src/charsets.c

   1 /* This file is part of Pazpar2.
   2    Copyright (C) 2006-2012 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 typedef struct pp2_charset_s *pp2_charset_t;
  44 static pp2_charset_t pp2_charset_create_xml(xmlNode *xml_node);
  45 static pp2_charset_t pp2_charset_create(struct icu_chain * icu_chn);
  46 static pp2_charset_t pp2_charset_create_a_to_z(void);
  47 static void pp2_charset_destroy(pp2_charset_t pct);
  48 static pp2_charset_token_t pp2_charset_tokenize(pp2_charset_t pct);
  49
  50 /* charset handle */
  51 struct pp2_charset_s {
  52     const char *(*token_next_handler)(pp2_charset_token_t prt);
  53     const char *(*get_sort_handler)(pp2_charset_token_t prt);
  54     const char *(*get_display_handler)(pp2_charset_token_t prt);
  55 #if YAZ_HAVE_ICU
  56     struct icu_chain * icu_chn;
  57     UErrorCode icu_sts;
  58 #endif
  59 };
  60
  61 static const char *pp2_charset_token_null(pp2_charset_token_t prt);
  62 static const char *pp2_charset_token_a_to_z(pp2_charset_token_t prt);
  63 static const char *pp2_get_sort_ascii(pp2_charset_token_t prt);
  64 static const char *pp2_get_display_ascii(pp2_charset_token_t prt);
  65
  66 #if YAZ_HAVE_ICU
  67 static const char *pp2_charset_token_icu(pp2_charset_token_t prt);
  68 static const char *pp2_get_sort_icu(pp2_charset_token_t prt);
  69 static const char *pp2_get_display_icu(pp2_charset_token_t prt);
  70 #endif
  71
  72 /* tokenzier handle */
  73 struct pp2_charset_token_s {
  74     const char *cp;     /* unnormalized buffer we're tokenizing */
  75     const char *last_cp;  /* pointer to last token we're dealing with */
  76     pp2_charset_t pct;  /* our main charset handle (type+config) */
  77     WRBUF norm_str;     /* normized string we return (temporarily) */
  78     WRBUF sort_str;     /* sort string we return (temporarily) */
  79 #if YAZ_HAVE_ICU
  80     yaz_icu_iter_t iter;
  81 #endif
  82 };
  83
  84 struct pp2_charset_fact_s {
  85     struct pp2_charset_entry *list;
  86     int ref_count;
  87 };
  88
  89 struct pp2_charset_entry {
  90     struct pp2_charset_entry *next;
  91     pp2_charset_t pct;
  92     char *name;
  93 };
  94
  95
  96 static int pp2_charset_fact_add(pp2_charset_fact_t pft,
  97                                 pp2_charset_t pct, const char *default_id);
  98
  99 pp2_charset_fact_t pp2_charset_fact_create(void)
 100 {
 101     pp2_charset_fact_t pft = xmalloc(sizeof(*pft));
 102     pft->list = 0;
 103     pft->ref_count = 1;
 104
 105     pp2_charset_fact_add(pft, pp2_charset_create_a_to_z(), "relevance");
 106     pp2_charset_fact_add(pft, pp2_charset_create_a_to_z(), "sort");
 107     pp2_charset_fact_add(pft, pp2_charset_create_a_to_z(), "mergekey");
 108     pp2_charset_fact_add(pft, pp2_charset_create(0), "facet");
 109     return pft;
 110 }
 111
 112 void pp2_charset_fact_destroy(pp2_charset_fact_t pft)
 113 {
 114     if (pft)
 115     {
 116         assert(pft->ref_count >= 1);
 117         --(pft->ref_count);
 118         if (pft->ref_count == 0)
 119         {
 120             struct pp2_charset_entry *pce = pft->list;
 121             while (pce)
 122             {
 123                 struct pp2_charset_entry *next = pce->next;
 124                 pp2_charset_destroy(pce->pct);
 125                 xfree(pce->name);
 126                 xfree(pce);
 127                 pce = next;
 128             }
 129             xfree(pft);
 130         }
 131     }
 132 }
 133
 134 int pp2_charset_fact_add(pp2_charset_fact_t pft,
 135                          pp2_charset_t pct, const char *default_id)
 136 {
 137     struct pp2_charset_entry *pce;
 138
 139     for (pce = pft->list; pce; pce = pce->next)
 140         if (!strcmp(default_id, pce->name))
 141             break;
 142
 143     if (!pce)
 144     {
 145         pce = xmalloc(sizeof(*pce));
 146         pce->name = xstrdup(default_id);
 147         pce->next = pft->list;
 148         pft->list = pce;
 149     }
 150     else
 151     {
 152         pp2_charset_destroy(pce->pct);
 153     }
 154     pce->pct = pct;
 155     return 0;
 156 }
 157
 158 int pp2_charset_fact_define(pp2_charset_fact_t pft,
 159                             xmlNode *xml_node, const char *default_id)
 160 {
 161     int r;
 162     pp2_charset_t pct;
 163     xmlChar *id = 0;
 164
 165     assert(xml_node);
 166     pct = pp2_charset_create_xml(xml_node);
 167     if (!pct)
 168         return -1;
 169     if (!default_id)
 170     {
 171         id = xmlGetProp(xml_node, (xmlChar*) "id");
 172         if (!id)
 173         {
 174             yaz_log(YLOG_WARN, "Missing id for icu_chain");
 175             pp2_charset_destroy(pct);
 176             return -1;
 177         }
 178         default_id = (const char *) id;
 179     }
 180     r = pp2_charset_fact_add(pft, pct, default_id);
 181     if (id)
 182         xmlFree(id);
 183     return r;
 184 }
 185
 186 void pp2_charset_fact_incref(pp2_charset_fact_t pft)
 187 {
 188     (pft->ref_count)++;
 189 }
 190
 191 pp2_charset_t pp2_charset_create_xml(xmlNode *xml_node)
 192 {
 193 #if YAZ_HAVE_ICU
 194     UErrorCode status = U_ZERO_ERROR;
 195     struct icu_chain *chain = 0;
 196     while (xml_node && xml_node->type != XML_ELEMENT_NODE)
 197         xml_node = xml_node->next;
 198     chain = icu_chain_xml_config(xml_node, 1, &status);
 199     if (!chain || U_FAILURE(status)){
 200         //xmlDocPtr icu_doc = 0;
 201         //xmlChar *xmlstr = 0;
 202                 //int size = 0;
 203                 //xmlDocDumpMemory(icu_doc, size);
 204
 205         yaz_log(YLOG_FATAL, "Could not parse ICU chain config:\n"
 206                 "<%s>\n ... \n</%s>",
 207                 xml_node->name, xml_node->name);
 208         return 0;
 209     }
 210     return pp2_charset_create(chain);
 211 #else // YAZ_HAVE_ICU
 212     yaz_log(YLOG_FATAL, "Error: ICU support requested with element:\n"
 213             "<%s>\n ... \n</%s>",
 214             xml_node->name, xml_node->name);
 215     yaz_log(YLOG_FATAL,
 216             "But no ICU support is compiled into the YAZ library.");
 217     return 0;
 218 #endif // YAZ_HAVE_ICU
 219 }
 220
 221 pp2_charset_t pp2_charset_create_a_to_z(void)
 222 {
 223     pp2_charset_t pct = pp2_charset_create(0);
 224     pct->token_next_handler = pp2_charset_token_a_to_z;
 225     return pct;
 226 }
 227
 228 pp2_charset_t pp2_charset_create(struct icu_chain *icu_chn)
 229 {
 230     pp2_charset_t pct = xmalloc(sizeof(*pct));
 231
 232     pct->token_next_handler = pp2_charset_token_null;
 233     pct->get_sort_handler  = pp2_get_sort_ascii;
 234     pct->get_display_handler  = pp2_get_display_ascii;
 235 #if YAZ_HAVE_ICU
 236     pct->icu_chn = 0;
 237     if (icu_chn)
 238     {
 239         pct->icu_chn = icu_chn;
 240         pct->icu_sts = U_ZERO_ERROR;
 241         pct->token_next_handler = pp2_charset_token_icu;
 242         pct->get_sort_handler = pp2_get_sort_icu;
 243         pct->get_display_handler = pp2_get_display_icu;
 244     }
 245 #endif // YAZ_HAVE_ICU
 246     return pct;
 247 }
 248
 249 void pp2_charset_destroy(pp2_charset_t pct)
 250 {
 251 #if YAZ_HAVE_ICU
 252     icu_chain_destroy(pct->icu_chn);
 253 #endif
 254     xfree(pct);
 255 }
 256
 257 pp2_charset_token_t pp2_charset_token_create(pp2_charset_fact_t pft,
 258                                                const char *id)
 259 {
 260     struct pp2_charset_entry *pce;
 261     for (pce = pft->list; pce; pce = pce->next)
 262         if (!strcmp(id, pce->name))
 263             return pp2_charset_tokenize(pce->pct);
 264     return 0;
 265 }
 266
 267 pp2_charset_token_t pp2_charset_tokenize(pp2_charset_t pct)
 268 {
 269     pp2_charset_token_t prt = xmalloc(sizeof(*prt));
 270
 271     assert(pct);
 272
 273     prt->norm_str = wrbuf_alloc();
 274     prt->sort_str = wrbuf_alloc();
 275     prt->cp = 0;
 276     prt->last_cp = 0;
 277     prt->pct = pct;
 278
 279 #if YAZ_HAVE_ICU
 280     prt->iter = 0;
 281     if (pct->icu_chn)
 282         prt->iter = icu_iter_create(pct->icu_chn);
 283 #endif
 284     return prt;
 285 }
 286
 287 void pp2_charset_token_first(pp2_charset_token_t prt,
 288                              const char *buf, int skip_article)
 289 {
 290     if (skip_article)
 291     {
 292         const char *p = buf;
 293         char firstword[64];
 294         char *pout = firstword;
 295         char articles[] = "the den der die des an a "; // must end in space
 296
 297         for (; *p && *p != ' ' && pout - firstword < (sizeof(firstword)-2); p++)
 298             *pout++ = tolower(*(unsigned char *)p);
 299         *pout++ = ' ';
 300         *pout++ = '\0';
 301         if (strstr(articles, firstword))
 302             buf = p;
 303     }
 304
 305     wrbuf_rewind(prt->norm_str);
 306     wrbuf_rewind(prt->sort_str);
 307     prt->cp = buf;
 308     prt->last_cp = 0;
 309
 310 #if YAZ_HAVE_ICU
 311     if (prt->iter)
 312     {
 313         icu_iter_first(prt->iter, buf);
 314     }
 315 #endif // YAZ_HAVE_ICU
 316 }
 317
 318 void pp2_charset_token_destroy(pp2_charset_token_t prt)
 319 {
 320     assert(prt);
 321 #if YAZ_HAVE_ICU
 322     if (prt->iter)
 323         icu_iter_destroy(prt->iter);
 324 #endif
 325     if(prt->norm_str)
 326         wrbuf_destroy(prt->norm_str);
 327     if(prt->sort_str)
 328         wrbuf_destroy(prt->sort_str);
 329     xfree(prt);
 330 }
 331
 332 const char *pp2_charset_token_next(pp2_charset_token_t prt)
 333 {
 334     assert(prt);
 335     return (prt->pct->token_next_handler)(prt);
 336 }
 337
 338 const char *pp2_get_sort(pp2_charset_token_t prt)
 339 {
 340     return prt->pct->get_sort_handler(prt);
 341 }
 342
 343 const char *pp2_get_display(pp2_charset_token_t prt)
 344 {
 345     return prt->pct->get_display_handler(prt);
 346 }
 347
 348 #define raw_char(c) (((c) >= 'a' && (c) <= 'z') ? (c) : -1)
 349 /* original tokenizer with our tokenize interface, but we
 350    add +1 to ensure no '\0' are in our string (except for EOF)
 351 */
 352 static const char *pp2_charset_token_a_to_z(pp2_charset_token_t prt)
 353 {
 354     const char *cp = prt->cp;
 355     int c;
 356
 357     /* skip white space */
 358     while (*cp && (c = raw_char(tolower(*(const unsigned char *)cp))) < 0)
 359         cp++;
 360     if (*cp == '\0')
 361     {
 362         prt->cp = cp;
 363         prt->last_cp = 0;
 364         return 0;
 365     }
 366     /* now read the term itself */
 367
 368     prt->last_cp = cp;
 369     wrbuf_rewind(prt->norm_str);
 370     while (*cp && (c = raw_char(tolower(*cp))) >= 0)
 371     {
 372         wrbuf_putc(prt->norm_str, c);
 373         cp++;
 374     }
 375     prt->cp = cp;
 376     return wrbuf_cstr(prt->norm_str);
 377 }
 378
 379 static const char *pp2_get_sort_ascii(pp2_charset_token_t prt)
 380 {
 381     if (prt->last_cp == 0)
 382         return 0;
 383     else
 384     {
 385         char *tmp = xstrdup(prt->last_cp);
 386         char *result = 0;
 387         result = normalize7bit_mergekey(tmp);
 388
 389         wrbuf_rewind(prt->sort_str);
 390         wrbuf_puts(prt->sort_str, result);
 391         xfree(tmp);
 392         return wrbuf_cstr(prt->sort_str);
 393     }
 394 }
 395
 396 static const char *pp2_get_display_ascii(pp2_charset_token_t prt)
 397 {
 398     if (prt->last_cp == 0)
 399         return 0;
 400     else
 401     {
 402         return wrbuf_cstr(prt->norm_str);
 403     }
 404 }
 405
 406 static const char *pp2_charset_token_null(pp2_charset_token_t prt)
 407 {
 408     const char *cp = prt->cp;
 409
 410     prt->last_cp = *cp ? cp : 0;
 411     while (*cp)
 412         cp++;
 413     prt->cp = cp;
 414     return prt->last_cp;
 415 }
 416
 417 #if YAZ_HAVE_ICU
 418 static const char *pp2_charset_token_icu(pp2_charset_token_t prt)
 419 {
 420     if (icu_iter_next(prt->iter))
 421     {
 422         return icu_iter_get_norm(prt->iter);
 423     }
 424     return 0;
 425 }
 426
 427 static const char *pp2_get_sort_icu(pp2_charset_token_t prt)
 428 {
 429     return icu_iter_get_sortkey(prt->iter);
 430 }
 431
 432 static const char *pp2_get_display_icu(pp2_charset_token_t prt)
 433 {
 434     return icu_iter_get_display(prt->iter);
 435 }
 436
 437 #endif // YAZ_HAVE_ICU
 438
 439
 440 /*
 441  * Local variables:
 442  * c-basic-offset: 4
 443  * c-file-style: "Stroustrup"
 444  * indent-tabs-mode: nil
 445  * End:
 446  * vim: shiftwidth=4 tabstop=8 expandtab
 447  */
 448