]> gitweb.fperrin.net Git - DictionaryPC.git/blobdiff - src/com/hughes/android/dictionary/parser/DictFileParser.java
Use optimized StringUtil.split() function.
[DictionaryPC.git] / src / com / hughes / android / dictionary / parser / DictFileParser.java
index 07d077562b8b106392d201123eb26aa753e48781..8c6424b8543ab663d71eaf5d8a9a7892dc6de7fd 100644 (file)
@@ -23,7 +23,6 @@ import java.nio.charset.Charset;
 import java.util.Arrays;
 import java.util.Collections;
 import java.util.LinkedHashSet;
-import java.util.List;
 import java.util.Set;
 import java.util.logging.Logger;
 import java.util.regex.Matcher;
@@ -31,28 +30,26 @@ import java.util.regex.Pattern;
 
 import com.hughes.android.dictionary.engine.DictionaryBuilder;
 import com.hughes.android.dictionary.engine.EntrySource;
-import com.hughes.android.dictionary.engine.IndexedEntry;
 import com.hughes.android.dictionary.engine.EntryTypeName;
 import com.hughes.android.dictionary.engine.IndexBuilder;
+import com.hughes.android.dictionary.engine.IndexedEntry;
 import com.hughes.android.dictionary.engine.Language;
 import com.hughes.android.dictionary.engine.PairEntry;
-import com.hughes.android.dictionary.engine.PairEntry.Pair;
+import com.hughes.util.StringUtil;
 
 public class DictFileParser implements Parser {
 
     static final Logger logger = Logger.getLogger(DictFileParser.class.getName());
 
     // Dictcc
-    public static final Pattern TAB = Pattern.compile("\\t");
+    public static final String TAB = "\t";
 
     // Chemnitz
-    public static final Pattern DOUBLE_COLON = Pattern.compile(" :: ");
-    public static final Pattern PIPE = Pattern.compile("\\|");
+    public static final String DOUBLE_COLON = " :: ";
+    public static final String PIPE = "|";
 
     static final Pattern SPACES = Pattern.compile("\\s+");
 
-    static final Pattern BRACKETED = Pattern.compile("\\[([^]]+)\\]");
-    static final Pattern PARENTHESIZED = Pattern.compile("\\(([^)]+)\\)");
     static final Pattern CURLY_BRACED = Pattern.compile("\\{([^}]+)\\}");
 
     // http://www.regular-expressions.info/unicode.html
@@ -64,28 +61,23 @@ public class DictFileParser implements Parser {
     final Charset charset;
     final boolean flipCols;
 
-    final Pattern fieldSplit;
-    final Pattern subfieldSplit;
+    final String fieldSplit;
+    final String subfieldSplit;
 
     final DictionaryBuilder dictBuilder;
-    final IndexBuilder[] langIndexBuilders;
-    final IndexBuilder bothIndexBuilder;
 
     EntrySource entrySource;
 
     // final Set<String> alreadyDone = new HashSet<String>();
 
     public DictFileParser(final Charset charset, boolean flipCols,
-                          final Pattern fieldSplit, final Pattern subfieldSplit,
-                          final DictionaryBuilder dictBuilder, final IndexBuilder[] langIndexBuilders,
-                          final IndexBuilder bothIndexBuilder) {
+                          final String fieldSplit, final String subfieldSplit,
+                          final DictionaryBuilder dictBuilder) {
         this.charset = charset;
         this.flipCols = flipCols;
         this.fieldSplit = fieldSplit;
         this.subfieldSplit = subfieldSplit;
         this.dictBuilder = dictBuilder;
-        this.langIndexBuilders = langIndexBuilders;
-        this.bothIndexBuilder = bothIndexBuilder;
     }
 
     @Override
@@ -107,14 +99,13 @@ public class DictFileParser implements Parser {
     }
 
     private void parseLine(final String line) {
-        if (line.startsWith("#") || line.length() == 0) {
+        if (line.startsWith("#") || line.isEmpty()) {
             logger.info("Skipping comment line: " + line);
             return;
         }
-        final String[] fields = fieldSplit.split(line);
-        // dictcc now has a part of speech field as field #3.
-        if (fields.length < 2 || fields.length > 3) {
-            logger.warning("Malformed line: " + line);
+        final String[] fields = StringUtil.split(line, fieldSplit);
+        if (fields.length < 2 || fields.length > 4) {
+            logger.warning("Malformed line, expected 3 or 4 fields, got " + fields.length + ": " + line);
             return;
         }
 
@@ -128,8 +119,8 @@ public class DictFileParser implements Parser {
 
         final String[][] subfields = new String[2][];
         if (subfieldSplit != null) {
-            subfields[0] = subfieldSplit.split(fields[0]);
-            subfields[1] = subfieldSplit.split(fields[1]);
+            subfields[0] = StringUtil.split(fields[0], subfieldSplit);
+            subfields[1] = StringUtil.split(fields[1], subfieldSplit);
             if (subfields[0].length != subfields[1].length) {
                 logger.warning("Number of subfields doesn't match: " + line);
                 return;
@@ -143,17 +134,17 @@ public class DictFileParser implements Parser {
         for (int i = 0; i < subfields[0].length; ++i) {
             subfields[0][i] = subfields[0][i].trim();
             subfields[1][i] = subfields[1][i].trim();
-            if (subfields[0][i].length() == 0 && subfields[1][i].length() == 0) {
+            if (subfields[0][i].isEmpty() && subfields[1][i].isEmpty()) {
                 logger.warning("Empty pair: " + line);
                 continue;
             }
-            if (subfields[0][i].length() == 0) {
+            if (subfields[0][i].isEmpty()) {
                 subfields[0][i] = "__";
             }
-            if (subfields[1][i].length() == 0) {
+            if (subfields[1][i].isEmpty()) {
                 subfields[1][i] = "__";
             }
-            pairEntry.pairs.add(new Pair(subfields[0][i], subfields[1][i]));
+            pairEntry.pairs.add(new PairEntry.Pair(subfields[0][i], subfields[1][i]));
         }
         final IndexedEntry entryData = new IndexedEntry(pairEntry);
         entryData.isValid = true;
@@ -161,9 +152,9 @@ public class DictFileParser implements Parser {
         for (int l = 0; l < 2; ++l) {
             // alreadyDone.clear();
 
+            final IndexBuilder indexBuilder = dictBuilder.indexBuilders.get(l);
             for (int j = 0; j < subfields[l].length; ++j) {
                 String subfield = subfields[l][j];
-                final IndexBuilder indexBuilder = langIndexBuilders[l];
                 if (indexBuilder.index.sortLanguage == Language.de) {
                     subfield = parseField_DE(indexBuilder, subfield, entryData, j);
                 } else if (indexBuilder.index.sortLanguage == Language.en) {
@@ -174,24 +165,27 @@ public class DictFileParser implements Parser {
         }
     }
 
+    private StringBuilder extractParenthesized(StringBuilder in, String startChar, String endChar) {
+        StringBuilder res = new StringBuilder();
+        int pos = 0;
+        while ((pos = in.indexOf(startChar, pos)) != -1) {
+            int end = in.indexOf(endChar, pos + 1);
+            if (end == -1) break;
+            res.append(in, pos + 1, end).append(" ");
+            in.replace(pos, end + 1, " ");
+            pos++; // skip the just appended space
+        }
+        return res;
+    }
+
     private void parseFieldGeneric(final IndexBuilder indexBuilder, String field,
                                    final IndexedEntry entryData, final int subfieldIdx, final int numSubFields) {
+        final StringBuilder fieldsb = new StringBuilder(field);
         // remove bracketed and parenthesized stuff.
-        final StringBuilder bracketed = new StringBuilder();
-        final StringBuilder parenthesized = new StringBuilder();
-
-        Matcher matcher;
-        while ((matcher = BRACKETED.matcher(field)).find()) {
-            bracketed.append(matcher.group(1)).append(" ");
-            field = matcher.replaceFirst(" ");
-        }
-
-        while ((matcher = PARENTHESIZED.matcher(field)).find()) {
-            parenthesized.append(matcher.group(1)).append(" ");
-            field = matcher.replaceFirst(" ");
-        }
+        final StringBuilder bracketed = extractParenthesized(fieldsb, "[", "]");
+        final StringBuilder parenthesized = extractParenthesized(fieldsb, "(", ")");
 
-        field = SPACES.matcher(field).replaceAll(" ").trim();
+        field = fieldsb.toString().trim();
 
         // split words on non -A-z0-9, do them.
         final String[] tokens = NON_CHAR_DASH.split(field);
@@ -230,15 +224,15 @@ public class DictFileParser implements Parser {
 
         for (String token : tokens) {
             token = TRIM_PUNC.matcher(token).replaceAll("");
-            if (/*!alreadyDone.contains(token) && */token.length() > 0) {
+            if (/*!alreadyDone.contains(token) && */!token.isEmpty()) {
                 indexBuilder.addEntryWithTokens(entryData, Collections.singleton(token), entryTypeName);
                 // alreadyDone.add(token);
 
                 // also split words on dashes, do them, too.
-                if (token.contains("-")) {
-                    final String[] dashed = token.split("-");
+                if (token.indexOf('-') != -1) {
+                    final String[] dashed = StringUtil.split(token, "-");
                     for (final String dashedToken : dashed) {
-                        if (/*!alreadyDone.contains(dashedToken) && */dashedToken.length() > 0) {
+                        if (/*!alreadyDone.contains(dashedToken) && */!dashedToken.isEmpty()) {
                             indexBuilder.addEntryWithTokens(entryData, Collections.singleton(dashedToken), EntryTypeName.PART_OF_HYPHENATED);
                         }
                     }
@@ -248,20 +242,24 @@ public class DictFileParser implements Parser {
         }  // for (final String token : tokens) {
 
         // process bracketed stuff (split on spaces and dashes always)
-        final String[] bracketedTokens = NON_CHAR.split(bracketed.toString());
-        for (final String token : bracketedTokens) {
-            assert !token.contains("-");
-            if (/*!alreadyDone.contains(token) && */token.length() > 0) {
-                indexBuilder.addEntryWithTokens(entryData, Collections.singleton(token), EntryTypeName.BRACKETED);
+        if (bracketed.length() > 0) {
+            final String[] bracketedTokens = NON_CHAR.split(bracketed.toString());
+            for (final String token : bracketedTokens) {
+                assert token.indexOf("-") == -1;
+                if (/*!alreadyDone.contains(token) && */!token.isEmpty()) {
+                    indexBuilder.addEntryWithTokens(entryData, Collections.singleton(token), EntryTypeName.BRACKETED);
+                }
             }
         }
 
         // process paren stuff
-        final String[] parenTokens = NON_CHAR.split(parenthesized.toString());
-        for (final String token : parenTokens) {
-            assert !token.contains("-");
-            if (/*!alreadyDone.contains(token) && */token.length() > 0) {
-                indexBuilder.addEntryWithTokens(entryData, Collections.singleton(token), EntryTypeName.PARENTHESIZED);
+        if (parenthesized.length() > 0) {
+            final String[] parenTokens = NON_CHAR.split(parenthesized.toString());
+            for (final String token : parenTokens) {
+                assert token.indexOf("-") == -1;
+                if (/*!alreadyDone.contains(token) && */!token.isEmpty()) {
+                    indexBuilder.addEntryWithTokens(entryData, Collections.singleton(token), EntryTypeName.PARENTHESIZED);
+                }
             }
         }
 
@@ -281,6 +279,8 @@ public class DictFileParser implements Parser {
 //      }
 //    }
 
+        if (field.indexOf('{') == -1) return field;
+
         // In English, curly braces are used for different tenses.
         field = CURLY_BRACED.matcher(field).replaceAll(" ");
 
@@ -295,9 +295,9 @@ public class DictFileParser implements Parser {
         return field;
     }
 
-    public static final Set<String> tokenize(final String text, final Pattern pattern) {
+    public static Set<String> tokenize(final String text, final Pattern pattern) {
         final String[] split = pattern.split(text);
-        final Set<String> result = new LinkedHashSet<String>(Arrays.asList(split));
+        final Set<String> result = new LinkedHashSet<>(Arrays.asList(split));
         result.remove("");
         return result;
     }