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     private StringBuilder extractParenthesized(StringBuilder in, String startChar, String endChar) {
 127         StringBuilder res = new StringBuilder();
 128         int pos = 0;
 129         while ((pos = in.indexOf(startChar, pos)) != -1) {
 130             int end = in.indexOf(endChar, pos + 1);
 131             if (end == -1) break;
 132             res.append(in, pos + 1, end).append(" ");
 133             in.replace(pos, end + 1, " ");
 134             pos++; // skip the just appended space
 135         }
 136         return res;
 137     }
 138
 139     private void parseFieldGeneric(final IndexBuilder indexBuilder, String field,
 140                                    final IndexedEntry entryData, final int subfieldIdx, final int numSubFields) {
 141         final StringBuilder fieldsb = new StringBuilder(field);
 142         // remove bracketed and parenthesized stuff.
 143         final StringBuilder bracketed = extractParenthesized(fieldsb, "[", "]");
 144         final StringBuilder parenthesized = extractParenthesized(fieldsb, "(", ")");
 145
 146         field = fieldsb.toString().trim();
 147
 148         // split words on non -A-z0-9, do them.
 149         final String[] tokens = NON_CHAR_DASH.split(field);
 150
 151         final EntryTypeName entryTypeName;
 152         if (numSubFields == 1) {
 153             assert subfieldIdx == 0;
 154             if (tokens.length == 1) {
 155                 entryTypeName = EntryTypeName.ONE_WORD;
 156             } else if (tokens.length == 2) {
 157                 entryTypeName = EntryTypeName.TWO_WORDS;
 158             } else if (tokens.length == 3) {
 159                 entryTypeName = EntryTypeName.THREE_WORDS;
 160             } else if (tokens.length == 4) {
 161                 entryTypeName = EntryTypeName.FOUR_WORDS;
 162             } else {
 163                 entryTypeName = EntryTypeName.FIVE_OR_MORE_WORDS;
 164             }
 165         } else {
 166             assert numSubFields > 1;
 167             if (subfieldIdx == 0) {
 168                 if (tokens.length == 1) {
 169                     entryTypeName = EntryTypeName.MULTIROW_HEAD_ONE_WORD;
 170                 } else {
 171                     entryTypeName = EntryTypeName.MULTIROW_HEAD_MANY_WORDS;
 172                 }
 173             } else {
 174                 assert subfieldIdx > 0;
 175                 if (tokens.length == 1) {
 176                     entryTypeName = EntryTypeName.MULTIROW_TAIL_ONE_WORD;
 177                 } else {
 178                     entryTypeName = EntryTypeName.MULTIROW_TAIL_MANY_WORDS;
 179                 }
 180             }
 181         }
 182
 183         for (String token : tokens) {
 184             token = TRIM_PUNC.matcher(token).replaceAll("");
 185             if (/*!alreadyDone.contains(token) && */!token.isEmpty()) {
 186                 indexBuilder.addEntryWithTokens(entryData, Collections.singleton(token), entryTypeName);
 187                 // alreadyDone.add(token);
 188
 189                 // also split words on dashes, do them, too.
 190                 if (token.indexOf('-') != -1) {
 191                     final String[] dashed = StringUtil.split(token, "-");
 192                     for (final String dashedToken : dashed) {
 193                         if (/*!alreadyDone.contains(dashedToken) && */!dashedToken.isEmpty()) {
 194                             indexBuilder.addEntryWithTokens(entryData, Collections.singleton(dashedToken), EntryTypeName.PART_OF_HYPHENATED);
 195                         }
 196                     }
 197                 }
 198
 199             }  // if (!alreadyDone.contains(token)) {
 200         }  // for (final String token : tokens) {
 201     }
 202
 203     public static Set<String> tokenize(final String text, final Pattern pattern) {
 204         final String[] split = pattern.split(text);
 205         final Set<String> result = new LinkedHashSet<>(Arrays.asList(split));
 206         result.remove("");
 207         return result;
 208     }
 209
 210
 211 }