src/charsets.c

   1 /* This file is part of Pazpar2.
   2    Copyright (C) 2006-2010 Index Data
   3
   4 Pazpar2 is free software; you can redistribute it and/or modify it under
   5 the terms of the GNU General Public License as published by the Free
   6 Software Foundation; either version 2, or (at your option) any later
   7 version.
   8
   9 Pazpar2 is distributed in the hope that it will be useful, but WITHOUT ANY
  10 WARRANTY; without even the implied warranty of MERCHANTABILITY or
  11 FITNESS FOR A PARTICULAR PURPOSE.  See the GNU General Public License
  12 for more details.
  13
  14 You should have received a copy of the GNU General Public License
  15 along with this program; if not, write to the Free Software
  16 Foundation, Inc., 51 Franklin St, Fifth Floor, Boston, MA  02110-1301  USA
  17
  18 */
  19
  20 /** \file charsets.c
  21     \brief Pazpar2 Character set facilities
  22 */
  23
  24 #if HAVE_CONFIG_H
  25 #include <config.h>
  26 #endif
  27
  28 #include <yaz/xmalloc.h>
  29 #include <yaz/wrbuf.h>
  30 #include <yaz/log.h>
  31 #include <yaz/yaz-version.h>
  32 #include <ctype.h>
  33 #include <assert.h>
  34 #include <string.h>
  35
  36 #include "charsets.h"
  37 #include "normalize7bit.h"
  38
  39 #if YAZ_HAVE_ICU
  40 #include <yaz/icu.h>
  41 #endif
  42
  43 /* charset handle */
  44 struct pp2_charset_s {
  45     const char *(*token_next_handler)(pp2_relevance_token_t prt);
  46     const char *(*get_sort_handler)(pp2_relevance_token_t prt);
  47     int ref_count;
  48 #if YAZ_HAVE_ICU
  49     struct icu_chain * icu_chn;
  50     UErrorCode icu_sts;
  51 #endif
  52 };
  53
  54 static const char *pp2_relevance_token_null(pp2_relevance_token_t prt);
  55 static const char *pp2_relevance_token_a_to_z(pp2_relevance_token_t prt);
  56 static const char *pp2_get_sort_ascii(pp2_relevance_token_t prt);
  57
  58 #if YAZ_HAVE_ICU
  59 static const char *pp2_relevance_token_icu(pp2_relevance_token_t prt);
  60 static const char *pp2_get_sort_icu(pp2_relevance_token_t prt);
  61 #endif
  62
  63 /* tokenzier handle */
  64 struct pp2_relevance_token_s {
  65     const char *cp;     /* unnormalized buffer we're tokenizing */
  66     const char *last_cp;  /* pointer to last token we're dealing with */
  67     pp2_charset_t pct;  /* our main charset handle (type+config) */
  68     WRBUF norm_str;     /* normized string we return (temporarily) */
  69     WRBUF sort_str;     /* sort string we return (temporarily) */
  70 #if YAZ_HAVE_ICU
  71     yaz_icu_iter_t iter;
  72 #endif
  73 };
  74
  75
  76 pp2_charset_t pp2_charset_create_xml(xmlNode *xml_node)
  77 {
  78 #if YAZ_HAVE_ICU
  79     UErrorCode status = U_ZERO_ERROR;
  80     struct icu_chain *chain = 0;
  81     if (xml_node)
  82         xml_node = xml_node->children;
  83     while (xml_node && xml_node->type != XML_ELEMENT_NODE)
  84         xml_node = xml_node->next;
  85     chain = icu_chain_xml_config(xml_node, 1, &status);
  86     if (!chain || U_FAILURE(status)){
  87         //xmlDocPtr icu_doc = 0;
  88         //xmlChar *xmlstr = 0;
  89                 //int size = 0;
  90                 //xmlDocDumpMemory(icu_doc, size);
  91
  92         yaz_log(YLOG_FATAL, "Could not parse ICU chain config:\n"
  93                 "<%s>\n ... \n</%s>",
  94                 xml_node->name, xml_node->name);
  95         return 0;
  96     }
  97     return pp2_charset_create(chain);
  98 #else // YAZ_HAVE_ICU
  99     yaz_log(YLOG_FATAL, "Error: ICU support requested with element:\n"
 100             "<%s>\n ... \n</%s>",
 101             xml_node->name, xml_node->name);
 102     yaz_log(YLOG_FATAL,
 103             "But no ICU support is compiled into the YAZ library.");
 104     return 0;
 105 #endif // YAZ_HAVE_ICU
 106 }
 107
 108 void pp2_charset_incref(pp2_charset_t pct)
 109 {
 110     (pct->ref_count)++;
 111 }
 112
 113 pp2_charset_t pp2_charset_create_a_to_z(void)
 114 {
 115     pp2_charset_t pct = pp2_charset_create(0);
 116     pct->token_next_handler = pp2_relevance_token_a_to_z;
 117     return pct;
 118 }
 119
 120 pp2_charset_t pp2_charset_create(struct icu_chain *icu_chn)
 121 {
 122     pp2_charset_t pct = xmalloc(sizeof(*pct));
 123
 124     pct->token_next_handler = pp2_relevance_token_null;
 125     pct->get_sort_handler  = pp2_get_sort_ascii;
 126     pct->ref_count = 1;
 127 #if YAZ_HAVE_ICU
 128     pct->icu_chn = 0;
 129     if (icu_chn)
 130     {
 131         pct->icu_chn = icu_chn;
 132         pct->icu_sts = U_ZERO_ERROR;
 133         pct->token_next_handler = pp2_relevance_token_icu;
 134         pct->get_sort_handler = pp2_get_sort_icu;
 135     }
 136 #endif // YAZ_HAVE_ICU
 137     return pct;
 138 }
 139
 140 void pp2_charset_destroy(pp2_charset_t pct)
 141 {
 142     if (pct)
 143     {
 144         assert(pct->ref_count >= 1);
 145         --(pct->ref_count);
 146         if (pct->ref_count == 0)
 147         {
 148 #if YAZ_HAVE_ICU
 149             icu_chain_destroy(pct->icu_chn);
 150 #endif
 151             xfree(pct);
 152         }
 153     }
 154 }
 155
 156 pp2_relevance_token_t pp2_relevance_tokenize(pp2_charset_t pct)
 157 {
 158     pp2_relevance_token_t prt = xmalloc(sizeof(*prt));
 159
 160     assert(pct);
 161
 162     prt->norm_str = wrbuf_alloc();
 163     prt->sort_str = wrbuf_alloc();
 164     prt->cp = 0;
 165     prt->last_cp = 0;
 166     prt->pct = pct;
 167
 168 #if YAZ_HAVE_ICU
 169     prt->iter = 0;
 170     if (pct->icu_chn)
 171         prt->iter = icu_iter_create(pct->icu_chn);
 172 #endif
 173     return prt;
 174 }
 175
 176 void pp2_relevance_first(pp2_relevance_token_t prt,
 177                          const char *buf,
 178                          int skip_article)
 179 {
 180     if (skip_article)
 181     {
 182         const char *p = buf;
 183         char firstword[64];
 184         char *pout = firstword;
 185         char articles[] = "the den der die des an a "; // must end in space
 186
 187         while (*p && !isalnum(*(unsigned char *)p))
 188             p++;
 189         for (; *p && *p != ' ' && pout - firstword < (sizeof(firstword)-2); p++)
 190             *pout++ = tolower(*(unsigned char *)p);
 191         *pout++ = ' ';
 192         *pout++ = '\0';
 193         if (strstr(articles, firstword))
 194             buf = p;
 195     }
 196
 197     wrbuf_rewind(prt->norm_str);
 198     wrbuf_rewind(prt->sort_str);
 199     prt->cp = buf;
 200     prt->last_cp = 0;
 201
 202 #if YAZ_HAVE_ICU
 203     if (prt->iter)
 204     {
 205         icu_iter_first(prt->iter, buf);
 206     }
 207 #endif // YAZ_HAVE_ICU
 208 }
 209
 210 void pp2_relevance_token_destroy(pp2_relevance_token_t prt)
 211 {
 212     assert(prt);
 213 #if YAZ_HAVE_ICU
 214     if (prt->iter)
 215         icu_iter_destroy(prt->iter);
 216 #endif
 217     if(prt->norm_str)
 218         wrbuf_destroy(prt->norm_str);
 219     if(prt->sort_str)
 220         wrbuf_destroy(prt->sort_str);
 221     xfree(prt);
 222 }
 223
 224 const char *pp2_relevance_token_next(pp2_relevance_token_t prt)
 225 {
 226     assert(prt);
 227     return (prt->pct->token_next_handler)(prt);
 228 }
 229
 230 const char *pp2_get_sort(pp2_relevance_token_t prt)
 231 {
 232     return prt->pct->get_sort_handler(prt);
 233 }
 234
 235 #define raw_char(c) (((c) >= 'a' && (c) <= 'z') ? (c) : -1)
 236 /* original tokenizer with our tokenize interface, but we
 237    add +1 to ensure no '\0' are in our string (except for EOF)
 238 */
 239 static const char *pp2_relevance_token_a_to_z(pp2_relevance_token_t prt)
 240 {
 241     const char *cp = prt->cp;
 242     int c;
 243
 244     /* skip white space */
 245     while (*cp && (c = raw_char(tolower(*(const unsigned char *)cp))) < 0)
 246         cp++;
 247     if (*cp == '\0')
 248     {
 249         prt->cp = cp;
 250         prt->last_cp = 0;
 251         return 0;
 252     }
 253     /* now read the term itself */
 254
 255     prt->last_cp = cp;
 256     wrbuf_rewind(prt->norm_str);
 257     while (*cp && (c = raw_char(tolower(*cp))) >= 0)
 258     {
 259         wrbuf_putc(prt->norm_str, c);
 260         cp++;
 261     }
 262     prt->cp = cp;
 263     return wrbuf_cstr(prt->norm_str);
 264 }
 265
 266 static const char *pp2_get_sort_ascii(pp2_relevance_token_t prt)
 267 {
 268     if (prt->last_cp == 0)
 269         return 0;
 270     else
 271     {
 272         char *tmp = xstrdup(prt->last_cp);
 273         char *result = 0;
 274         result = normalize7bit_mergekey(tmp);
 275
 276         wrbuf_rewind(prt->sort_str);
 277         wrbuf_puts(prt->sort_str, result);
 278         xfree(tmp);
 279         return wrbuf_cstr(prt->sort_str);
 280     }
 281 }
 282
 283 static const char *pp2_relevance_token_null(pp2_relevance_token_t prt)
 284 {
 285     const char *cp = prt->cp;
 286
 287     prt->last_cp = *cp ? cp : 0;
 288     while (*cp)
 289         cp++;
 290     prt->cp = cp;
 291     return prt->last_cp;
 292 }
 293
 294 #if YAZ_HAVE_ICU
 295 static const char *pp2_relevance_token_icu(pp2_relevance_token_t prt)
 296 {
 297     if (icu_iter_next(prt->iter))
 298     {
 299         return icu_iter_get_norm(prt->iter);
 300     }
 301     return 0;
 302 }
 303
 304 static const char *pp2_get_sort_icu(pp2_relevance_token_t prt)
 305 {
 306     return icu_iter_get_sortkey(prt->iter);
 307 }
 308
 309 #endif // YAZ_HAVE_ICU
 310
 311
 312 /*
 313  * Local variables:
 314  * c-basic-offset: 4
 315  * c-file-style: "Stroustrup"
 316  * indent-tabs-mode: nil
 317  * End:
 318  * vim: shiftwidth=4 tabstop=8 expandtab
 319  */
 320