWithString(indexedEntry, plainText, EntryTypeName.WIKTIONARY_TRANSLATION_WIKI_TEXT);
 279
 280       } else if (wikiTokenizer.isFunction()) {
 281         final String functionName = wikiTokenizer.functionName();
 282         final List<String> args = wikiTokenizer.functionPositionArgs();
 283         final Map<String,String> namedArgs = wikiTokenizer.functionNamedArgs();
 284
 285         if (functionName.equals("t") || functionName.equals("t+") || functionName.equals("t-") || functionName.equals("tø") || functionName.equals("apdx-t")) {
 286           if (args.size() < 2) {
 287             LOG.warning("{{t}} with too few args: " + line + ", title=" + title);
 288             continue;
 289           }
 290           final String langCode = get(args, 0);
 291           //if (this.langCodePattern.matcher(langCode).matches()) {
 292             final String word = get(args, 1);
 293             final String gender = get(args, 2);
 294             final String transliteration = namedArgs.get("tr");
 295             if (otherText.length() > 0) {
 296               otherText.append("");
 297             }
 298             otherText.append(word);
 299             otherIndexBuilder.addEntryWithString(indexedEntry, word, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 300             if (gender != null) {
 301               otherText.append(String.format(" {%s}", gender));
 302             }
 303             if (transliteration != null) {
 304               otherText.append(String.format(" (tr. %s)", transliteration));
 305               otherIndexBuilder.addEntryWithString(indexedEntry, transliteration, EntryTypeName.WIKTIONARY_TRANSLITERATION);
 306             }
 307           //}
 308         } else if (functionName.equals("qualifier")) {
 309           if (args.size() == 0) {
 310            otherText.append(wikiTokenizer.token());
 311           } else {
 312             String qualifier = args.get(0);
 313             if (!namedArgs.isEmpty() || args.size() > 1) {
 314               LOG.warning("weird qualifier: " + line);
 315             }
 316             // Unindexed!
 317             otherText.append("(").append(qualifier).append(")");
 318           }
 319         } else if (encodings.contains(functionName)) {
 320           otherText.append("").append(args.get(0));
 321           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 322         } else if (isGender(functionName)) {
 323           appendGender(otherText, functionName, args);
 324         } else if (functionName.equals("g")) {
 325           otherText.append("{g}");
 326         } else if (functionName.equals("l")) {
 327           // encodes text in various langs.
 328           // lang is arg 0.
 329           otherText.append("").append(args.get(1));
 330           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(1), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 331           // TODO: transliteration
 332         } else if (functionName.equals("term")) {
 333           // cross-reference to another dictionary
 334           otherText.append("").append(args.get(0));
 335           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 336           // TODO: transliteration
 337         } else if (functionName.equals("italbrac") || functionName.equals("gloss")) {
 338           // TODO: put this text aside to use it.
 339           otherText.append("[").append(args.get(0)).append("]");
 340           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 341         } else if (functionName.equals("ttbc")) {
 342           LOG.warning("Unexpected {{ttbc}}");
 343         } else if (functionName.equals("trreq")) {
 344         } else if (functionName.equals("not used")) {
 345           otherText.append("(not used)");
 346         } else if (functionName.equals("t-image")) {
 347           // American sign language
 348         } else {
 349           // Unindexed!
 350           otherText.append(wikiTokenizer.token());
 351         }
 352
 353       } else if (wikiTokenizer.isNewline()) {
 354         assert false;
 355       } else if (wikiTokenizer.isComment()) {
 356       } else if (wikiTokenizer.isMarkup()) {
 357       } else {
 358         LOG.warning("Bad translation token: " + wikiTokenizer.token());
 359       }
 360     }
 361     if (otherText.length() == 0) {
 362       LOG.warning("Empty otherText: " + line);
 363       return;
 364     }
 365
 366     StringBuilder englishText = new StringBuilder();
 367
 368     englishText.append(title);
 369     if (sense != null) {
 370       englishText.append(" (").append(sense).append(")");
 371       enIndexBuilder.addEntryWithString(indexedEntry, sense, EntryTypeName.WIKTIONARY_TRANSLATION_SENSE, EntryTypeName.WIKTIONARY_TRANSLATION_SENSE);
 372     }
 373     if (pos != null) {
 374       englishText.append(" (").append(pos.toLowerCase()).append(")");
 375     }
 376     enIndexBuilder.addEntryWithString(indexedEntry, title, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 377
 378     final Pair pair = new Pair(trim(englishText.toString()), trim(otherText.toString()), swap);
 379     pairEntry.pairs.add(pair);
 380     if (!pairsAdded.add(pair.toString())) {
 381       LOG.warning("Duplicate pair: " + pair.toString());
 382     }
 383     if (pair.toString().equals("libero {m} :: free (adjective)")) {
 384       System.out.println();
 385     }
 386
 387   }
 388
 389
 390   private void appendGender(final StringBuilder otherText,
 391       final String functionName, final List<String> args) {
 392     otherText.append("{");
 393     otherText.append(functionName);
 394     for (int i = 0; i < args.size(); ++i) {
 395       otherText.append("|").append(args.get(i));
 396     }
 397     otherText.append("}");
 398   }
 399
 400
 401   private boolean isGender(final String functionName) {
 402     return functionName.equals("m") || functionName.equals("f") || functionName.equals("n") || functionName.equals("p");
 403   }
 404
 405   Set<String> pairsAdded = new LinkedHashSet<String>();
 406
 407   // -------------------------------------------------------------------------
 408
 409   private void doForeignWord(final String title, final String text) {
 410     final WikiTokenizer wikiTokenizer = new WikiTokenizer(text);
 411     while (wikiTokenizer.nextToken() != null) {
 412       if (wikiTokenizer.isHeading()) {
 413         final String headingName = wikiTokenizer.headingWikiText();
 414         if (headingName.equals("Translations")) {
 415           LOG.warning("Translations not in English section: " + title);
 416         } else if (headingName.equals("Pronunciation")) {
 417           //doPronunciation(wikiLineReader);
 418         } else if (partOfSpeechHeader.matcher(headingName).matches()) {
 419           doForeignPartOfSpeech(title, headingName, wikiTokenizer.headingDepth(), wikiTokenizer);
 420         }
 421       } else {
 422       }
 423     }
 424   }
 425
 426   static final class ListSection {
 427     final String firstPrefix;
 428     final String firstLine;
 429     final List<String> nextPrefixes = new ArrayList<String>();
 430     final List<String> nextLines = new ArrayList<String>();
 431
 432     public ListSection(String firstPrefix, String firstLine) {
 433       this.firstPrefix = firstPrefix;
 434       this.firstLine = firstLine;
 435     }
 436
 437     @Override
 438     public String toString() {
 439       return firstPrefix + firstLine + "{ " + nextPrefixes + "}";
 440     }
 441   }
 442
 443
 444   int foreignCount = 0;
 445   private void doForeignPartOfSpeech(String title, final String posHeading, final int posDepth, WikiTokenizer wikiTokenizer) {
 446     if (++foreignCount % 1000 == 0) {
 447       LOG.info("***" + title + ", pos=" + posHeading + ", foreignCount=" + foreignCount);
 448     }
 449     if (title.equals("moro")) {
 450       System.out.println();
 451     }
 452
 453     final StringBuilder foreignBuilder = new StringBuilder();
 454     final Collection<String> wordForms = new ArrayList<String>();
 455     final List<ListSection> listSections = new ArrayList<ListSection>();
 456
 457     try {
 458
 459     ListSection lastListSection = null;
 460
 461     int currentHeadingDepth = posDepth;
 462     while (wikiTokenizer.nextToken() != null) {
 463       if (wikiTokenizer.isHeading()) {
 464         currentHeadingDepth = wikiTokenizer.headingDepth();
 465
 466         if (currentHeadingDepth <= posDepth) {
 467           wikiTokenizer.returnToLineStart();
 468           return;
 469         }
 470       }
 471
 472       if (currentHeadingDepth > posDepth) {
 473         // TODO: deal with other neat info sections
 474         continue;
 475       }
 476
 477       if (wikiTokenizer.isFunction()) {
 478         final String name = wikiTokenizer.functionName();
 479         final List<String> args = wikiTokenizer.functionPositionArgs();
 480         final Map<String,String> namedArgs = wikiTokenizer.functionNamedArgs();
 481         // First line is generally a repeat of the title with some extra information.
 482         // We need to build up the left side (foreign text, tokens) separately from the
 483         // right side (English).  The left-side may get paired with multiple right sides.
 484         // The left side should get filed under every form of the word in question (singular, plural).
 485
 486         // For verbs, the conjugation comes later on in a deeper section.
 487         // Ideally, we'd want to file every English entry with the verb
 488         // under every verb form coming from the conjugation.
 489         // Ie. under "fa": see: "make :: fare" and "do :: fare"
 490         // But then where should we put the conjugation table?
 491         // 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!)
 492         // for the conjugation table from "fa".
 493         // Would like to be able to link to a lang#token.
 494       if (isGender(name)) {
 495         appendGender(foreignBuilder, name, args);
 496       } else if (name.equals("wikipedia")) {
 497         namedArgs.remove("lang");
 498         if (args.size() > 1 || !namedArgs.isEmpty()) {
 499           // Unindexed!
 500           foreignBuilder.append(wikiTokenizer.token());
 501         } else if (args.size() == 1) {
 502           foreignBuilder.append(wikiTokenizer.token());
 503         } else {
 504           //foreignBuilder.append(title);
 505         }
 506       } else if (name.equals("it-noun")) {
 507           final String base = get(args, 0);
 508           final String gender = get(args, 1);
 509           final String singular = base + get(args, 2);
 510           final String plural = base + get(args, 3);
 511           foreignBuilder.append(String.format(" %s {%s}, %s {pl}", singular, gender, plural, plural));
 512           wordForms.add(singular);
 513           wordForms.add(plural);
 514         } else if (name.equals("it-proper noun")) {
 515           foreignBuilder.append(wikiTokenizer.token());
 516         } else if (name.equals("it-adj")) {
 517           foreignBuilder.append(wikiTokenizer.token());
 518         } else if (name.startsWith("it-conj")) {
 519           if (name.equals("it-conj-are")) {
 520             itConjAre(args, namedArgs);
 521           } else if (name.equals("it-conj-ere")) {
 522           } else if (name.equals("it-conj-ire")) {
 523           } else {
 524             LOG.warning("Unknown conjugation: " + wikiTokenizer.token());
 525           }
 526         } else {
 527           // Unindexed!
 528           foreignBuilder.append(wikiTokenizer.token());
 529           // LOG.warning("Unknown function: " + wikiTokenizer.token());
 530         }
 531
 532       } else if (wikiTokenizer.isListItem()) {
 533         final String prefix = wikiTokenizer.listItemPrefix();
 534         if (lastListSection != null &&
 535             prefix.startsWith(lastListSection.firstPrefix) &&
 536             prefix.length() > lastListSection.firstPrefix.length()) {
 537           lastListSection.nextPrefixes.add(prefix);
 538           lastListSection.nextLines.add(wikiTokenizer.listItemWikiText());
 539         } else {
 540           lastListSection = new ListSection(prefix, wikiTokenizer.listItemWikiText());
 541           listSections.add(lastListSection);
 542         }
 543       } else if (lastListSection != null) {
 544         // Don't append anything after the lists, because there's crap.
 545       } else if (wikiTokenizer.isWikiLink()) {
 546         // Unindexed!
 547         foreignBuilder.append(wikiTokenizer.wikiLinkText());
 548
 549       } else if (wikiTokenizer.isPlainText()) {
 550         // Unindexed!
 551         foreignBuilder.append(wikiTokenizer.token());
 552
 553       } else if (wikiTokenizer.isMarkup() || wikiTokenizer.isNewline() || wikiTokenizer.isComment()) {
 554         // Do nothing.
 555       } else {
 556         LOG.warning("Unexpected token: " + wikiTokenizer.token());
 557       }
 558     }
 559
 560     } finally {
 561       // Here's where we exit.
 562       // Should we make an entry even if there are no foreign list items?
 563       String foreign = foreignBuilder.toString().trim();
 564       if (!foreign.toLowerCase().startsWith(title.toLowerCase())) {
 565         foreign = title + " " + foreign;
 566       }
 567       for (final ListSection listSection : listSections) {
 568         doForeignListItem(foreign, title, wordForms, listSection);
 569       }
 570     }
 571   }
 572
 573
 574   static final Pattern UNINDEXED_WIKI_TEXT = Pattern.compile(
 575       "(first|second|third)-person (singular|plural)|" +
 576       "present tense|" +
 577       "imperative"
 578       );
 579
 580
 581   private void doForeignListItem(final String foreignText, String title, final Collection<String> forms, final ListSection listSection) {
 582
 583     final String prefix = listSection.firstPrefix;
 584     if (prefix.length() > 1) {
 585       // Could just get looser and say that any prefix longer than first is a sublist.
 586       LOG.warning("Prefix too long: " + listSection);
 587       return;
 588     }
 589
 590     final PairEntry pairEntry = new PairEntry();
 591     final IndexedEntry indexedEntry = new IndexedEntry(pairEntry);
 592
 593     final StringBuilder englishBuilder = new StringBuilder();
 594
 595     final String mainLine = listSection.firstLine;
 596
 597     final WikiTokenizer englishTokenizer = new WikiTokenizer(mainLine, false);
 598     while (englishTokenizer.nextToken() != null) {
 599       // TODO handle form of....
 600       if (englishTokenizer.isPlainText()) {
 601         englishBuilder.append(englishTokenizer.token());
 602         enIndexBuilder.addEntryWithString(indexedEntry, englishTokenizer.token(), EntryTypeName.WIKTIONARY_ENGLISH_DEF);
 603       } else if (englishTokenizer.isWikiLink()) {
 604         final String text = englishTokenizer.wikiLinkText();
 605         final String link = englishTokenizer.wikiLinkDest();
 606         if (link != null) {
 607           if (link.contains("#English")) {
 608             englishBuilder.append(text);
 609             enIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_WIKI_LINK);
 610           } else if (link.contains("#") && this.langPattern.matcher(link).find()) {
 611             englishBuilder.append(text);
 612             otherIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_OTHER_LANG);
 613           } else if (link.equals("plural")) {
 614             englishBuilder.append(text);
 615           } else {
 616             //LOG.warning("Special link: " + englishTokenizer.token());
 617             enIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_WIKI_LINK);
 618             englishBuilder.append(text);
 619           }
 620         } else {
 621           // link == null
 622           englishBuilder.append(text);
 623           if (!UNINDEXED_WIKI_TEXT.matcher(text).find()) {
 624             enIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_WIKI_LINK);
 625           }
 626         }
 627       } else if (englishTokenizer.isFunction()) {
 628         final String name = englishTokenizer.functionName();
 629         if (name.contains("conjugation of ") ||
 630             name.contains("form of ") ||
 631             name.contains("feminine of ") ||
 632             name.contains("plural of ")) {
 633           // Ignore these in the index, they're really annoying....
 634           englishBuilder.append(englishTokenizer.token());
 635         } else {
 636           englishBuilder.append(englishTokenizer.token());
 637 //          LOG.warning("Unexpected function: " + englishTokenizer.token());
 638         }
 639       } else {
 640         if (englishTokenizer.isComment() || englishTokenizer.isMarkup()) {
 641         } else {
 642           LOG.warning("Unexpected definition text: " + englishTokenizer.token());
 643         }
 644       }
 645     }
 646
 647     final String english = trim(englishBuilder.toString());
 648     if (english.length() > 0) {
 649       final Pair pair = new Pair(english, trim(foreignText), this.swap);
 650       pairEntry.pairs.add(pair);
 651       otherIndexBuilder.addEntryWithString(indexedEntry, title, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 652       for (final String form : forms) {
 653         otherIndexBuilder.addEntryWithString(indexedEntry, form, EntryTypeName.WIKTIONARY_FORM_SINGLE, EntryTypeName.WIKTIONARY_FORM_MULTI);
 654       }
 655     }
 656
 657     // Do examples.
 658     String lastForeign = null;
 659     for (int i = 0; i < listSection.nextPrefixes.size(); ++i) {
 660       final String nextPrefix = listSection.nextPrefixes.get(i);
 661       final String nextLine = listSection.nextLines.get(i);
 662       int dash = nextLine.indexOf("&mdash;");
 663       int mdashLen = 7;
 664       if (dash == -1) {
 665         dash = nextLine.indexOf("—");
 666         mdashLen = 1;
 667       }
 668       if (dash == -1) {
 669         dash = nextLine.indexOf(" - ");
 670         mdashLen = 3;
 671       }
 672
 673       if ((nextPrefix.equals("#:") || nextPrefix.equals("##:")) && dash != -1) {
 674         final String foreignEx = nextLine.substring(0, dash);
 675         final String englishEx = nextLine.substring(dash + mdashLen);
 676         final Pair pair = new Pair(formatAndIndexExampleString(englishEx, enIndexBuilder, indexedEntry), formatAndIndexExampleString(foreignEx, otherIndexBuilder, indexedEntry), swap);
 677         if (pair.lang1 != "--" && pair.lang1 != "--") {
 678           pairEntry.pairs.add(pair);
 679         }
 680         lastForeign = null;
 681       } else if (nextPrefix.equals("#:") || nextPrefix.equals("##:")){
 682         final Pair pair = new Pair("--", formatAndIndexExampleString(nextLine, null, indexedEntry), swap);
 683         lastForeign = nextLine;
 684         if (pair.lang1 != "--" && pair.lang1 != "--") {
 685           pairEntry.pairs.add(pair);
 686         }
 687       } else if (nextPrefix.equals("#::") || nextPrefix.equals("#**")) {
 688         if (lastForeign != null) {
 689           pairEntry.pairs.remove(pairEntry.pairs.size() - 1);
 690           final Pair pair = new Pair(formatAndIndexExampleString(nextLine, enIndexBuilder, indexedEntry), formatAndIndexExampleString(lastForeign, otherIndexBuilder, indexedEntry), swap);
 691           if (pair.lang1 != "--" && pair.lang1 != "--") {
 692             pairEntry.pairs.add(pair);
 693           }
 694         } else {
 695           LOG.warning("English example with no foreign: " + title + ", " + nextLine);
 696         }
 697       } else if (nextPrefix.equals("#*")) {
 698         // Can't really index these.
 699         final Pair pair = new Pair("--", formatAndIndexExampleString(nextLine, null, indexedEntry), swap);
 700         lastForeign = nextLine;
 701         if (pair.lang1 != "--" && pair.lang1 != "--") {
 702           pairEntry.pairs.add(pair);
 703         }
 704       } else if (nextPrefix.equals("#::*") || nextPrefix.equals("##") || nextPrefix.equals("#*:") || nextPrefix.equals("#:*") || true) {
 705         final Pair pair = new Pair("--", formatAndIndexExampleString(nextLine, null, indexedEntry), swap);
 706         if (pair.lang1 != "--" && pair.lang1 != "--") {
 707           pairEntry.pairs.add(pair);
 708         }
 709 //      } else {
 710 //        assert false;
 711       }
 712     }
 713   }
 714
 715   private String formatAndIndexExampleString(final String example, final IndexBuilder indexBuilder, final IndexedEntry indexedEntry) {
 716     final WikiTokenizer wikiTokenizer = new WikiTokenizer(example, false);
 717     final StringBuilder builder = new StringBuilder();
 718     boolean insideTripleQuotes = false;
 719     while (wikiTokenizer.nextToken() != null) {
 720       if (wikiTokenizer.isPlainText()) {
 721         builder.append(wikiTokenizer.token());
 722         if (indexBuilder != null) {
 723           indexBuilder.addEntryWithString(indexedEntry, wikiTokenizer.token(), EntryTypeName.WIKTIONARY_EXAMPLE);
 724         }
 725       } else if (wikiTokenizer.isWikiLink()) {
 726         final String text = wikiTokenizer.wikiLinkText().replaceAll("'", "");
 727         builder.append(text);
 728         if (indexBuilder != null) {
 729           indexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_EXAMPLE);
 730         }
 731       } else if (wikiTokenizer.isFunction()) {
 732         builder.append(wikiTokenizer.token());
 733       } else if (wikiTokenizer.isMarkup()) {
 734         if (wikiTokenizer.token().equals("'''")) {
 735           insideTripleQuotes = !insideTripleQuotes;
 736         }
 737       } else if (wikiTokenizer.isComment() || wikiTokenizer.isNewline()) {
 738         // Do nothing.
 739       } else {
 740         LOG.warning("unexpected token: " + wikiTokenizer.token());
 741       }
 742     }
 743     final String result = trim(builder.toString());
 744     return result.length() > 0 ? result : "--";
 745   }
 746
 747
 748   private void itConjAre(List<String> args, Map<String, String> namedArgs) {
 749     final String base = args.get(0);
 750     final String aux = args.get(1);
 751
 752     putIfMissing(namedArgs, "inf", base + "are");
 753     putIfMissing(namedArgs, "aux", aux);
 754     putIfMissing(namedArgs, "ger", base + "ando");
 755     putIfMissing(namedArgs, "presp", base + "ante");
 756     putIfMissing(namedArgs, "pastp", base + "ato");
 757     // Present
 758     putIfMissing(namedArgs, "pres1s", base + "o");
 759     putIfMissing(namedArgs, "pres2s", base + "i");
 760     putIfMissing(namedArgs, "pres3s", base + "a");
 761     putIfMissing(namedArgs, "pres1p", base + "iamo");
 762     putIfMissing(namedArgs, "pres2p", base + "ate");
 763     putIfMissing(namedArgs, "pres3p", base + "ano");
 764     // Imperfect
 765     putIfMissing(namedArgs, "imperf1s", base + "avo");
 766     putIfMissing(namedArgs, "imperf2s", base + "avi");
 767     putIfMissing(namedArgs, "imperf3s", base + "ava");
 768     putIfMissing(namedArgs, "imperf1p", base + "avamo");
 769     putIfMissing(namedArgs, "imperf2p", base + "avate");
 770     putIfMissing(namedArgs, "imperf3p", base + "avano");
 771     // Passato remoto
 772     putIfMissing(namedArgs, "prem1s", base + "ai");
 773     putIfMissing(namedArgs, "prem2s", base + "asti");
 774     putIfMissing(namedArgs, "prem3s", base + "ò");
 775     putIfMissing(namedArgs, "prem1p", base + "ammo");
 776     putIfMissing(namedArgs, "prem2p", base + "aste");
 777     putIfMissing(namedArgs, "prem3p", base + "arono");
 778     // Future
 779     putIfMissing(namedArgs, "fut1s", base + "erò");
 780     putIfMissing(namedArgs, "fut2s", base + "erai");
 781     putIfMissing(namedArgs, "fut3s", base + "erà");
 782     putIfMissing(namedArgs, "fut1p", base + "eremo");
 783     putIfMissing(namedArgs, "fut2p", base + "erete");
 784     putIfMissing(namedArgs, "fut3p", base + "eranno");
 785     // Conditional
 786     putIfMissing(namedArgs, "cond1s", base + "erei");
 787     putIfMissing(namedArgs, "cond2s", base + "eresti");
 788     putIfMissing(namedArgs, "cond3s", base + "erebbe");
 789     putIfMissing(namedArgs, "cond1p", base + "eremmo");
 790     putIfMissing(namedArgs, "cond2p", base + "ereste");
 791     putIfMissing(namedArgs, "cond3p", base + "erebbero");
 792     // Subjunctive / congiuntivo
 793     putIfMissing(namedArgs, "sub123s", base + "i");
 794     putIfMissing(namedArgs, "sub1p", base + "iamo");
 795     putIfMissing(namedArgs, "sub2p", base + "iate");
 796     putIfMissing(namedArgs, "sub3p", base + "ino");
 797     // Imperfect subjunctive
 798     putIfMissing(namedArgs, "impsub12s", base + "assi");
 799     putIfMissing(namedArgs, "impsub3s", base + "asse");
 800     putIfMissing(namedArgs, "impsub1p", base + "assimo");
 801     putIfMissing(namedArgs, "impsub2p", base + "aste");
 802     putIfMissing(namedArgs, "impsub3p", base + "assero");
 803     // Imperative
 804     putIfMissing(namedArgs, "imp2s", base + "a");
 805     putIfMissing(namedArgs, "imp3s", base + "i");
 806     putIfMissing(namedArgs, "imp1p", base + "iamo");
 807     putIfMissing(namedArgs, "imp2p", base + "ate");
 808     putIfMissing(namedArgs, "imp3p", base + "ino");
 809
 810
 811     itConj(args, namedArgs);
 812   }
 813
 814
 815   private void itConj(List<String> args, Map<String, String> namedArgs) {
 816     // TODO Auto-generated method stub
 817
 818   }
 819
 820
 821   private static void putIfMissing(final Map<String, String> namedArgs, final String key,
 822       final String value) {
 823     final String oldValue = namedArgs.get(key);
 824     if (oldValue == null || oldValue.length() == 0) {
 825       namedArgs.put(key, value);
 826     }
 827   }
 828
 829   // TODO: check how ='' and =| are manifested....
 830   // TODO: get this right in -are
 831   private static void putOrNullify(final Map<String, String> namedArgs, final String key,
 832       final String value) {
 833     final String oldValue = namedArgs.get(key);
 834     if (oldValue == null/* || oldValue.length() == 0*/) {
 835       namedArgs.put(key, value);
 836     } else {
 837       if (oldValue.equals("''")) {
 838         namedArgs.put(key, "");
 839       }
 840     }
 841   }
 842
 843   static final Pattern whitespace = Pattern.compile("\\s+");
 844   static String trim(final String s) {
 845     return whitespace.matcher(s).replaceAll(" ").trim();
 846   }
 847
 848
 849 }