]> gitweb.fperrin.net Git - DictionaryPC.git/commitdiff
Add some langs (Ancient Greek, Cantonese, Burmese(MY)), WholeSection
authorthadh <thadh@dhcp-192-168-28-174.mtv.corp.google.com>
Mon, 10 Sep 2012 22:05:02 +0000 (15:05 -0700)
committerthadh <thadh@dhcp-192-168-28-174.mtv.corp.google.com>
Mon, 10 Sep 2012 22:05:02 +0000 (15:05 -0700)
parser improvements, Splitter improvements.  Builder uses WholeSection
parser.

src/com/hughes/android/dictionary/engine/DictionaryBuilderMain.java
src/com/hughes/android/dictionary/engine/WiktionarySplitter.java
src/com/hughes/android/dictionary/parser/wiktionary/WholeSectionToHtmlParser.java
src/com/hughes/android/dictionary/parser/wiktionary/WiktionaryLangs.java
todo.txt

index 584752f30f92282210156470a079f36c0a167167..dfc4abb434a5e44cf3d18ae8cf8b7a829859f7c6 100644 (file)
 
 package com.hughes.android.dictionary.engine;
 
+import com.hughes.android.dictionary.parser.wiktionary.EnTranslationToTranslationParser;
+import com.hughes.android.dictionary.parser.wiktionary.WholeSectionToHtmlParser;
+import com.hughes.android.dictionary.parser.wiktionary.WiktionaryLangs;
+
+import junit.framework.TestCase;
+
+import java.io.File;
 import java.util.ArrayList;
 import java.util.Arrays;
 import java.util.LinkedHashMap;
@@ -22,12 +29,6 @@ import java.util.List;
 import java.util.Map;
 import java.util.Set;
 
-import junit.framework.TestCase;
-
-import com.hughes.android.dictionary.parser.wiktionary.EnTranslationToTranslationParser;
-import com.hughes.android.dictionary.parser.wiktionary.WholeSectionToHtmlParser;
-import com.hughes.android.dictionary.parser.wiktionary.WiktionaryLangs;
-
 public class DictionaryBuilderMain extends TestCase {
   
   static final String INPUTS = "data/inputs/";
@@ -67,6 +68,12 @@ public class DictionaryBuilderMain extends TestCase {
     return isoToStoplist.containsKey(iso) ? isoToStoplist.get(iso) : "empty.txt";
   }
   
+  static String getOtherLang(final String[] pair, final String first) {
+      assert Arrays.asList(pair).contains(first);
+      assert pair.length == 2;
+      return pair[0].equals(first) ? pair[1] : pair[0];
+  }
+  
   static List<String> getMainArgs(final String[] pair) {
     final List<String> result = new ArrayList<String>();
     
@@ -80,12 +87,29 @@ public class DictionaryBuilderMain extends TestCase {
     result.add(String.format("--lang1Stoplist=%s", STOPLISTS + getStoplist(lang1)));
     result.add(String.format("--lang2Stoplist=%s", STOPLISTS + getStoplist(lang2)));
 
-    int i = 2;
+    int i = 1;
+    
+    // For a few langs, put the defs of the other language in DE/IT/FR using WholeSection.
+    for (final String wikitionaryLang : Arrays.asList("EN", "DE", "IT", "FR")) {
+        if (!Arrays.asList(pair).contains(wikitionaryLang)) {
+            continue;
+        }
+        final String foreignIso = getOtherLang(pair, wikitionaryLang);
+        final String wikiSplitFile = String.format("%s/wikiSplit/%s/%s.data", INPUTS, wikitionaryLang.toLowerCase(), foreignIso);
+        if (!new File(wikiSplitFile).canRead()) {
+            System.err.println("Can't read file: " + wikiSplitFile);
+            continue;
+        }
+        result.add(String.format("--input%d=%s", i, wikiSplitFile));
+        result.add(String.format("--input%dName=%sWiktionary.WholeSections.%s", i, wikitionaryLang, foreignIso));
+        result.add(String.format("--input%dFormat=%s", i, WholeSectionToHtmlParser.NAME));
+        result.add(String.format("--input%dTitleIndex=%d", i, Arrays.asList(pair).indexOf(foreignIso) + 1));
+        ++i;
+    }
     
     // Deal with the pairs where one is English.
     if (Arrays.asList(pair).contains("EN")) {
-      final String foreignIso = pair[0].equals("EN") ? pair[1] : pair[0];
-      
+      final String foreignIso = getOtherLang(pair, "EN");
       
       String foreignRegex = WiktionaryLangs.isoCodeToEnWikiName.get(foreignIso);
       if (foreignIso.equals("ZH")) {
@@ -93,20 +117,9 @@ public class DictionaryBuilderMain extends TestCase {
         foreignRegex = "Chinese|Mandarin|Cantones";
       }
       
-      final int enIndex;
-      if (foreignIso.equals("DE")) {
-        // German-English is a special case since it was the first ever QuickDic!
-        result.add(String.format("--lang1=%s", "DE"));
-        result.add(String.format("--lang2=%s", "EN"));
-        result.add("--dictInfo=@" + INPUTS + "de-en_chemnitz_enwiktionary.info");
-
-        enIndex = 2;
-      } else {
-        result.add(String.format("--lang1=%s", "EN"));
-        result.add(String.format("--lang2=%s",  foreignIso));
-        result.add(String.format("--dictInfo=(EN)Wikitionary-based EN-%s dictionary.%s", foreignIso, getDedication(foreignIso)));
-        enIndex = 1;
-      }
+      result.add(String.format("--lang1=%s", "EN"));
+      result.add(String.format("--lang2=%s",  foreignIso));
+      result.add(String.format("--dictInfo=(EN)Wikitionary-based EN-%s dictionary.%s", foreignIso, getDedication(foreignIso)));
       
       result.add(String.format("--input%d=%s/wikiSplit/en/%s.data", i, INPUTS, foreignIso));
       result.add(String.format("--input%dName=ENWiktionary.%s", i, foreignIso)) ;
@@ -114,7 +127,7 @@ public class DictionaryBuilderMain extends TestCase {
       result.add(String.format("--input%dWiktionaryType=EnForeign", i));
       result.add(String.format("--input%dLangPattern=%s", i, foreignRegex));
       result.add(String.format("--input%dLangCodePattern=%s", i, foreignIso.toLowerCase()));
-      result.add(String.format("--input%dEnIndex=%d", i, enIndex));
+      result.add(String.format("--input%dEnIndex=%d", i, Arrays.asList(pair).indexOf("EN") + 1));
       ++i;
 
       result.add(String.format("--input%d=%swikiSplit/en/EN.data", i, INPUTS));
@@ -123,7 +136,7 @@ public class DictionaryBuilderMain extends TestCase {
       result.add(String.format("--input%dWiktionaryType=EnToTranslation", i));
       result.add(String.format("--input%dLangPattern=%s", i, foreignRegex));
       result.add(String.format("--input%dLangCodePattern=%s", i, foreignIso.toLowerCase()));
-      result.add(String.format("--input%dEnIndex=%d", i, enIndex));
+      result.add(String.format("--input%dEnIndex=%d", i, Arrays.asList(pair).indexOf("EN") + 1));
       ++i;
       
       if (foreignIso.equals("DE")) {
@@ -134,12 +147,6 @@ public class DictionaryBuilderMain extends TestCase {
         ++i;
       }
       
-      result.add(String.format("--input%d=%s/wikiSplit/en/%s.data", i, INPUTS, foreignIso));
-      result.add(String.format("--input%dName=%s", i, "ENWiktionary.WholeSections.%s", foreignIso));
-      result.add(String.format("--input%dFormat=%s", i, WholeSectionToHtmlParser.NAME));
-      result.add(String.format("--input%dTitleIndex=%d", i, 3 - enIndex));
-      ++i;
-
     } else {
       // Pairs without English.
       result.add(String.format("--lang1=%s", lang1));
@@ -152,6 +159,7 @@ public class DictionaryBuilderMain extends TestCase {
       result.add(String.format("--input%dLangPattern2=%s", i, lang2));
       ++i;
     }
+    
     return result;
   }
 
index 34cf2d7436d36ffc99b315f232d81cb283ac1ff5..74850bf600c106d56477c2514ebe9c0c162f8dc4 100644 (file)
@@ -56,7 +56,7 @@ public class WiktionarySplitter extends org.xml.sax.helpers.DefaultHandler {
   private WiktionarySplitter() {
     List<Selector> selectors;
     for (final String code : WiktionaryLangs.wikiCodeToIsoCodeToWikiName.keySet()) {
-      //if (!code.equals("fr")) {continue;}
+      //if (code.equals("en") || code.equals("de") || code.equals("fr")) {continue;}
       selectors = new ArrayList<WiktionarySplitter.Selector>();
       pathToSelectors.put(String.format("data/inputs/%swiktionary-pages-articles.xml", code), selectors);
       for (final Map.Entry<String, String> entry : WiktionaryLangs.wikiCodeToIsoCodeToWikiName.get(code).entrySet()) {
@@ -103,6 +103,63 @@ public class WiktionarySplitter extends org.xml.sax.helpers.DefaultHandler {
     if (++pageCount % 1000 == 0) {
       System.out.println("endPage: " + title + ", count=" + pageCount);
     }
+    if (title.startsWith("Wiktionary:") || 
+            title.startsWith("Appendix:") || 
+            title.startsWith("Help:") ||
+            title.startsWith("Index:") ||
+            title.startsWith("MediaWiki:") || 
+            title.startsWith("Citations:") || 
+            title.startsWith("Concordance:") || 
+            title.startsWith("Glossary:") || 
+            title.startsWith("Rhymes:") || 
+            title.startsWith("Category:") || 
+            title.startsWith("Wikisaurus:") || 
+            title.startsWith("Unsupported titles/") || 
+            title.startsWith("Transwiki:") || 
+            title.startsWith("File:") || 
+            title.startsWith("Thread:") || 
+            title.startsWith("Template:") ||
+            title.startsWith("Summary:") ||
+            // DE
+            title.startsWith("Datei:") ||
+            title.startsWith("Verzeichnis:") ||
+            title.startsWith("Vorlage:") ||
+            title.startsWith("Thesaurus:") ||
+            title.startsWith("Kategorie:") ||
+            title.startsWith("Hilfe:") ||
+            // FR:
+            title.startsWith("Annexe:") ||
+            title.startsWith("Catégori:") ||
+            title.startsWith("Modèle:") ||
+            title.startsWith("Thésaurus:") ||
+            title.startsWith("Projet:") ||
+            title.startsWith("Aide:") ||
+            title.startsWith("Fichier:") ||
+            title.startsWith("Wiktionnaire:") ||
+            title.startsWith("Catégorie:") ||
+            title.startsWith("Portail:") ||
+            title.startsWith("utiliusateur:") ||
+            title.startsWith("Kategorio:") ||
+            
+            
+
+            // IT
+            title.startsWith("Wikizionario:") ||
+            title.startsWith("Appendice:") ||
+            title.startsWith("Categoria:") ||
+            title.startsWith("Aiuto:") ||
+            title.startsWith("Portail:") ||
+
+            // sentinel
+            false
+            ) {
+        return;
+    }
+    if (title.contains(":")) {
+        if (!title.startsWith("Sign gloss:")) {
+            System.err.println("title with colon: " + title);
+        }
+    }
     
     String text = textBuilder.toString();
     
index 87950c6885cc66795e12feb6e7508cf6161afde9..fd3f44f926db5f214881f285c2d01affa6932ee6 100644 (file)
@@ -26,7 +26,7 @@ public class WholeSectionToHtmlParser extends AbstractWiktionaryParser {
 
   @Override
   void parseSection(String heading, String text) {
-    HtmlEntry htmlEntry = new HtmlEntry(entrySource, title);
+    HtmlEntry htmlEntry = new HtmlEntry(entrySource, StringEscapeUtils.escapeHtml3(title));
     IndexedEntry indexedEntry = new IndexedEntry(htmlEntry);
 
     final AppendAndIndexWikiCallback<WholeSectionToHtmlParser> callback = new AppendCallback(this);
index 97bfce06b0bf7ee9dd1fdcf1c6d40dbc857733fb..65f14427617973202ed9875f49e56a04c04ddd6e 100644 (file)
@@ -30,10 +30,12 @@ public class WiktionaryLangs {
     isoCodeToEnWikiName.put("BN", "Bengali");
     isoCodeToEnWikiName.put("BS", "Bosnian");
     isoCodeToEnWikiName.put("BG", "Bulgarian");
+    isoCodeToEnWikiName.put("MY", "Burmese");
+    isoCodeToEnWikiName.put("yue", "Cantonese");
     isoCodeToEnWikiName.put("CA", "Catalan");
     isoCodeToEnWikiName.put("HR", "Croatian");
     isoCodeToEnWikiName.put("CS", "Czech");
-    isoCodeToEnWikiName.put("ZH", "Chinese|Mandarin|Cantonese");
+    isoCodeToEnWikiName.put("ZH", "Chinese|Mandarin");
     isoCodeToEnWikiName.put("DA", "Danish");
     isoCodeToEnWikiName.put("NL", "Dutch");
     isoCodeToEnWikiName.put("EN", "English");
@@ -43,6 +45,7 @@ public class WiktionaryLangs {
     isoCodeToEnWikiName.put("FR", "French");
     isoCodeToEnWikiName.put("DE", "German");
     isoCodeToEnWikiName.put("EL", "Greek");
+    isoCodeToEnWikiName.put("grc", "Ancient Greek");
     isoCodeToEnWikiName.put("haw", "Hawaiian");
     isoCodeToEnWikiName.put("HE", "Hebrew");
     isoCodeToEnWikiName.put("HI", "Hindi");
index 3587e21456e71ad1ddb1547c4b5d273f67dfdccc..b340add93abaf1cb90ad93231e5e733cc8bf1c1a 100644 (file)
--- a/todo.txt
+++ b/todo.txt
@@ -1,11 +1,11 @@
-* HtmlEntries
-  - Add them to the dictionary's list.
+HtmlEntry
+  - Add links into the HtmlEntry based on wikilinks.
+  - Build single EN/DE/IT/FR dictionaries based on HtmlEntry.
+  - "See also" link entries for cross-referencing ("form of"--strong, links to token, "mentioned in"--weaker, links to HtmlEntry). 
   - Link to them from the appropriate places: IndexEntry (first), and individual rows (tricker, built at different times).
 
 make sure word is sticky when you change dictionaries.
 
-get rid of Appendix:....  sections from EN.data in split.
-
 - on small device it would be great to be able to hide the system status bar and the title bar
 - an history list of the searched words per dictionary with the possibility of having a rudimentary flash card game from it to memorise new words
 - space between clear text button and language button is to big (my screen is 320x240, Galaxy Mini)
@@ -103,4 +103,6 @@ better tokenization?
 publish 2.0 dictionary
 test email
 dict manager
+get rid of Appendix:....  sections from EN.data in split.
+
   
\ No newline at end of file