src/components/translate/core/language_detection/language_detection_util.cc

   1 // Copyright 2014 The Chromium Authors. All rights reserved.
   2 // Use of this source code is governed by a BSD-style license that can be
   3 // found in the LICENSE file.
   4
   5 #include "components/translate/core/language_detection/language_detection_util.h"
   6
   7 #include "base/logging.h"
   8 #include "base/metrics/field_trial.h"
   9 #include "base/strings/string_split.h"
  10 #include "base/strings/string_util.h"
  11 #include "base/strings/utf_string_conversions.h"
  12 #include "base/time/time.h"
  13 #include "components/translate/core/common/translate_constants.h"
  14 #include "components/translate/core/common/translate_metrics.h"
  15 #include "components/translate/core/common/translate_util.h"
  16
  17 #if !defined(CLD_VERSION) || CLD_VERSION==1
  18 #include "third_party/cld/encodings/compact_lang_det/compact_lang_det.h"
  19 #include "third_party/cld/encodings/compact_lang_det/win/cld_unicodetext.h"
  20 #endif
  21
  22 #if !defined(CLD_VERSION) || CLD_VERSION==2
  23 #include "third_party/cld_2/src/public/compact_lang_det.h"
  24 #endif
  25
  26 namespace {
  27
  28 // Similar language code list. Some languages are very similar and difficult
  29 // for CLD to distinguish.
  30 struct SimilarLanguageCode {
  31   const char* const code;
  32   int group;
  33 };
  34
  35 const SimilarLanguageCode kSimilarLanguageCodes[] = {
  36   {"bs", 1},
  37   {"hr", 1},
  38   {"hi", 2},
  39   {"ne", 2},
  40 };
  41
  42 // Checks |kSimilarLanguageCodes| and returns group code.
  43 int GetSimilarLanguageGroupCode(const std::string& language) {
  44   for (size_t i = 0; i < arraysize(kSimilarLanguageCodes); ++i) {
  45     if (language.find(kSimilarLanguageCodes[i].code) != 0)
  46       continue;
  47     return kSimilarLanguageCodes[i].group;
  48   }
  49   return 0;
  50 }
  51
  52 // Well-known languages which often have wrong server configuration of
  53 // Content-Language: en.
  54 // TODO(toyoshim): Remove these static tables and caller functions to
  55 // translate/common, and implement them as std::set<>.
  56 const char* kWellKnownCodesOnWrongConfiguration[] = {
  57   "es", "pt", "ja", "ru", "de", "zh-CN", "zh-TW", "ar", "id", "fr", "it", "th"
  58 };
  59
  60 // Applies a series of language code modification in proper order.
  61 void ApplyLanguageCodeCorrection(std::string* code) {
  62   // Correct well-known format errors.
  63   translate::CorrectLanguageCodeTypo(code);
  64
  65   if (!translate::IsValidLanguageCode(*code)) {
  66     *code = std::string();
  67     return;
  68   }
  69
  70   translate::ToTranslateLanguageSynonym(code);
  71 }
  72
  73 int GetCLDMajorVersion() {
  74 #if !defined(CLD_VERSION)
  75   std::string group_name = base::FieldTrialList::FindFullName("CLD1VsCLD2");
  76   if (group_name == "CLD2")
  77     return 2;
  78   else
  79     return 1;
  80 #else
  81   return CLD_VERSION;
  82 #endif
  83 }
  84
  85 // Returns the ISO 639 language code of the specified |text|, or 'unknown' if it
  86 // failed.
  87 // |is_cld_reliable| will be set as true if CLD says the detection is reliable.
  88 std::string DetermineTextLanguage(const base::string16& text,
  89                                   bool* is_cld_reliable) {
  90   std::string language = translate::kUnknownLanguageCode;
  91   int text_bytes = 0;
  92   bool is_reliable = false;
  93
  94   // Language or CLD2::Language
  95   int cld_language = 0;
  96   bool is_valid_language = false;
  97
  98   switch (GetCLDMajorVersion()) {
  99 #if !defined(CLD_VERSION) || CLD_VERSION==1
 100     case 1: {
 101       int num_languages = 0;
 102       cld_language =
 103           DetectLanguageOfUnicodeText(NULL, text.c_str(), true, &is_reliable,
 104                                       &num_languages, NULL, &text_bytes);
 105       is_valid_language = cld_language != NUM_LANGUAGES &&
 106           cld_language != UNKNOWN_LANGUAGE &&
 107           cld_language != TG_UNKNOWN_LANGUAGE;
 108       break;
 109     }
 110 #endif
 111 #if !defined(CLD_VERSION) || CLD_VERSION==2
 112     case 2: {
 113       std::string utf8_text(base::UTF16ToUTF8(text));
 114       CLD2::Language language3[3];
 115       int percent3[3];
 116       CLD2::DetectLanguageSummary(
 117           utf8_text.c_str(), (int)utf8_text.size(), true, language3, percent3,
 118           &text_bytes, &is_reliable);
 119       cld_language = language3[0];
 120       is_valid_language = cld_language != CLD2::NUM_LANGUAGES &&
 121           cld_language != CLD2::UNKNOWN_LANGUAGE &&
 122           cld_language != CLD2::TG_UNKNOWN_LANGUAGE;
 123       break;
 124     }
 125 #endif
 126     default:
 127       NOTREACHED();
 128   }
 129
 130   if (is_cld_reliable != NULL)
 131     *is_cld_reliable = is_reliable;
 132
 133   // We don't trust the result if the CLD reports that the detection is not
 134   // reliable, or if the actual text used to detect the language was less than
 135   // 100 bytes (short texts can often lead to wrong results).
 136   // TODO(toyoshim): CLD provides |is_reliable| flag. But, it just says that
 137   // the determined language code is correct with 50% confidence. Chrome should
 138   // handle the real confidence value to judge.
 139   if (is_reliable && text_bytes >= 100 && is_valid_language) {
 140     // We should not use LanguageCode_ISO_639_1 because it does not cover all
 141     // the languages CLD can detect. As a result, it'll return the invalid
 142     // language code for tradtional Chinese among others.
 143     // |LanguageCodeWithDialect| will go through ISO 639-1, ISO-639-2 and
 144     // 'other' tables to do the 'right' thing. In addition, it'll return zh-CN
 145     // for Simplified Chinese.
 146     switch (GetCLDMajorVersion()) {
 147 #if !defined(CLD_VERSION) || CLD_VERSION==1
 148       case 1:
 149         language =
 150             LanguageCodeWithDialects(static_cast<Language>(cld_language));
 151         break;
 152 #endif
 153 #if !defined(CLD_VERSION) || CLD_VERSION==2
 154       case 2:
 155         // (1) CLD2's LanguageCode returns general Chinese 'zh' for
 156         // CLD2::CHINESE, but Translate server doesn't accept it. This is
 157         // converted to 'zh-CN' in the same way as CLD1's
 158         // LanguageCodeWithDialects.
 159         //
 160         // (2) CLD2's LanguageCode returns zh-Hant instead of zh-TW for
 161         // CLD2::CHINESE_T. This is technically more precise for the language
 162         // code of traditional Chinese, while Translate server hasn't accepted
 163         // zh-Hant yet.
 164         if (cld_language == CLD2::CHINESE) {
 165           language = "zh-CN";
 166         } else if (cld_language == CLD2::CHINESE_T) {
 167           language = "zh-TW";
 168         } else {
 169           language =
 170               CLD2::LanguageCode(static_cast<CLD2::Language>(cld_language));
 171         }
 172         break;
 173 #endif
 174       default:
 175         NOTREACHED();
 176     }
 177   }
 178   VLOG(9) << "Detected lang_id: " << language << ", from Text:\n" << text
 179           << "\n*************************************\n";
 180   return language;
 181 }
 182
 183 // Checks if CLD can complement a sub code when the page language doesn't know
 184 // the sub code.
 185 bool CanCLDComplementSubCode(
 186     const std::string& page_language, const std::string& cld_language) {
 187   // Translate server cannot treat general Chinese. If Content-Language and
 188   // CLD agree that the language is Chinese and Content-Language doesn't know
 189   // which dialect is used, CLD language has priority.
 190   // TODO(hajimehoshi): How about the other dialects like zh-MO?
 191   return page_language == "zh" && StartsWithASCII(cld_language, "zh-", false);
 192 }
 193
 194 }  // namespace
 195
 196 namespace translate {
 197
 198 std::string DeterminePageLanguage(const std::string& code,
 199                                   const std::string& html_lang,
 200                                   const base::string16& contents,
 201                                   std::string* cld_language_p,
 202                                   bool* is_cld_reliable_p) {
 203   base::TimeTicks begin_time = base::TimeTicks::Now();
 204   bool is_cld_reliable;
 205   std::string cld_language = DetermineTextLanguage(contents, &is_cld_reliable);
 206   translate::ReportLanguageDetectionTime(begin_time, base::TimeTicks::Now());
 207
 208   if (cld_language_p != NULL)
 209     *cld_language_p = cld_language;
 210   if (is_cld_reliable_p != NULL)
 211     *is_cld_reliable_p = is_cld_reliable;
 212   translate::ToTranslateLanguageSynonym(&cld_language);
 213
 214   // Check if html lang attribute is valid.
 215   std::string modified_html_lang;
 216   if (!html_lang.empty()) {
 217     modified_html_lang = html_lang;
 218     ApplyLanguageCodeCorrection(&modified_html_lang);
 219     translate::ReportHtmlLang(html_lang, modified_html_lang);
 220     VLOG(9) << "html lang based language code: " << modified_html_lang;
 221   }
 222
 223   // Check if Content-Language is valid.
 224   std::string modified_code;
 225   if (!code.empty()) {
 226     modified_code = code;
 227     ApplyLanguageCodeCorrection(&modified_code);
 228     translate::ReportContentLanguage(code, modified_code);
 229   }
 230
 231   // Adopt |modified_html_lang| if it is valid. Otherwise, adopt
 232   // |modified_code|.
 233   std::string language = modified_html_lang.empty() ? modified_code :
 234                                                       modified_html_lang;
 235
 236   // If |language| is empty, just use CLD result even though it might be
 237   // translate::kUnknownLanguageCode.
 238   if (language.empty()) {
 239     translate::ReportLanguageVerification(
 240         translate::LANGUAGE_VERIFICATION_CLD_ONLY);
 241     return cld_language;
 242   }
 243
 244   if (cld_language == kUnknownLanguageCode) {
 245     translate::ReportLanguageVerification(
 246         translate::LANGUAGE_VERIFICATION_UNKNOWN);
 247     return language;
 248   }
 249
 250   if (CanCLDComplementSubCode(language, cld_language)) {
 251     translate::ReportLanguageVerification(
 252         translate::LANGUAGE_VERIFICATION_CLD_COMPLEMENT_SUB_CODE);
 253     return cld_language;
 254   }
 255
 256   if (IsSameOrSimilarLanguages(language, cld_language)) {
 257     translate::ReportLanguageVerification(
 258         translate::LANGUAGE_VERIFICATION_CLD_AGREE);
 259     return language;
 260   }
 261
 262   if (MaybeServerWrongConfiguration(language, cld_language)) {
 263     translate::ReportLanguageVerification(
 264         translate::LANGUAGE_VERIFICATION_TRUST_CLD);
 265     return cld_language;
 266   }
 267
 268   // Content-Language value might be wrong because CLD says that this page is
 269   // written in another language with confidence.  In this case, Chrome doesn't
 270   // rely on any of the language codes, and gives up suggesting a translation.
 271   translate::ReportLanguageVerification(
 272       translate::LANGUAGE_VERIFICATION_CLD_DISAGREE);
 273   return kUnknownLanguageCode;
 274 }
 275
 276 void CorrectLanguageCodeTypo(std::string* code) {
 277   DCHECK(code);
 278
 279   size_t coma_index = code->find(',');
 280   if (coma_index != std::string::npos) {
 281     // There are more than 1 language specified, just keep the first one.
 282     *code = code->substr(0, coma_index);
 283   }
 284   base::TrimWhitespaceASCII(*code, base::TRIM_ALL, code);
 285
 286   // An underscore instead of a dash is a frequent mistake.
 287   size_t underscore_index = code->find('_');
 288   if (underscore_index != std::string::npos)
 289     (*code)[underscore_index] = '-';
 290
 291   // Change everything up to a dash to lower-case and everything after to upper.
 292   size_t dash_index = code->find('-');
 293   if (dash_index != std::string::npos) {
 294     *code = base::StringToLowerASCII(code->substr(0, dash_index)) +
 295         StringToUpperASCII(code->substr(dash_index));
 296   } else {
 297     *code = base::StringToLowerASCII(*code);
 298   }
 299 }
 300
 301 bool IsValidLanguageCode(const std::string& code) {
 302   // Roughly check if the language code follows /[a-zA-Z]{2,3}(-[a-zA-Z]{2})?/.
 303   // TODO(hajimehoshi): How about es-419, which is used as an Accept language?
 304   std::vector<std::string> chunks;
 305   base::SplitString(code, '-', &chunks);
 306
 307   if (chunks.size() < 1 || 2 < chunks.size())
 308     return false;
 309
 310   const std::string& main_code = chunks[0];
 311
 312   if (main_code.size() < 1 || 3 < main_code.size())
 313     return false;
 314
 315   for (std::string::const_iterator it = main_code.begin();
 316        it != main_code.end(); ++it) {
 317     if (!IsAsciiAlpha(*it))
 318       return false;
 319   }
 320
 321   if (chunks.size() == 1)
 322     return true;
 323
 324   const std::string& sub_code = chunks[1];
 325
 326   if (sub_code.size() != 2)
 327     return false;
 328
 329   for (std::string::const_iterator it = sub_code.begin();
 330        it != sub_code.end(); ++it) {
 331     if (!IsAsciiAlpha(*it))
 332       return false;
 333   }
 334
 335   return true;
 336 }
 337
 338 bool IsSameOrSimilarLanguages(const std::string& page_language,
 339                               const std::string& cld_language) {
 340   std::vector<std::string> chunks;
 341
 342   base::SplitString(page_language, '-', &chunks);
 343   if (chunks.size() == 0)
 344     return false;
 345   std::string page_language_main_part = chunks[0];
 346
 347   base::SplitString(cld_language, '-', &chunks);
 348   if (chunks.size() == 0)
 349     return false;
 350   std::string cld_language_main_part = chunks[0];
 351
 352   // Language code part of |page_language| is matched to one of |cld_language|.
 353   // Country code is ignored here.
 354   if (page_language_main_part == cld_language_main_part) {
 355     // Languages are matched strictly. Reports false to metrics, but returns
 356     // true.
 357     translate::ReportSimilarLanguageMatch(false);
 358     return true;
 359   }
 360
 361   // Check if |page_language| and |cld_language| are in the similar language
 362   // list and belong to the same language group.
 363   int page_code = GetSimilarLanguageGroupCode(page_language);
 364   bool match = page_code != 0 &&
 365                page_code == GetSimilarLanguageGroupCode(cld_language);
 366
 367   translate::ReportSimilarLanguageMatch(match);
 368   return match;
 369 }
 370
 371 bool MaybeServerWrongConfiguration(const std::string& page_language,
 372                                    const std::string& cld_language) {
 373   // If |page_language| is not "en-*", respect it and just return false here.
 374   if (!StartsWithASCII(page_language, "en", false))
 375     return false;
 376
 377   // A server provides a language meta information representing "en-*". But it
 378   // might be just a default value due to missing user configuration.
 379   // Let's trust |cld_language| if the determined language is not difficult to
 380   // distinguish from English, and the language is one of well-known languages
 381   // which often provide "en-*" meta information mistakenly.
 382   for (size_t i = 0; i < arraysize(kWellKnownCodesOnWrongConfiguration); ++i) {
 383     if (cld_language == kWellKnownCodesOnWrongConfiguration[i])
 384       return true;
 385   }
 386   return false;
 387 }
 388
 389 }  // namespace translate