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

   1 // Licensed under the Apache License, Version 2.0 (the "License");
   2 // you may not use this file except in compliance with the License.
   3 // You may obtain a copy of the License at
   4 //
   5 //     http://www.apache.org/licenses/LICENSE-2.0
   6 //
   7 // Unless required by applicable law or agreed to in writing, software
   8 // distributed under the License is distributed on an "AS IS" BASIS,
   9 // WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  10 // See the License for the specific language governing permissions and
  11 // limitations under the License.
  12
  13 package com.hughes.android.dictionary.parser;
  14
  15 import java.io.BufferedReader;
  16 import java.io.File;
  17 import java.io.FileInputStream;
  18 import java.io.IOException;
  19 import java.io.InputStreamReader;
  20 import java.nio.charset.Charset;
  21 import java.util.Arrays;
  22 import java.util.Collections;
  23 import java.util.LinkedHashSet;
  24 import java.util.Set;
  25 import java.util.logging.Logger;
  26 import java.util.regex.Matcher;
  27 import java.util.regex.Pattern;
  28
  29 import com.hughes.android.dictionary.engine.DictionaryBuilder;
  30 import com.hughes.android.dictionary.engine.EntrySource;
  31 import com.hughes.android.dictionary.engine.EntryTypeName;
  32 import com.hughes.android.dictionary.engine.HtmlEntry;
  33 import com.hughes.android.dictionary.engine.IndexBuilder;
  34 import com.hughes.android.dictionary.engine.IndexBuilder.TokenData;
  35 import com.hughes.android.dictionary.engine.IndexedEntry;
  36 import com.hughes.android.dictionary.engine.Language;
  37 import com.hughes.android.dictionary.engine.PairEntry;
  38 import com.hughes.util.StringUtil;
  39
  40 public class SingleDictFileParser implements Parser {
  41
  42     static final Logger logger = Logger.getLogger(SingleDictFileParser.class.getName());
  43
  44     // Dictcc
  45     public static final String TAB = "\t";
  46
  47     // Chemnitz
  48     public static final String DOUBLE_COLON = " :: ";
  49     public static final String PIPE = "|";
  50
  51     static final Pattern SPACES = Pattern.compile("\\s+");
  52
  53     static final Pattern CURLY_BRACED = Pattern.compile("\\{([^}]+)\\}");
  54
  55     // http://www.regular-expressions.info/unicode.html
  56     static final Pattern NON_CHAR_DASH = Pattern.compile("[^-'\\p{L}\\p{M}\\p{N}]+");
  57     public static final Pattern NON_CHAR = Pattern.compile("[^\\p{L}\\p{M}\\p{N}]+");
  58
  59     static final Pattern TRIM_PUNC = Pattern.compile("^[^\\p{L}\\p{M}\\p{N}]+|[^\\p{L}\\p{M}\\p{N}]+$");
  60
  61     final Charset charset;
  62
  63     final String fieldSplit;
  64
  65     final DictionaryBuilder dictBuilder;
  66
  67     EntrySource entrySource;
  68
  69     // final Set<String> alreadyDone = new HashSet<String>();
  70
  71     public SingleDictFileParser(final Charset charset,
  72                                 final String fieldSplit,
  73                                 final DictionaryBuilder dictBuilder) {
  74         this.charset = charset;
  75         this.fieldSplit = fieldSplit;
  76         this.dictBuilder = dictBuilder;
  77     }
  78
  79     @Override
  80     public void parse(final File file, final EntrySource entrySouce, final int pageLimit) throws IOException {
  81         this.entrySource = entrySouce;
  82         final BufferedReader reader = new BufferedReader(new InputStreamReader(new FileInputStream(file), charset));
  83         String line;
  84         int count = 0;
  85         while ((line = reader.readLine()) != null) {
  86             if (pageLimit >= 0 && count >= pageLimit) {
  87                 return;
  88             }
  89             if (count % 10000 == 0) {
  90                 logger.info("count=" + count + ", line=" + line);
  91             }
  92             parseLine(line);
  93             ++count;
  94         }
  95     }
  96
  97     private void parseLine(final String line) {
  98         if (line.startsWith("#") || line.isEmpty()) {
  99             logger.info("Skipping comment line: " + line);
 100             return;
 101         }
 102         final String[] fields = StringUtil.split(line, fieldSplit);
 103         if (fields.length < 2 || fields.length > 4) {
 104             logger.warning("Malformed line, expected 3 or 4 fields, got " + fields.length + ": " + line);
 105             return;
 106         }
 107
 108         String headword = SPACES.matcher(fields[0]).replaceAll(" ").trim();
 109         String definition = SPACES.matcher(fields[1]).replaceAll(" ").trim();
 110
 111         final HtmlEntry htmlEntry = new HtmlEntry(entrySource, headword);
 112         htmlEntry.html = definition;
 113         IndexedEntry entryData = new IndexedEntry(htmlEntry);
 114         entryData.isValid = true;
 115
 116         final IndexBuilder titleIndexBuilder = dictBuilder.indexBuilders.get(0);
 117         final TokenData tokenData = titleIndexBuilder.getOrCreateTokenData(headword);
 118         tokenData.hasMainEntry = true;
 119
 120         htmlEntry.addToDictionary(titleIndexBuilder.index.dict);
 121         tokenData.htmlEntries.add(htmlEntry);
 122
 123         entryData = null;
 124     }
 125
 126     public static Set<String> tokenize(final String text, final Pattern pattern) {
 127         final String[] split = pattern.split(text);
 128         final Set<String> result = new LinkedHashSet<>(Arrays.asList(split));
 129         result.remove("");
 130         return result;
 131     }
 132
 133
 134 }