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 topLevelLang = null;
 172     String sense = null;
 173     boolean done = false;
 174     while (wikiTokenizer.nextToken() != null) {
 175       if (wikiTokenizer.isHeading()) {
 176         wikiTokenizer.returnToLineStart();
 177         return;
 178       }
 179       if (done) {
 180         continue;
 181       }
 182
 183       // Check whether we care about this line:
 184
 185       if (wikiTokenizer.isFunction()) {
 186         final String functionName = wikiTokenizer.functionName();
 187         final List<String> positionArgs = wikiTokenizer.functionPositionArgs();
 188
 189         if (functionName.equals("trans-top")) {
 190           sense = null;
 191           if (wikiTokenizer.functionPositionArgs().size() >= 1) {
 192             sense = positionArgs.get(0);
 193             // TODO: could emphasize words in [[brackets]] inside sense.
 194             sense = WikiTokenizer.toPlainText(sense);
 195             //LOG.info("Sense: " + sense);
 196           }
 197         } else if (functionName.equals("trans-bottom")) {
 198           sense = null;
 199         } else if (functionName.equals("trans-mid")) {
 200         } else if (functionName.equals("trans-see")) {
 201           // TODO: would also be nice...
 202         } else if (functionName.startsWith("picdic")) {
 203         } else if (functionName.startsWith("checktrans")) {
 204         } else if (functionName.startsWith("ttbc")) {
 205           wikiTokenizer.nextLine();
 206           // TODO: would be great to handle ttbc
 207           // TODO: Check this: done = true;
 208         } else {
 209           LOG.warning("Unexpected translation wikifunction: " + wikiTokenizer.token() + ", title=" + title);
 210         }
 211       } else if (wikiTokenizer.isListItem()) {
 212         final String line = wikiTokenizer.listItemWikiText();
 213         // This line could produce an output...
 214
 215         if (line.contains("ich hoan dich gear")) {
 216           System.out.println();
 217         }
 218
 219         // First strip the language and check whether it matches.
 220         // And hold onto it for sub-lines.
 221         final int colonIndex = line.indexOf(":");
 222         if (colonIndex == -1) {
 223           continue;
 224         }
 225
 226         final String lang = trim(WikiTokenizer.toPlainText(line.substring(0, colonIndex)));
 227         final boolean appendLang;
 228         if (wikiTokenizer.listItemPrefix().length() == 1) {
 229           topLevelLang = lang;
 230           final boolean thisFind = langPattern.matcher(lang).find();
 231           if (!thisFind) {
 232             continue;
 233           }
 234           appendLang = !langPattern.matcher(lang).matches();
 235         } else if (topLevelLang == null) {
 236           continue;
 237         } else {
 238           // Two-level -- the only way we won't append is if this second level matches exactly.
 239           if (!langPattern.matcher(lang).matches() && !langPattern.matcher(topLevelLang).find()) {
 240             continue;
 241           }
 242           appendLang = !langPattern.matcher(lang).matches();
 243         }
 244
 245         String rest = line.substring(colonIndex + 1).trim();
 246         if (rest.length() > 0) {
 247           doTranslationLine(line, appendLang ? lang : null, title, pos, sense, rest);
 248         }
 249
 250       } else if (wikiTokenizer.remainderStartsWith("''See''")) {
 251         wikiTokenizer.nextLine();
 252         LOG.fine("Skipping line: " + wikiTokenizer.token());
 253       } else if (wikiTokenizer.isWikiLink()) {
 254         final String wikiLink = wikiTokenizer.wikiLinkText();
 255         if (wikiLink.contains(":") && wikiLink.contains(title)) {
 256         } else if (wikiLink.contains("Category:")) {
 257         } else  {
 258           LOG.warning("Unexpected wikiLink: " + wikiTokenizer.token() + ", title=" + title);
 259         }
 260       } else if (wikiTokenizer.isNewline() || wikiTokenizer.isMarkup() || wikiTokenizer.isComment()) {
 261       } else {
 262         final String token = wikiTokenizer.token();
 263         if (token.equals("----")) {
 264         } else {
 265           LOG.warning("Unexpected translation token: " + wikiTokenizer.token() + ", title=" + title);
 266         }
 267       }
 268
 269     }
 270   }
 271
 272   private static <T> T get(final List<T> list, final int index) {
 273     return index < list.size() ? list.get(index) : null;
 274   }
 275
 276   private void doTranslationLine(final String line, final String lang, final String title, final String pos, final String sense, final String rest) {
 277     // Good chance we'll actually file this one...
 278     final PairEntry pairEntry = new PairEntry();
 279     final IndexedEntry indexedEntry = new IndexedEntry(pairEntry);
 280
 281     final StringBuilder otherText = new StringBuilder();
 282     final WikiTokenizer wikiTokenizer = new WikiTokenizer(rest, false);
 283     while (wikiTokenizer.nextToken() != null) {
 284
 285       if (wikiTokenizer.isPlainText()) {
 286         final String plainText = wikiTokenizer.token();
 287         otherText.append("").append(plainText);
 288         otherIndexBuilder.addEntryWithString(indexedEntry, plainText, EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 289
 290       } else if (wikiTokenizer.isWikiLink()) {
 291         final String plainText = wikiTokenizer.wikiLinkText();
 292         otherText.append("").append(plainText);
 293         otherIndexBuilder.addEntryWithString(indexedEntry, plainText, EntryTypeName.WIKTIONARY_TRANSLATION_WIKI_TEXT);
 294
 295       } else if (wikiTokenizer.isFunction()) {
 296         final String functionName = wikiTokenizer.functionName();
 297         final List<String> args = wikiTokenizer.functionPositionArgs();
 298         final Map<String,String> namedArgs = wikiTokenizer.functionNamedArgs();
 299
 300         if (functionName.equals("t") || functionName.equals("t+") || functionName.equals("t-") || functionName.equals("tø") || functionName.equals("apdx-t")) {
 301           if (args.size() < 2) {
 302             LOG.warning("{{t}} with too few args: " + line + ", title=" + title);
 303             continue;
 304           }
 305           final String langCode = get(args, 0);
 306           //if (this.langCodePattern.matcher(langCode).matches()) {
 307             final String word = get(args, 1);
 308             final String gender = get(args, 2);
 309             final String transliteration = namedArgs.get("tr");
 310             if (otherText.length() > 0) {
 311               otherText.append("");
 312             }
 313             otherText.append(word);
 314             otherIndexBuilder.addEntryWithString(indexedEntry, word, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 315             if (gender != null) {
 316               otherText.append(String.format(" {%s}", gender));
 317             }
 318             if (transliteration != null) {
 319               otherText.append(String.format(" (tr. %s)", transliteration));
 320               otherIndexBuilder.addEntryWithString(indexedEntry, transliteration, EntryTypeName.WIKTIONARY_TRANSLITERATION);
 321             }
 322           //}
 323         } else if (functionName.equals("qualifier")) {
 324           if (args.size() == 0) {
 325            otherText.append(wikiTokenizer.token());
 326           } else {
 327             String qualifier = args.get(0);
 328             if (!namedArgs.isEmpty() || args.size() > 1) {
 329               LOG.warning("weird qualifier: " + line);
 330             }
 331             // Unindexed!
 332             otherText.append("(").append(qualifier).append(")");
 333           }
 334         } else if (encodings.contains(functionName)) {
 335           otherText.append("").append(args.get(0));
 336           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 337         } else if (isGender(functionName)) {
 338           appendGender(otherText, functionName, args);
 339         } else if (functionName.equals("g")) {
 340           otherText.append("{g}");
 341         } else if (functionName.equals("l")) {
 342           // encodes text in various langs.
 343           // lang is arg 0.
 344           otherText.append("").append(args.get(1));
 345           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(1), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 346           // TODO: transliteration
 347         } else if (functionName.equals("term")) {
 348           // cross-reference to another dictionary
 349           otherText.append("").append(args.get(0));
 350           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 351           // TODO: transliteration
 352         } else if (functionName.equals("italbrac") || functionName.equals("gloss")) {
 353           // TODO: put this text aside to use it.
 354           otherText.append("[").append(args.get(0)).append("]");
 355           otherIndexBuilder.addEntryWithString(indexedEntry, args.get(0), EntryTypeName.WIKTIONARY_TRANSLATION_OTHER_TEXT);
 356         } else if (functionName.equals("ttbc")) {
 357           LOG.warning("Unexpected {{ttbc}}");
 358         } else if (functionName.equals("trreq")) {
 359         } else if (functionName.equals("not used")) {
 360           otherText.append("(not used)");
 361         } else if (functionName.equals("t-image")) {
 362           // American sign language
 363         } else {
 364           // Unindexed!
 365           otherText.append(wikiTokenizer.token());
 366         }
 367
 368       } else if (wikiTokenizer.isNewline()) {
 369         assert false;
 370       } else if (wikiTokenizer.isComment()) {
 371       } else if (wikiTokenizer.isMarkup()) {
 372       } else {
 373         LOG.warning("Bad translation token: " + wikiTokenizer.token());
 374       }
 375     }
 376     if (otherText.length() == 0) {
 377       LOG.warning("Empty otherText: " + line);
 378       return;
 379     }
 380
 381     if (lang != null) {
 382       otherText.insert(0, "(" + lang + ") ");
 383     }
 384
 385     StringBuilder englishText = new StringBuilder();
 386
 387     englishText.append(title);
 388     if (sense != null) {
 389       englishText.append(" (").append(sense).append(")");
 390       enIndexBuilder.addEntryWithString(indexedEntry, sense, EntryTypeName.WIKTIONARY_TRANSLATION_SENSE, EntryTypeName.WIKTIONARY_TRANSLATION_SENSE);
 391     }
 392     if (pos != null) {
 393       englishText.append(" (").append(pos.toLowerCase()).append(")");
 394     }
 395     enIndexBuilder.addEntryWithString(indexedEntry, title, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 396
 397     final Pair pair = new Pair(trim(englishText.toString()), trim(otherText.toString()), swap);
 398     pairEntry.pairs.add(pair);
 399     if (!pairsAdded.add(pair.toString())) {
 400       LOG.warning("Duplicate pair: " + pair.toString());
 401     }
 402     if (pair.toString().equals("libero {m} :: free (adjective)")) {
 403       System.out.println();
 404     }
 405
 406   }
 407
 408
 409   private void appendGender(final StringBuilder otherText,
 410       final String functionName, final List<String> args) {
 411     otherText.append("{");
 412     otherText.append(functionName);
 413     for (int i = 0; i < args.size(); ++i) {
 414       otherText.append("|").append(args.get(i));
 415     }
 416     otherText.append("}");
 417   }
 418
 419
 420   private boolean isGender(final String functionName) {
 421     return functionName.equals("m") || functionName.equals("f") || functionName.equals("n") || functionName.equals("p");
 422   }
 423
 424   Set<String> pairsAdded = new LinkedHashSet<String>();
 425
 426   // -------------------------------------------------------------------------
 427
 428   private void doForeignWord(final String title, final String text) {
 429     final WikiTokenizer wikiTokenizer = new WikiTokenizer(text);
 430     while (wikiTokenizer.nextToken() != null) {
 431       if (wikiTokenizer.isHeading()) {
 432         final String headingName = wikiTokenizer.headingWikiText();
 433         if (headingName.equals("Translations")) {
 434           LOG.warning("Translations not in English section: " + title);
 435         } else if (headingName.equals("Pronunciation")) {
 436           //doPronunciation(wikiLineReader);
 437         } else if (partOfSpeechHeader.matcher(headingName).matches()) {
 438           doForeignPartOfSpeech(title, headingName, wikiTokenizer.headingDepth(), wikiTokenizer);
 439         }
 440       } else {
 441       }
 442     }
 443   }
 444
 445   static final class ListSection {
 446     final String firstPrefix;
 447     final String firstLine;
 448     final List<String> nextPrefixes = new ArrayList<String>();
 449     final List<String> nextLines = new ArrayList<String>();
 450
 451     public ListSection(String firstPrefix, String firstLine) {
 452       this.firstPrefix = firstPrefix;
 453       this.firstLine = firstLine;
 454     }
 455
 456     @Override
 457     public String toString() {
 458       return firstPrefix + firstLine + "{ " + nextPrefixes + "}";
 459     }
 460   }
 461
 462
 463   int foreignCount = 0;
 464   private void doForeignPartOfSpeech(String title, final String posHeading, final int posDepth, WikiTokenizer wikiTokenizer) {
 465     if (++foreignCount % 1000 == 0) {
 466       LOG.info("***" + title + ", pos=" + posHeading + ", foreignCount=" + foreignCount);
 467     }
 468     if (title.equals("moro")) {
 469       System.out.println();
 470     }
 471
 472     final StringBuilder foreignBuilder = new StringBuilder();
 473     final Collection<String> wordForms = new ArrayList<String>();
 474     final List<ListSection> listSections = new ArrayList<ListSection>();
 475
 476     try {
 477
 478     ListSection lastListSection = null;
 479
 480     int currentHeadingDepth = posDepth;
 481     while (wikiTokenizer.nextToken() != null) {
 482       if (wikiTokenizer.isHeading()) {
 483         currentHeadingDepth = wikiTokenizer.headingDepth();
 484
 485         if (currentHeadingDepth <= posDepth) {
 486           wikiTokenizer.returnToLineStart();
 487           return;
 488         }
 489       }
 490
 491       if (currentHeadingDepth > posDepth) {
 492         // TODO: deal with other neat info sections
 493         continue;
 494       }
 495
 496       if (wikiTokenizer.isFunction()) {
 497         final String name = wikiTokenizer.functionName();
 498         final List<String> args = wikiTokenizer.functionPositionArgs();
 499         final Map<String,String> namedArgs = wikiTokenizer.functionNamedArgs();
 500         // First line is generally a repeat of the title with some extra information.
 501         // We need to build up the left side (foreign text, tokens) separately from the
 502         // right side (English).  The left-side may get paired with multiple right sides.
 503         // The left side should get filed under every form of the word in question (singular, plural).
 504
 505         // For verbs, the conjugation comes later on in a deeper section.
 506         // Ideally, we'd want to file every English entry with the verb
 507         // under every verb form coming from the conjugation.
 508         // Ie. under "fa": see: "make :: fare" and "do :: fare"
 509         // But then where should we put the conjugation table?
 510         // 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!)
 511         // for the conjugation table from "fa".
 512         // Would like to be able to link to a lang#token.
 513       if (isGender(name)) {
 514         appendGender(foreignBuilder, name, args);
 515       } else if (name.equals("wikipedia")) {
 516         namedArgs.remove("lang");
 517         if (args.size() > 1 || !namedArgs.isEmpty()) {
 518           // Unindexed!
 519           foreignBuilder.append(wikiTokenizer.token());
 520         } else if (args.size() == 1) {
 521           foreignBuilder.append(wikiTokenizer.token());
 522         } else {
 523           //foreignBuilder.append(title);
 524         }
 525       } else if (name.equals("it-noun")) {
 526           final String base = get(args, 0);
 527           final String gender = get(args, 1);
 528           final String singular = base + get(args, 2);
 529           final String plural = base + get(args, 3);
 530           foreignBuilder.append(String.format(" %s {%s}, %s {pl}", singular, gender, plural, plural));
 531           wordForms.add(singular);
 532           wordForms.add(plural);
 533         } else if (name.equals("it-proper noun")) {
 534           foreignBuilder.append(wikiTokenizer.token());
 535         } else if (name.equals("it-adj")) {
 536           foreignBuilder.append(wikiTokenizer.token());
 537         } else if (name.startsWith("it-conj")) {
 538           if (name.equals("it-conj-are")) {
 539             itConjAre(args, namedArgs);
 540           } else if (name.equals("it-conj-ere")) {
 541           } else if (name.equals("it-conj-ire")) {
 542           } else {
 543             LOG.warning("Unknown conjugation: " + wikiTokenizer.token());
 544           }
 545         } else {
 546           // Unindexed!
 547           foreignBuilder.append(wikiTokenizer.token());
 548           // LOG.warning("Unknown function: " + wikiTokenizer.token());
 549         }
 550
 551       } else if (wikiTokenizer.isListItem()) {
 552         final String prefix = wikiTokenizer.listItemPrefix();
 553         if (lastListSection != null &&
 554             prefix.startsWith(lastListSection.firstPrefix) &&
 555             prefix.length() > lastListSection.firstPrefix.length()) {
 556           lastListSection.nextPrefixes.add(prefix);
 557           lastListSection.nextLines.add(wikiTokenizer.listItemWikiText());
 558         } else {
 559           lastListSection = new ListSection(prefix, wikiTokenizer.listItemWikiText());
 560           listSections.add(lastListSection);
 561         }
 562       } else if (lastListSection != null) {
 563         // Don't append anything after the lists, because there's crap.
 564       } else if (wikiTokenizer.isWikiLink()) {
 565         // Unindexed!
 566         foreignBuilder.append(wikiTokenizer.wikiLinkText());
 567
 568       } else if (wikiTokenizer.isPlainText()) {
 569         // Unindexed!
 570         foreignBuilder.append(wikiTokenizer.token());
 571
 572       } else if (wikiTokenizer.isMarkup() || wikiTokenizer.isNewline() || wikiTokenizer.isComment()) {
 573         // Do nothing.
 574       } else {
 575         LOG.warning("Unexpected token: " + wikiTokenizer.token());
 576       }
 577     }
 578
 579     } finally {
 580       // Here's where we exit.
 581       // Should we make an entry even if there are no foreign list items?
 582       String foreign = foreignBuilder.toString().trim();
 583       if (!foreign.toLowerCase().startsWith(title.toLowerCase())) {
 584         foreign = title + " " + foreign;
 585       }
 586       for (final ListSection listSection : listSections) {
 587         doForeignListItem(foreign, title, wordForms, listSection);
 588       }
 589     }
 590   }
 591
 592
 593   static final Pattern UNINDEXED_WIKI_TEXT = Pattern.compile(
 594       "(first|second|third)-person (singular|plural)|" +
 595       "present tense|" +
 596       "imperative"
 597       );
 598
 599
 600   private void doForeignListItem(final String foreignText, String title, final Collection<String> forms, final ListSection listSection) {
 601
 602     final String prefix = listSection.firstPrefix;
 603     if (prefix.length() > 1) {
 604       // Could just get looser and say that any prefix longer than first is a sublist.
 605       LOG.warning("Prefix too long: " + listSection);
 606       return;
 607     }
 608
 609     final PairEntry pairEntry = new PairEntry();
 610     final IndexedEntry indexedEntry = new IndexedEntry(pairEntry);
 611
 612     final StringBuilder englishBuilder = new StringBuilder();
 613
 614     final String mainLine = listSection.firstLine;
 615
 616     final WikiTokenizer englishTokenizer = new WikiTokenizer(mainLine, false);
 617     while (englishTokenizer.nextToken() != null) {
 618       // TODO handle form of....
 619       if (englishTokenizer.isPlainText()) {
 620         englishBuilder.append(englishTokenizer.token());
 621         enIndexBuilder.addEntryWithString(indexedEntry, englishTokenizer.token(), EntryTypeName.WIKTIONARY_ENGLISH_DEF);
 622       } else if (englishTokenizer.isWikiLink()) {
 623         final String text = englishTokenizer.wikiLinkText();
 624         final String link = englishTokenizer.wikiLinkDest();
 625         if (link != null) {
 626           if (link.contains("#English")) {
 627             englishBuilder.append(text);
 628             enIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_WIKI_LINK);
 629           } else if (link.contains("#") && this.langPattern.matcher(link).find()) {
 630             englishBuilder.append(text);
 631             otherIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_OTHER_LANG);
 632           } else if (link.equals("plural")) {
 633             englishBuilder.append(text);
 634           } else {
 635             //LOG.warning("Special link: " + englishTokenizer.token());
 636             enIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_WIKI_LINK);
 637             englishBuilder.append(text);
 638           }
 639         } else {
 640           // link == null
 641           englishBuilder.append(text);
 642           if (!UNINDEXED_WIKI_TEXT.matcher(text).find()) {
 643             enIndexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_ENGLISH_DEF_WIKI_LINK);
 644           }
 645         }
 646       } else if (englishTokenizer.isFunction()) {
 647         final String name = englishTokenizer.functionName();
 648         if (name.contains("conjugation of ") ||
 649             name.contains("form of ") ||
 650             name.contains("feminine of ") ||
 651             name.contains("plural of ")) {
 652           // Ignore these in the index, they're really annoying....
 653           englishBuilder.append(englishTokenizer.token());
 654         } else {
 655           englishBuilder.append(englishTokenizer.token());
 656 //          LOG.warning("Unexpected function: " + englishTokenizer.token());
 657         }
 658       } else {
 659         if (englishTokenizer.isComment() || englishTokenizer.isMarkup()) {
 660         } else {
 661           LOG.warning("Unexpected definition text: " + englishTokenizer.token());
 662         }
 663       }
 664     }
 665
 666     final String english = trim(englishBuilder.toString());
 667     if (english.length() > 0) {
 668       final Pair pair = new Pair(english, trim(foreignText), this.swap);
 669       pairEntry.pairs.add(pair);
 670       otherIndexBuilder.addEntryWithString(indexedEntry, title, EntryTypeName.WIKTIONARY_TITLE_SINGLE, EntryTypeName.WIKTIONARY_TITLE_MULTI);
 671       for (final String form : forms) {
 672         otherIndexBuilder.addEntryWithString(indexedEntry, form, EntryTypeName.WIKTIONARY_FORM_SINGLE, EntryTypeName.WIKTIONARY_FORM_MULTI);
 673       }
 674     }
 675
 676     // Do examples.
 677     String lastForeign = null;
 678     for (int i = 0; i < listSection.nextPrefixes.size(); ++i) {
 679       final String nextPrefix = listSection.nextPrefixes.get(i);
 680       final String nextLine = listSection.nextLines.get(i);
 681       int dash = nextLine.indexOf("&mdash;");
 682       int mdashLen = 7;
 683       if (dash == -1) {
 684         dash = nextLine.indexOf("—");
 685         mdashLen = 1;
 686       }
 687       if (dash == -1) {
 688         dash = nextLine.indexOf(" - ");
 689         mdashLen = 3;
 690       }
 691
 692       if ((nextPrefix.equals("#:") || nextPrefix.equals("##:")) && dash != -1) {
 693         final String foreignEx = nextLine.substring(0, dash);
 694         final String englishEx = nextLine.substring(dash + mdashLen);
 695         final Pair pair = new Pair(formatAndIndexExampleString(englishEx, enIndexBuilder, indexedEntry), formatAndIndexExampleString(foreignEx, otherIndexBuilder, indexedEntry), swap);
 696         if (pair.lang1 != "--" && pair.lang1 != "--") {
 697           pairEntry.pairs.add(pair);
 698         }
 699         lastForeign = null;
 700       } else if (nextPrefix.equals("#:") || nextPrefix.equals("##:")){
 701         final Pair pair = new Pair("--", formatAndIndexExampleString(nextLine, null, indexedEntry), swap);
 702         lastForeign = nextLine;
 703         if (pair.lang1 != "--" && pair.lang1 != "--") {
 704           pairEntry.pairs.add(pair);
 705         }
 706       } else if (nextPrefix.equals("#::") || nextPrefix.equals("#**")) {
 707         if (lastForeign != null) {
 708           pairEntry.pairs.remove(pairEntry.pairs.size() - 1);
 709           final Pair pair = new Pair(formatAndIndexExampleString(nextLine, enIndexBuilder, indexedEntry), formatAndIndexExampleString(lastForeign, otherIndexBuilder, indexedEntry), swap);
 710           if (pair.lang1 != "--" && pair.lang1 != "--") {
 711             pairEntry.pairs.add(pair);
 712           }
 713         } else {
 714           LOG.warning("English example with no foreign: " + title + ", " + nextLine);
 715         }
 716       } else if (nextPrefix.equals("#*")) {
 717         // Can't really index these.
 718         final Pair pair = new Pair("--", formatAndIndexExampleString(nextLine, null, indexedEntry), swap);
 719         lastForeign = nextLine;
 720         if (pair.lang1 != "--" && pair.lang1 != "--") {
 721           pairEntry.pairs.add(pair);
 722         }
 723       } else if (nextPrefix.equals("#::*") || nextPrefix.equals("##") || nextPrefix.equals("#*:") || nextPrefix.equals("#:*") || true) {
 724         final Pair pair = new Pair("--", formatAndIndexExampleString(nextLine, null, indexedEntry), swap);
 725         if (pair.lang1 != "--" && pair.lang1 != "--") {
 726           pairEntry.pairs.add(pair);
 727         }
 728 //      } else {
 729 //        assert false;
 730       }
 731     }
 732   }
 733
 734   private String formatAndIndexExampleString(final String example, final IndexBuilder indexBuilder, final IndexedEntry indexedEntry) {
 735     final WikiTokenizer wikiTokenizer = new WikiTokenizer(example, false);
 736     final StringBuilder builder = new StringBuilder();
 737     boolean insideTripleQuotes = false;
 738     while (wikiTokenizer.nextToken() != null) {
 739       if (wikiTokenizer.isPlainText()) {
 740         builder.append(wikiTokenizer.token());
 741         if (indexBuilder != null) {
 742           indexBuilder.addEntryWithString(indexedEntry, wikiTokenizer.token(), EntryTypeName.WIKTIONARY_EXAMPLE);
 743         }
 744       } else if (wikiTokenizer.isWikiLink()) {
 745         final String text = wikiTokenizer.wikiLinkText().replaceAll("'", "");
 746         builder.append(text);
 747         if (indexBuilder != null) {
 748           indexBuilder.addEntryWithString(indexedEntry, text, EntryTypeName.WIKTIONARY_EXAMPLE);
 749         }
 750       } else if (wikiTokenizer.isFunction()) {
 751         builder.append(wikiTokenizer.token());
 752       } else if (wikiTokenizer.isMarkup()) {
 753         if (wikiTokenizer.token().equals("'''")) {
 754           insideTripleQuotes = !insideTripleQuotes;
 755         }
 756       } else if (wikiTokenizer.isComment() || wikiTokenizer.isNewline()) {
 757         // Do nothing.
 758       } else {
 759         LOG.warning("unexpected token: " + wikiTokenizer.token());
 760       }
 761     }
 762     final String result = trim(builder.toString());
 763     return result.length() > 0 ? result : "--";
 764   }
 765
 766
 767   private void itConjAre(List<String> args, Map<String, String> namedArgs) {
 768     final String base = args.get(0);
 769     final String aux = args.get(1);
 770
 771     putIfMissing(namedArgs, "inf", base + "are");
 772     putIfMissing(namedArgs, "aux", aux);
 773     putIfMissing(namedArgs, "ger", base + "ando");
 774     putIfMissing(namedArgs, "presp", base + "ante");
 775     putIfMissing(namedArgs, "pastp", base + "ato");
 776     // Present
 777     putIfMissing(namedArgs, "pres1s", base + "o");
 778     putIfMissing(namedArgs, "pres2s", base + "i");
 779     putIfMissing(namedArgs, "pres3s", base + "a");
 780     putIfMissing(namedArgs, "pres1p", base + "iamo");
 781     putIfMissing(namedArgs, "pres2p", base + "ate");
 782     putIfMissing(namedArgs, "pres3p", base + "ano");
 783     // Imperfect
 784     putIfMissing(namedArgs, "imperf1s", base + "avo");
 785     putIfMissing(namedArgs, "imperf2s", base + "avi");
 786     putIfMissing(namedArgs, "imperf3s", base + "ava");
 787     putIfMissing(namedArgs, "imperf1p", base + "avamo");
 788     putIfMissing(namedArgs, "imperf2p", base + "avate");
 789     putIfMissing(namedArgs, "imperf3p", base + "avano");
 790     // Passato remoto
 791     putIfMissing(namedArgs, "prem1s", base + "ai");
 792     putIfMissing(namedArgs, "prem2s", base + "asti");
 793     putIfMissing(namedArgs, "prem3s", base + "ò");
 794     putIfMissing(namedArgs, "prem1p", base + "ammo");
 795     putIfMissing(namedArgs, "prem2p", base + "aste");
 796     putIfMissing(namedArgs, "prem3p", base + "arono");
 797     // Future
 798     putIfMissing(namedArgs, "fut1s", base + "erò");
 799     putIfMissing(namedArgs, "fut2s", base + "erai");
 800     putIfMissing(namedArgs, "fut3s", base + "erà");
 801     putIfMissing(namedArgs, "fut1p", base + "eremo");
 802     putIfMissing(namedArgs, "fut2p", base + "erete");
 803     putIfMissing(namedArgs, "fut3p", base + "eranno");
 804     // Conditional
 805     putIfMissing(namedArgs, "cond1s", base + "erei");
 806     putIfMissing(namedArgs, "cond2s", base + "eresti");
 807     putIfMissing(namedArgs, "cond3s", base + "erebbe");
 808     putIfMissing(namedArgs, "cond1p", base + "eremmo");
 809     putIfMissing(namedArgs, "cond2p", base + "ereste");
 810     putIfMissing(namedArgs, "cond3p", base + "erebbero");
 811     // Subjunctive / congiuntivo
 812     putIfMissing(namedArgs, "sub123s", base + "i");
 813     putIfMissing(namedArgs, "sub1p", base + "iamo");
 814     putIfMissing(namedArgs, "sub2p", base + "iate");
 815     putIfMissing(namedArgs, "sub3p", base + "ino");
 816     // Imperfect subjunctive
 817     putIfMissing(namedArgs, "impsub12s", base + "assi");
 818     putIfMissing(namedArgs, "impsub3s", base + "asse");
 819     putIfMissing(namedArgs, "impsub1p", base + "assimo");
 820     putIfMissing(namedArgs, "impsub2p", base + "aste");
 821     putIfMissing(namedArgs, "impsub3p", base + "assero");
 822     // Imperative
 823     putIfMissing(namedArgs, "imp2s", base + "a");
 824     putIfMissing(namedArgs, "imp3s", base + "i");
 825     putIfMissing(namedArgs, "imp1p", base + "iamo");
 826     putIfMissing(namedArgs, "imp2p", base + "ate");
 827     putIfMissing(namedArgs, "imp3p", base + "ino");
 828
 829
 830     itConj(args, namedArgs);
 831   }
 832
 833
 834   private void itConj(List<String> args, Map<String, String> namedArgs) {
 835     // TODO Auto-generated method stub
 836
 837   }
 838
 839
 840   private static void putIfMissing(final Map<String, String> namedArgs, final String key,
 841       final String value) {
 842     final String oldValue = namedArgs.get(key);
 843     if (oldValue == null || oldValue.length() == 0) {
 844       namedArgs.put(key, value);
 845     }
 846   }
 847
 848   // TODO: check how ='' and =| are manifested....
 849   // TODO: get this right in -are
 850   private static void putOrNullify(final Map<String, String> namedArgs, final String key,
 851       final String value) {
 852     final String oldValue = namedArgs.get(key);
 853     if (oldValue == null/* || oldValue.length() == 0*/) {
 854       namedArgs.put(key, value);
 855     } else {
 856       if (oldValue.equals("''")) {
 857         namedArgs.put(key, "");
 858       }
 859     }
 860   }
 861
 862   static final Pattern whitespace = Pattern.compile("\\s+");
 863   static String trim(final String s) {
 864     return whitespace.matcher(s).replaceAll(" ").trim();
 865   }
 866
 867
 868 }