src/storage/phrase_index.cpp

   1 /*
   2  *  libpinyin
   3  *  Library to deal with pinyin.
   4  *
   5  *  Copyright (C) 2006-2007 Peng Wu
   6  *
   7  *  This program is free software; you can redistribute it and/or modify
   8  *  it under the terms of the GNU General Public License as published by
   9  *  the Free Software Foundation; either version 2 of the License, or
  10  *  (at your option) any later version.
  11  *
  12  *  This program is distributed in the hope that it will be useful,
  13  *  but WITHOUT ANY WARRANTY; without even the implied warranty of
  14  *  MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the
  15  *  GNU General Public License for more details.
  16  *
  17  *  You should have received a copy of the GNU General Public License
  18  *  along with this program; if not, write to the Free Software
  19  *  Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA 02111-1307 USA
  20  */
  21
  22 #include "phrase_index.h"
  23
  24 using namespace pinyin;
  25
  26 bool PhraseItem::set_n_pronunciation(guint8 n_prouns){
  27     m_chunk.set_content(sizeof(guint8), &n_prouns, sizeof(guint8));
  28     return true;
  29 }
  30
  31 bool PhraseItem::get_nth_pronunciation(size_t index, PinyinKey * pinyin, guint32 & freq){
  32     guint8 phrase_length = get_phrase_length();
  33     table_offset_t offset = phrase_item_header + phrase_length * sizeof( utf16_t) + index * ( phrase_length * sizeof (PinyinKey) + sizeof(guint32));
  34     bool retval = m_chunk.get_content(offset, pinyin, phrase_length * sizeof(PinyinKey));
  35     if ( !retval )
  36         return retval;
  37     return m_chunk.get_content(offset + phrase_length * sizeof(PinyinKey), &freq , sizeof(guint32));
  38 }
  39
  40 void PhraseItem::append_pronunciation(PinyinKey * pinyin, guint32 freq){
  41     guint8 phrase_length = get_phrase_length();
  42     set_n_pronunciation(get_n_pronunciation() + 1);
  43     m_chunk.set_content(m_chunk.size(), pinyin, phrase_length * sizeof(PinyinKey));
  44     m_chunk.set_content(m_chunk.size(), &freq, sizeof(guint32));
  45 }
  46
  47 void PhraseItem::remove_nth_pronunciation(size_t index){
  48     guint8 phrase_length = get_phrase_length();
  49     set_n_pronunciation(get_n_pronunciation() - 1);
  50     size_t offset = phrase_item_header + phrase_length * sizeof ( utf16_t ) + index * (phrase_length * sizeof (PinyinKey) + sizeof(guint32));
  51     m_chunk.remove_content(offset, phrase_length * sizeof(PinyinKey) + sizeof(guint32));
  52 }
  53
  54 bool PhraseItem::get_phrase_string(utf16_t * phrase){
  55     guint8 phrase_length = get_phrase_length();
  56     return m_chunk.get_content(phrase_item_header, phrase, phrase_length * sizeof(utf16_t));
  57 }
  58
  59 bool PhraseItem::set_phrase_string(guint8 phrase_length, utf16_t * phrase){
  60     m_chunk.set_content(0, &phrase_length, sizeof(guint8));
  61     m_chunk.set_content(phrase_item_header, phrase, phrase_length * sizeof(utf16_t));
  62     return true;
  63 }
  64
  65 void PhraseItem::increase_pinyin_possibility(PinyinCustomSettings & custom,
  66                                              PinyinKey * pinyin_keys,
  67                                              gint32 delta){
  68     guint8 phrase_length = get_phrase_length();
  69     guint8 npron = get_n_pronunciation();
  70     size_t offset = phrase_item_header + phrase_length * sizeof ( utf16_t );
  71     char * buf_begin = (char *) m_chunk.begin();
  72     guint32 total_freq = 0;
  73     for ( int i = 0 ; i < npron ; ++i){
  74         char * pinyin_begin = buf_begin + offset +
  75             i * ( phrase_length * sizeof(PinyinKey) + sizeof(guint32) );
  76         guint32 * freq = (guint32 *)(pinyin_begin + phrase_length * sizeof(PinyinKey));
  77         total_freq += *freq;
  78         if ( 0 == pinyin_compare_with_ambiguities(custom,
  79                                                   (PinyinKey *)pinyin_begin,
  80                                                   pinyin_keys,
  81                                                   phrase_length)){
  82             //protect against total_freq overflow.
  83             if ( delta > 0 && total_freq > total_freq + delta )
  84                 return;
  85             *freq += delta;
  86             total_freq += delta;
  87         }
  88     }
  89 }
  90
  91
  92 guint32 SubPhraseIndex::get_phrase_index_total_freq(){
  93     return m_total_freq;
  94 }
  95
  96 int SubPhraseIndex::add_unigram_frequency(phrase_token_t token, guint32 delta){
  97     table_offset_t offset;
  98     guint32 freq;
  99     bool result = m_phrase_index.get_content
 100         ((token & PHRASE_MASK)
 101          * sizeof(table_offset_t), &offset, sizeof(table_offset_t));
 102
 103     if ( !result )
 104         return ERROR_OUT_OF_RANGE;
 105
 106     if ( 0 == offset )
 107     return ERROR_NO_ITEM;
 108
 109     result = m_phrase_content.get_content
 110         (offset + sizeof(guint8) + sizeof(guint8), &freq, sizeof(guint32));
 111
 112     if ( !result )
 113     return ERROR_FILE_CORRUPTION;
 114
 115     //protect total_freq overflow
 116     if ( delta > 0 && m_total_freq > m_total_freq + delta )
 117         return ERROR_INTEGER_OVERFLOW;
 118
 119     freq += delta;
 120     m_total_freq += delta;
 121     m_phrase_content.set_content(offset + sizeof(guint8) + sizeof(guint8), &freq, sizeof(guint32));
 122
 123     return ERROR_OK;
 124 }
 125
 126 int SubPhraseIndex::get_phrase_item(phrase_token_t token, PhraseItem & item){
 127     table_offset_t offset;
 128     guint8 phrase_length;
 129     guint8 n_prons;
 130
 131     bool result = m_phrase_index.get_content
 132         ((token & PHRASE_MASK)
 133          * sizeof(table_offset_t), &offset, sizeof(table_offset_t));
 134
 135     if ( !result )
 136         return ERROR_OUT_OF_RANGE;
 137
 138     if ( 0 == offset )
 139     return ERROR_NO_ITEM;
 140
 141     result = m_phrase_content.get_content(offset, &phrase_length, sizeof(guint8));
 142     if ( !result )
 143     return ERROR_FILE_CORRUPTION;
 144
 145     result = m_phrase_content.get_content(offset+sizeof(guint8), &n_prons, sizeof(guint8));
 146     if ( !result )
 147         return ERROR_FILE_CORRUPTION;
 148
 149     size_t length = phrase_item_header + phrase_length * sizeof ( utf16_t ) + n_prons * ( phrase_length * sizeof (PinyinKey) + sizeof(guint32) );
 150     item.m_chunk.set_chunk((char *)m_phrase_content.begin() + offset, length, NULL);
 151     return ERROR_OK;
 152 }
 153
 154 int SubPhraseIndex::add_phrase_item(phrase_token_t token, PhraseItem * item){
 155     table_offset_t offset = m_phrase_content.size();
 156     if ( 0 == offset )
 157         offset = 8;
 158     m_phrase_content.set_content(offset, item->m_chunk.begin(), item->m_chunk.size());
 159     m_phrase_index.set_content((token & PHRASE_MASK)
 160                                * sizeof(table_offset_t), &offset, sizeof(table_offset_t));
 161     m_total_freq += item->get_unigram_frequency();
 162     return ERROR_OK;
 163 }
 164
 165 int SubPhraseIndex::remove_phrase_item(phrase_token_t token, PhraseItem * & item){
 166     PhraseItem old_item;
 167
 168     int result = get_phrase_item(token, old_item);
 169     if (result != ERROR_OK)
 170     return result;
 171
 172     item = new PhraseItem;
 173     //implictly copy data from m_chunk_content.
 174     item->m_chunk.set_content(0, (char *) old_item.m_chunk.begin() , old_item.m_chunk.size());
 175
 176     const table_offset_t zero_const = 0;
 177     m_phrase_index.set_content((token & PHRASE_MASK)
 178                                * sizeof(table_offset_t), &zero_const, sizeof(table_offset_t));
 179     m_total_freq -= item->get_unigram_frequency();
 180     return ERROR_OK;
 181 }
 182
 183 bool FacadePhraseIndex::load(guint8 phrase_index, MemoryChunk * chunk){
 184     SubPhraseIndex * & sub_phrases = m_sub_phrase_indices[phrase_index];
 185     if ( !sub_phrases ){
 186         sub_phrases = new SubPhraseIndex;
 187     }
 188
 189     bool retval = sub_phrases->load(chunk, 0, chunk->size());
 190     if ( !retval )
 191         return retval;
 192     m_total_freq += sub_phrases->get_phrase_index_total_freq();
 193     return retval;
 194 }
 195
 196 bool FacadePhraseIndex::store(guint8 phrase_index, MemoryChunk * new_chunk){
 197     table_offset_t end;
 198     SubPhraseIndex * & sub_phrases = m_sub_phrase_indices[phrase_index];
 199     if ( !sub_phrases )
 200         return false;
 201
 202     sub_phrases->store(new_chunk, 0, end);
 203     return true;
 204 }
 205
 206 bool FacadePhraseIndex::unload(guint8 phrase_index){
 207     SubPhraseIndex * & sub_phrases = m_sub_phrase_indices[phrase_index];
 208     if ( !sub_phrases )
 209         return false;
 210     m_total_freq -= sub_phrases->get_phrase_index_total_freq();
 211     delete sub_phrases;
 212     sub_phrases = NULL;
 213     return true;
 214 }
 215
 216 bool FacadePhraseIndex::diff(guint8 phrase_index, MemoryChunk * oldchunk,
 217                              MemoryChunk * newlog){
 218     SubPhraseIndex * & sub_phrases = m_sub_phrase_indices[phrase_index];
 219     if ( !sub_phrases )
 220         return false;
 221
 222     SubPhraseIndex old_sub_phrases;
 223     old_sub_phrases.load(oldchunk, 0, oldchunk->size());
 224     PhraseIndexLogger logger;
 225
 226     bool retval = sub_phrases->diff(&old_sub_phrases, &logger);
 227     logger.store(newlog);
 228     return retval;
 229 }
 230
 231 bool FacadePhraseIndex::merge(guint8 phrase_index, MemoryChunk * log){
 232     SubPhraseIndex * & sub_phrases = m_sub_phrase_indices[phrase_index];
 233     if ( !sub_phrases )
 234         return false;
 235
 236     PhraseIndexLogger logger;
 237     logger.load(log);
 238
 239     return sub_phrases->merge(&logger);
 240 }
 241
 242 bool SubPhraseIndex::load(MemoryChunk * chunk,
 243                           table_offset_t offset, table_offset_t end){
 244     //save the memory chunk
 245     if ( m_chunk ){
 246         delete m_chunk;
 247         m_chunk = NULL;
 248     }
 249     m_chunk = chunk;
 250
 251     char * buf_begin = (char *)chunk->begin();
 252     chunk->get_content(offset, &m_total_freq, sizeof(guint32));
 253     offset += sizeof(guint32);
 254     table_offset_t index_one, index_two, index_three;
 255     chunk->get_content(offset, &index_one, sizeof(table_offset_t));
 256     offset += sizeof(table_offset_t);
 257     chunk->get_content(offset, &index_two, sizeof(table_offset_t));
 258     offset += sizeof(table_offset_t);
 259     chunk->get_content(offset, &index_three, sizeof(table_offset_t));
 260     offset += sizeof(table_offset_t);
 261     g_return_val_if_fail(*(buf_begin + offset) == c_separate, FALSE);
 262     g_return_val_if_fail(*(buf_begin + index_two - 1) == c_separate, FALSE);
 263     g_return_val_if_fail(*(buf_begin + index_three - 1) == c_separate, FALSE);
 264     m_phrase_index.set_chunk(buf_begin + index_one,
 265                              index_two - 1 - index_one, NULL);
 266     m_phrase_content.set_chunk(buf_begin + index_two,
 267                                  index_three - 1 - index_two, NULL);
 268     g_return_val_if_fail( index_three <= end, FALSE);
 269     return true;
 270 }
 271
 272 bool SubPhraseIndex::store(MemoryChunk * new_chunk,
 273                            table_offset_t offset, table_offset_t& end){
 274     new_chunk->set_content(offset, &m_total_freq, sizeof(guint32));
 275     table_offset_t index = offset + sizeof(guint32);
 276
 277     offset = index + sizeof(table_offset_t) * 3 ;
 278     new_chunk->set_content(offset, &c_separate, sizeof(char));
 279     offset += sizeof(char);
 280
 281     new_chunk->set_content(index, &offset, sizeof(table_offset_t));
 282     index += sizeof(table_offset_t);
 283     new_chunk->set_content(offset, m_phrase_index.begin(), m_phrase_index.size());
 284     offset += m_phrase_index.size();
 285     new_chunk->set_content(offset, &c_separate, sizeof(char));
 286     offset += sizeof(char);
 287
 288     new_chunk->set_content(index, &offset, sizeof(table_offset_t));
 289     index += sizeof(table_offset_t);
 290
 291     new_chunk->set_content(offset, m_phrase_content.begin(), m_phrase_content.size());
 292     offset += m_phrase_content.size();
 293     new_chunk->set_content(offset, &c_separate, sizeof(char));
 294     offset += sizeof(char);
 295     new_chunk->set_content(index, &offset, sizeof(table_offset_t));
 296     return true;
 297 }
 298
 299 bool SubPhraseIndex::diff(SubPhraseIndex * oldone, PhraseIndexLogger * logger){
 300     PhraseIndexRange oldrange, currange, range;
 301     oldone->get_range(oldrange); get_range(currange);
 302     range.m_range_begin = std_lite::min(oldrange.m_range_begin,
 303                                         currange.m_range_begin);
 304     range.m_range_end = std_lite::max(oldrange.m_range_end,
 305                                      currange.m_range_end);
 306     PhraseItem olditem, newitem;
 307
 308     for (phrase_token_t token = range.m_range_begin;
 309          token < range.m_range_end; ++token ){
 310         bool oldretval = ERROR_OK == oldone->get_phrase_item(token, olditem);
 311         bool newretval = ERROR_OK == get_phrase_item(token, newitem);
 312
 313         if ( oldretval ){
 314             if ( newretval ) { /* compare phrase item. */
 315                 if ( olditem == newitem )
 316                     continue;
 317                 logger->append_record(LOG_MODIFY_RECORD, token,
 318                                       &(olditem.m_chunk), &(newitem.m_chunk));
 319             } else { /* remove phrase item. */
 320                 logger->append_record(LOG_REMOVE_RECORD, token,
 321                                       &(olditem.m_chunk), NULL);
 322             }
 323         } else {
 324             if ( newretval ){ /* add phrase item. */
 325                 logger->append_record(LOG_ADD_RECORD, token,
 326                                       NULL, &(newitem.m_chunk));
 327             } else { /* both empty. */
 328                     /* do nothing. */
 329             }
 330         }
 331     }
 332
 333     return true;
 334 }
 335
 336 bool SubPhraseIndex::merge(PhraseIndexLogger * logger){
 337     LOG_TYPE log_type; phrase_token_t token;
 338     MemoryChunk oldchunk, newchunk;
 339     PhraseItem olditem, newitem, * tmpitem;
 340
 341     while(logger->has_next_record()){
 342         logger->next_record(log_type, token, &oldchunk, &newchunk);
 343
 344         switch(log_type){
 345         case LOG_ADD_RECORD:{
 346             assert( 0 == oldchunk.size() );
 347             newitem.m_chunk.set_chunk(newchunk.begin(), newchunk.size(),
 348                                       NULL);
 349             add_phrase_item(token, &newitem);
 350             break;
 351         }
 352         case LOG_REMOVE_RECORD:{
 353             assert( 0 == newchunk.size() );
 354             tmpitem = NULL;
 355             remove_phrase_item(token, tmpitem);
 356             olditem.m_chunk.set_chunk(oldchunk.begin(), oldchunk.size(),
 357                                    NULL);
 358             if (olditem != *tmpitem)
 359                 return false;
 360             break;
 361         }
 362         case LOG_MODIFY_RECORD:{
 363             TODO:
 364             break;
 365         }
 366         default:
 367             assert(false);
 368         }
 369     }
 370 }
 371
 372 bool FacadePhraseIndex::load_text(guint8 phrase_index, FILE * infile){
 373     SubPhraseIndex * & sub_phrases = m_sub_phrase_indices[phrase_index];
 374     if ( !sub_phrases ){
 375         sub_phrases = new SubPhraseIndex;
 376     }
 377
 378     char pinyin[256];
 379     char phrase[256];
 380     phrase_token_t token;
 381     size_t freq;
 382     PhraseItem * item_ptr = new PhraseItem;
 383     phrase_token_t cur_token = 0;
 384     while ( !feof(infile)){
 385         fscanf(infile, "%s", pinyin);
 386         fscanf(infile, "%s", phrase);
 387         fscanf(infile, "%u", &token);
 388         fscanf(infile, "%ld", &freq);
 389         if ( feof(infile) )
 390             break;
 391
 392         assert(PHRASE_INDEX_LIBRARY_INDEX(token) == phrase_index );
 393
 394         glong written;
 395         utf16_t * phrase_utf16 = g_utf8_to_utf16(phrase, -1, NULL,
 396                                                &written, NULL);
 397
 398         if ( 0 == cur_token ){
 399             cur_token = token;
 400             item_ptr->set_phrase_string(written, phrase_utf16);
 401         }
 402
 403         if ( cur_token != token ){
 404             add_phrase_item( cur_token, item_ptr);
 405             delete item_ptr;
 406             item_ptr = new PhraseItem;
 407             cur_token = token;
 408             item_ptr->set_phrase_string(written, phrase_utf16);
 409         }
 410
 411         PinyinDefaultParser parser;
 412         NullPinyinValidator validator;
 413         PinyinKeyVector keys;
 414         PinyinKeyPosVector poses;
 415
 416         keys = g_array_new(FALSE, FALSE, sizeof( PinyinKey));
 417         poses = g_array_new(FALSE, FALSE, sizeof( PinyinKeyPos));
 418         parser.parse(validator, keys, poses, pinyin);
 419
 420         assert ( item_ptr->get_phrase_length() == keys->len );
 421         item_ptr->append_pronunciation((PinyinKey *)keys->data, freq);
 422
 423         g_array_free(keys, TRUE);
 424         g_array_free(poses, TRUE);
 425         g_free(phrase_utf16);
 426     }
 427
 428     add_phrase_item( cur_token, item_ptr);
 429     delete item_ptr;
 430     m_total_freq += m_sub_phrase_indices[phrase_index]->get_phrase_index_total_freq();
 431     return true;
 432 }
 433
 434 int FacadePhraseIndex::get_range(guint8 phrase_index, /* out */ PhraseIndexRange & range){
 435     SubPhraseIndex * sub_phrase = m_sub_phrase_indices[phrase_index];
 436     if ( !sub_phrase )
 437         return ERROR_NO_SUB_PHRASE_INDEX;
 438
 439     int result = sub_phrase->get_range(range);
 440     if ( result )
 441         return result;
 442
 443     range.m_range_begin = PHRASE_INDEX_MAKE_TOKEN(phrase_index, range.m_range_begin);
 444     range.m_range_end = PHRASE_INDEX_MAKE_TOKEN(phrase_index, range.m_range_end);
 445     return ERROR_OK;
 446 }
 447
 448 int SubPhraseIndex::get_range(/* out */ PhraseIndexRange & range){
 449     const table_offset_t * begin = (const table_offset_t *)m_phrase_index.begin();
 450     const table_offset_t * end = (const table_offset_t *)m_phrase_index.end();
 451
 452     range.m_range_begin = 1; /* token starts with 1 in gen_pinyin_table. */
 453     range.m_range_end = end - begin;
 454
 455     return ERROR_OK;
 456 }
 457
 458 bool FacadePhraseIndex::compat(){
 459     for ( size_t index = 0; index < PHRASE_INDEX_LIBRARY_COUNT; ++index) {
 460         SubPhraseIndex * sub_phrase = m_sub_phrase_indices[index];
 461         if ( !sub_phrase )
 462             continue;
 463
 464         SubPhraseIndex * new_sub_phrase =  new SubPhraseIndex;
 465         PhraseIndexRange range;
 466         int result = sub_phrase->get_range(range);
 467         if ( result != ERROR_OK ) {
 468             delete new_sub_phrase;
 469             continue;
 470         }
 471
 472         PhraseItem item;
 473         for ( phrase_token_t token = range.m_range_begin;
 474               token < range.m_range_end;
 475               ++token ) {
 476             result = sub_phrase->get_phrase_item(token, item);
 477             if ( result != ERROR_OK )
 478                 continue;
 479             new_sub_phrase->add_phrase_item(token, &item);
 480         }
 481
 482         delete sub_phrase;
 483         m_sub_phrase_indices[index] = new_sub_phrase;
 484     }
 485     return true;
 486 }