src/charsets.c

   1 /* $Id: charsets.c,v 1.5 2007-05-25 10:32:55 marc Exp $
   2    Copyright (c) 2006-2007, Index Data.
   3
   4 This file is part of Pazpar2.
   5
   6 Pazpar2 is free software; you can redistribute it and/or modify it under
   7 the terms of the GNU General Public License as published by the Free
   8 Software Foundation; either version 2, or (at your option) any later
   9 version.
  10
  11 Pazpar2 is distributed in the hope that it will be useful, but WITHOUT ANY
  12 WARRANTY; without even the implied warranty of MERCHANTABILITY or
  13 FITNESS FOR A PARTICULAR PURPOSE.  See the GNU General Public License
  14 for more details.
  15
  16 You should have received a copy of the GNU General Public License
  17 along with Pazpar2; see the file LICENSE.  If not, write to the
  18 Free Software Foundation, 59 Temple Place - Suite 330, Boston, MA
  19 02111-1307, USA.
  20  */
  21
  22 /** \file charsets.c
  23     \brief Pazpar2 Character set facilities
  24 */
  25
  26 #if HAVE_CONFIG_H
  27 #include "cconfig.h"
  28 #endif
  29
  30 #include <yaz/xmalloc.h>
  31 #include <yaz/wrbuf.h>
  32 #include <yaz/log.h>
  33 #include <ctype.h>
  34 #include <assert.h>
  35
  36 #include "charsets.h"
  37 //#include "config.h"
  38 //#include "parameters.h"
  39
  40 #ifdef HAVE_ICU
  41 #include "icu_I18N.h"
  42 #endif // HAVE_ICU
  43
  44 /* charset handle */
  45 struct pp2_charset_s {
  46     const char *(*token_next_handler)(pp2_relevance_token_t prt);
  47     /* other handlers will come as we see fit */
  48 #ifdef HAVE_ICU
  49     struct icu_chain * icu_chn;
  50     UErrorCode icu_sts;
  51 #endif // HAVE_ICU
  52 };
  53
  54 static const char *pp2_relevance_token_a_to_z(pp2_relevance_token_t prt);
  55
  56 #ifdef HAVE_ICU
  57 static const char *pp2_relevance_token_icu(pp2_relevance_token_t prt);
  58 #endif // HAVE_ICU
  59
  60 /* tokenzier handle */
  61 struct pp2_relevance_token_s {
  62     const char *cp;     /* unnormalized buffer we're tokenizing */
  63     pp2_charset_t pct;  /* our main charset handle (type+config) */
  64     WRBUF norm_str;     /* normized string we return (temporarily) */
  65 };
  66
  67 pp2_charset_t pp2_charset_create(struct icu_chain * icu_chn)
  68 {
  69     pp2_charset_t pct = xmalloc(sizeof(*pct));
  70
  71     pct->token_next_handler = pp2_relevance_token_a_to_z;
  72 #ifdef HAVE_ICU
  73     pct->icu_chn = 0;
  74     if (icu_chn){
  75         pct->icu_chn = icu_chn;
  76         pct->icu_sts = U_ZERO_ERROR;
  77         pct->token_next_handler = pp2_relevance_token_icu;
  78     }
  79  #endif // HAVE_ICU
  80     return pct;
  81 }
  82
  83 void pp2_charset_destroy(pp2_charset_t pct)
  84 {
  85     xfree(pct);
  86 }
  87
  88 pp2_relevance_token_t pp2_relevance_tokenize(pp2_charset_t pct,
  89                                              const char *buf)
  90 {
  91     pp2_relevance_token_t prt = xmalloc(sizeof(*prt));
  92
  93     assert(pct);
  94
  95     prt->norm_str = wrbuf_alloc();
  96     prt->cp = buf;
  97     prt->pct = pct;
  98
  99 #ifdef HAVE_ICU
 100     if (pct->icu_chn)
 101     {
 102         pct->icu_sts = U_ZERO_ERROR;
 103         int ok = 0;
 104         ok = icu_chain_assign_cstr(pct->icu_chn, buf, &pct->icu_sts);
 105         //printf("\nfield ok: %d '%s'\n", ok, buf);
 106         prt->pct = pct;
 107         prt->norm_str = 0;
 108     }
 109 #endif // HAVE_ICU
 110     return prt;
 111 }
 112
 113
 114 void pp2_relevance_token_destroy(pp2_relevance_token_t prt)
 115 {
 116     assert(prt);
 117     if(prt->norm_str)
 118         wrbuf_destroy(prt->norm_str);
 119     xfree(prt);
 120 }
 121
 122 const char *pp2_relevance_token_next(pp2_relevance_token_t prt)
 123 {
 124     assert(prt);
 125     return (prt->pct->token_next_handler)(prt);
 126 }
 127
 128 #define raw_char(c) (((c) >= 'a' && (c) <= 'z') ? (c) - 'a' + 1 : -1)
 129 /* original tokenizer with our tokenize interface, but we
 130    add +1 to ensure no '\0' are in our string (except for EOF)
 131 */
 132 static const char *pp2_relevance_token_a_to_z(pp2_relevance_token_t prt)
 133 {
 134     const char *cp = prt->cp;
 135     int c;
 136
 137     /* skip white space */
 138     while (*cp && (c = raw_char(tolower(*cp))) < 0)
 139         cp++;
 140     if (*cp == '\0')
 141     {
 142         prt->cp = cp;
 143         return 0;
 144     }
 145     /* now read the term itself */
 146     wrbuf_rewind(prt->norm_str);
 147     while (*cp && (c = raw_char(tolower(*cp))) >= 0)
 148     {
 149         wrbuf_putc(prt->norm_str, c);
 150         cp++;
 151     }
 152     prt->cp = cp;
 153     return wrbuf_cstr(prt->norm_str);
 154 }
 155
 156
 157 #ifdef HAVE_ICU
 158 static const char *pp2_relevance_token_icu(pp2_relevance_token_t prt)
 159 {
 160     //&& U_SUCCESS(pct->icu_sts))
 161     if (icu_chain_next_token(prt->pct->icu_chn, &prt->pct->icu_sts)){
 162         //printf("'%s' ",  icu_chain_get_norm(prt->pct->icu_chn));
 163         if (U_FAILURE(prt->pct->icu_sts))
 164         {
 165             //printf("ICU status failure\n ");
 166             return 0;
 167         }
 168
 169         return icu_chain_get_norm(prt->pct->icu_chn);
 170     }
 171     //printf ("EOF\n");
 172     return 0;
 173 };
 174 #endif // HAVE_ICU
 175
 176
 177
 178 /*
 179  * Local variables:
 180  * c-basic-offset: 4
 181  * indent-tabs-mode: nil
 182  * End:
 183  * vim: shiftwidth=4 tabstop=8 expandtab
 184  */