src/charsets.c

   1 /* This file is part of Pazpar2.
   2    Copyright (C) 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 typedef struct pp2_charset_s *pp2_charset_t;
  40 static pp2_charset_t pp2_charset_create_xml(xmlNode *xml_node);
  41 static pp2_charset_t pp2_charset_create(void);
  42 static pp2_charset_t pp2_charset_create_a_to_z(void);
  43 static void pp2_charset_destroy(pp2_charset_t pct);
  44 static pp2_charset_token_t pp2_charset_tokenize(pp2_charset_t pct);
  45
  46 #if YAZ_HAVE_ICU
  47 #include <yaz/icu.h>
  48 static pp2_charset_t pp2_charset_create_icu(struct icu_chain *icu_chn);
  49 #endif
  50
  51 /* charset handle */
  52 struct pp2_charset_s {
  53     const char *(*token_next_handler)(pp2_charset_token_t prt);
  54     const char *(*get_sort_handler)(pp2_charset_token_t prt);
  55     const char *(*get_display_handler)(pp2_charset_token_t prt);
  56     void (*get_org_handler)(pp2_charset_token_t ptr,
  57                             size_t *start, size_t *len);
  58 #if YAZ_HAVE_ICU
  59     struct icu_chain * icu_chn;
  60     UErrorCode icu_sts;
  61 #endif
  62 };
  63
  64 static const char *pp2_charset_token_null(pp2_charset_token_t prt);
  65 static const char *pp2_charset_token_a_to_z(pp2_charset_token_t prt);
  66 static const char *pp2_get_sort_ascii(pp2_charset_token_t prt);
  67 static const char *pp2_get_display_ascii(pp2_charset_token_t prt);
  68 static void pp2_get_org_ascii(pp2_charset_token_t prt,
  69                               size_t *start, size_t *len);
  70
  71 #if YAZ_HAVE_ICU
  72 static const char *pp2_charset_token_icu(pp2_charset_token_t prt);
  73 static const char *pp2_get_sort_icu(pp2_charset_token_t prt);
  74 static const char *pp2_get_display_icu(pp2_charset_token_t prt);
  75 static void pp2_get_org_icu(pp2_charset_token_t prt,
  76                             size_t *start, size_t *len);
  77 #endif
  78
  79 /* tokenzier handle */
  80 struct pp2_charset_token_s {
  81     const char *cp;     /* unnormalized buffer we're tokenizing */
  82     const char *last_cp;  /* pointer to last token we're dealing with */
  83     pp2_charset_t pct;  /* our main charset handle (type+config) */
  84     WRBUF norm_str;     /* normized string we return (temporarily) */
  85     WRBUF sort_str;     /* sort string we return (temporarily) */
  86 #if YAZ_HAVE_ICU
  87     yaz_icu_iter_t iter;
  88 #endif
  89     const char *cp0;
  90     size_t start;
  91     size_t len;
  92 };
  93
  94 struct pp2_charset_fact_s {
  95     struct pp2_charset_entry *list;
  96     int ref_count;
  97 };
  98
  99 struct pp2_charset_entry {
 100     struct pp2_charset_entry *next;
 101     pp2_charset_t pct;
 102     char *name;
 103 };
 104
 105
 106 static int pp2_charset_fact_add(pp2_charset_fact_t pft,
 107                                 pp2_charset_t pct, const char *default_id);
 108
 109 pp2_charset_fact_t pp2_charset_fact_create(void)
 110 {
 111     pp2_charset_fact_t pft = xmalloc(sizeof(*pft));
 112     pft->list = 0;
 113     pft->ref_count = 1;
 114
 115     pp2_charset_fact_add(pft, pp2_charset_create_a_to_z(), "relevance");
 116     pp2_charset_fact_add(pft, pp2_charset_create_a_to_z(), "sort");
 117     pp2_charset_fact_add(pft, pp2_charset_create_a_to_z(), "mergekey");
 118     pp2_charset_fact_add(pft, pp2_charset_create(), "facet");
 119     return pft;
 120 }
 121
 122 void pp2_charset_fact_destroy(pp2_charset_fact_t pft)
 123 {
 124     if (pft)
 125     {
 126         assert(pft->ref_count >= 1);
 127         --(pft->ref_count);
 128         if (pft->ref_count == 0)
 129         {
 130             struct pp2_charset_entry *pce = pft->list;
 131             while (pce)
 132             {
 133                 struct pp2_charset_entry *next = pce->next;
 134                 pp2_charset_destroy(pce->pct);
 135                 xfree(pce->name);
 136                 xfree(pce);
 137                 pce = next;
 138             }
 139             xfree(pft);
 140         }
 141     }
 142 }
 143
 144 int pp2_charset_fact_add(pp2_charset_fact_t pft,
 145                          pp2_charset_t pct, const char *default_id)
 146 {
 147     struct pp2_charset_entry *pce;
 148
 149     for (pce = pft->list; pce; pce = pce->next)
 150         if (!strcmp(default_id, pce->name))
 151             break;
 152
 153     if (!pce)
 154     {
 155         pce = xmalloc(sizeof(*pce));
 156         pce->name = xstrdup(default_id);
 157         pce->next = pft->list;
 158         pft->list = pce;
 159     }
 160     else
 161     {
 162         pp2_charset_destroy(pce->pct);
 163     }
 164     pce->pct = pct;
 165     return 0;
 166 }
 167
 168 int pp2_charset_fact_define(pp2_charset_fact_t pft,
 169                             xmlNode *xml_node, const char *default_id)
 170 {
 171     int r;
 172     pp2_charset_t pct;
 173     xmlChar *id = 0;
 174
 175     assert(xml_node);
 176     pct = pp2_charset_create_xml(xml_node);
 177     if (!pct)
 178         return -1;
 179     if (!default_id)
 180     {
 181         id = xmlGetProp(xml_node, (xmlChar*) "id");
 182         if (!id)
 183         {
 184             yaz_log(YLOG_WARN, "Missing id for icu_chain");
 185             pp2_charset_destroy(pct);
 186             return -1;
 187         }
 188         default_id = (const char *) id;
 189     }
 190     r = pp2_charset_fact_add(pft, pct, default_id);
 191     if (id)
 192         xmlFree(id);
 193     return r;
 194 }
 195
 196 void pp2_charset_fact_incref(pp2_charset_fact_t pft)
 197 {
 198     (pft->ref_count)++;
 199 }
 200
 201 pp2_charset_t pp2_charset_create_xml(xmlNode *xml_node)
 202 {
 203 #if YAZ_HAVE_ICU
 204     UErrorCode status = U_ZERO_ERROR;
 205     struct icu_chain *chain = 0;
 206     while (xml_node && xml_node->type != XML_ELEMENT_NODE)
 207         xml_node = xml_node->next;
 208     chain = icu_chain_xml_config(xml_node, 1, &status);
 209     if (!chain || U_FAILURE(status)){
 210         //xmlDocPtr icu_doc = 0;
 211         //xmlChar *xmlstr = 0;
 212                 //int size = 0;
 213                 //xmlDocDumpMemory(icu_doc, size);
 214
 215         yaz_log(YLOG_FATAL, "Could not parse ICU chain config:\n"
 216                 "<%s>\n ... \n</%s>",
 217                 xml_node->name, xml_node->name);
 218         return 0;
 219     }
 220     return pp2_charset_create_icu(chain);
 221 #else // YAZ_HAVE_ICU
 222     yaz_log(YLOG_FATAL, "Error: ICU support requested with element:\n"
 223             "<%s>\n ... \n</%s>",
 224             xml_node->name, xml_node->name);
 225     yaz_log(YLOG_FATAL,
 226             "But no ICU support is compiled into the YAZ library.");
 227     return 0;
 228 #endif // YAZ_HAVE_ICU
 229 }
 230
 231 pp2_charset_t pp2_charset_create(void)
 232 {
 233     pp2_charset_t pct = xmalloc(sizeof(*pct));
 234
 235     pct->token_next_handler = pp2_charset_token_null;
 236     pct->get_sort_handler  = pp2_get_sort_ascii;
 237     pct->get_display_handler  = pp2_get_display_ascii;
 238     pct->get_org_handler = pp2_get_org_ascii;
 239 #if YAZ_HAVE_ICU
 240     pct->icu_chn = 0;
 241 #endif // YAZ_HAVE_ICU
 242     return pct;
 243 }
 244
 245 pp2_charset_t pp2_charset_create_a_to_z(void)
 246 {
 247     pp2_charset_t pct = pp2_charset_create();
 248     pct->token_next_handler = pp2_charset_token_a_to_z;
 249     return pct;
 250 }
 251
 252 #if YAZ_HAVE_ICU
 253 pp2_charset_t pp2_charset_create_icu(struct icu_chain *icu_chn)
 254 {
 255     pp2_charset_t pct = pp2_charset_create();
 256     if (icu_chn)
 257     {
 258         pct->icu_chn = icu_chn;
 259         pct->icu_sts = U_ZERO_ERROR;
 260         pct->token_next_handler = pp2_charset_token_icu;
 261         pct->get_sort_handler = pp2_get_sort_icu;
 262         pct->get_display_handler = pp2_get_display_icu;
 263         pct->get_org_handler = pp2_get_org_icu;
 264     }
 265     return pct;
 266 }
 267 #endif // YAZ_HAVE_ICU
 268
 269 void pp2_charset_destroy(pp2_charset_t pct)
 270 {
 271 #if YAZ_HAVE_ICU
 272     icu_chain_destroy(pct->icu_chn);
 273 #endif
 274     xfree(pct);
 275 }
 276
 277 pp2_charset_token_t pp2_charset_token_create(pp2_charset_fact_t pft,
 278                                                const char *id)
 279 {
 280     struct pp2_charset_entry *pce;
 281     for (pce = pft->list; pce; pce = pce->next)
 282         if (!strcmp(id, pce->name))
 283             return pp2_charset_tokenize(pce->pct);
 284     return 0;
 285 }
 286
 287 pp2_charset_token_t pp2_charset_tokenize(pp2_charset_t pct)
 288 {
 289     pp2_charset_token_t prt = xmalloc(sizeof(*prt));
 290
 291     assert(pct);
 292
 293     prt->norm_str = wrbuf_alloc();
 294     prt->sort_str = wrbuf_alloc();
 295     prt->cp = 0;
 296     prt->last_cp = 0;
 297     prt->pct = pct;
 298
 299 #if YAZ_HAVE_ICU
 300     prt->iter = 0;
 301     if (pct->icu_chn)
 302         prt->iter = icu_iter_create(pct->icu_chn);
 303 #endif
 304     prt->start = 0;
 305     prt->len = 0;
 306     return prt;
 307 }
 308
 309 void pp2_charset_token_first(pp2_charset_token_t prt,
 310                              const char *buf, int skip_article)
 311 {
 312     if (skip_article)
 313     {
 314         const char *p = buf;
 315         char firstword[64];
 316         char *pout = firstword;
 317         char articles[] = "the den der die des an a "; // must end in space
 318
 319         for (; *p && *p != ' ' && pout - firstword < (sizeof(firstword)-2); p++)
 320             *pout++ = tolower(*(unsigned char *)p);
 321         *pout++ = ' ';
 322         *pout++ = '\0';
 323         if (strstr(articles, firstword))
 324             buf = p;
 325     }
 326
 327     wrbuf_rewind(prt->norm_str);
 328     wrbuf_rewind(prt->sort_str);
 329     prt->cp0 = buf;
 330     prt->cp = buf;
 331     prt->last_cp = 0;
 332
 333 #if YAZ_HAVE_ICU
 334     if (prt->iter)
 335     {
 336         icu_iter_first(prt->iter, buf);
 337     }
 338 #endif // YAZ_HAVE_ICU
 339 }
 340
 341 void pp2_charset_token_destroy(pp2_charset_token_t prt)
 342 {
 343     assert(prt);
 344 #if YAZ_HAVE_ICU
 345     if (prt->iter)
 346         icu_iter_destroy(prt->iter);
 347 #endif
 348     if(prt->norm_str)
 349         wrbuf_destroy(prt->norm_str);
 350     if(prt->sort_str)
 351         wrbuf_destroy(prt->sort_str);
 352     xfree(prt);
 353 }
 354
 355 const char *pp2_charset_token_next(pp2_charset_token_t prt)
 356 {
 357     assert(prt);
 358     return (prt->pct->token_next_handler)(prt);
 359 }
 360
 361 const char *pp2_get_sort(pp2_charset_token_t prt)
 362 {
 363     return prt->pct->get_sort_handler(prt);
 364 }
 365
 366 const char *pp2_get_display(pp2_charset_token_t prt)
 367 {
 368     return prt->pct->get_display_handler(prt);
 369 }
 370
 371 void pp2_get_org(pp2_charset_token_t prt, size_t *start, size_t *len)
 372 {
 373     prt->pct->get_org_handler(prt, start, len);
 374 }
 375
 376
 377 #define raw_char(c) (((c) >= 'a' && (c) <= 'z') ? (c) : -1)
 378 /* original tokenizer with our tokenize interface, but we
 379    add +1 to ensure no '\0' are in our string (except for EOF)
 380 */
 381 static const char *pp2_charset_token_a_to_z(pp2_charset_token_t prt)
 382 {
 383     const char *cp = prt->cp;
 384     int c;
 385
 386     prt->start = cp - prt->cp0;
 387     /* skip white space */
 388     while (*cp && (c = raw_char(tolower(*(const unsigned char *)cp))) < 0)
 389         cp++;
 390     if (*cp == '\0')
 391     {
 392         prt->cp = cp;
 393         prt->last_cp = 0;
 394         return 0;
 395     }
 396     /* now read the term itself */
 397
 398     prt->last_cp = cp;
 399     wrbuf_rewind(prt->norm_str);
 400     while (*cp && (c = raw_char(tolower(*cp))) >= 0)
 401     {
 402         wrbuf_putc(prt->norm_str, c);
 403         cp++;
 404     }
 405     prt->len = (cp - prt->cp0) - prt->start;
 406     prt->cp = cp;
 407     return wrbuf_cstr(prt->norm_str);
 408 }
 409
 410 static const char *pp2_get_sort_ascii(pp2_charset_token_t prt)
 411 {
 412     if (prt->last_cp == 0)
 413         return 0;
 414     else
 415     {
 416         char *tmp = xstrdup(prt->last_cp);
 417         char *result = 0;
 418         result = normalize7bit_mergekey(tmp);
 419
 420         wrbuf_rewind(prt->sort_str);
 421         wrbuf_puts(prt->sort_str, result);
 422         xfree(tmp);
 423         return wrbuf_cstr(prt->sort_str);
 424     }
 425 }
 426
 427 static const char *pp2_get_display_ascii(pp2_charset_token_t prt)
 428 {
 429     if (prt->last_cp == 0)
 430         return 0;
 431     else
 432     {
 433         return wrbuf_cstr(prt->norm_str);
 434     }
 435 }
 436
 437 static void pp2_get_org_ascii(pp2_charset_token_t prt,
 438                               size_t *start, size_t *len)
 439 {
 440     *start = prt->start;
 441     *len = prt->len;
 442 }
 443
 444 static const char *pp2_charset_token_null(pp2_charset_token_t prt)
 445 {
 446     const char *cp = prt->cp;
 447
 448     prt->last_cp = *cp ? cp : 0;
 449     while (*cp)
 450         cp++;
 451     prt->cp = cp;
 452     prt->len = cp - prt->cp0;
 453     return prt->last_cp;
 454 }
 455
 456 #if YAZ_HAVE_ICU
 457 static const char *pp2_charset_token_icu(pp2_charset_token_t prt)
 458 {
 459     if (icu_iter_next(prt->iter))
 460     {
 461         return icu_iter_get_norm(prt->iter);
 462     }
 463     return 0;
 464 }
 465
 466 static const char *pp2_get_sort_icu(pp2_charset_token_t prt)
 467 {
 468     return icu_iter_get_sortkey(prt->iter);
 469 }
 470
 471 static const char *pp2_get_display_icu(pp2_charset_token_t prt)
 472 {
 473     return icu_iter_get_display(prt->iter);
 474 }
 475
 476 static void pp2_get_org_icu(pp2_charset_token_t prt, size_t *start, size_t *len)
 477 {
 478     icu_iter_get_org_info(prt->iter, start, len);
 479 }
 480
 481 #endif // YAZ_HAVE_ICU
 482
 483
 484 /*
 485  * Local variables:
 486  * c-basic-offset: 4
 487  * c-file-style: "Stroustrup"
 488  * indent-tabs-mode: nil
 489  * End:
 490  * vim: shiftwidth=4 tabstop=8 expandtab
 491  */
 492