1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
|
/*
* 読みから単語の情報を取得するデータ構造をファイル中に
* 出力するためのコード
*
* データ構造を変更しやすくするためにmkdic.cから分離(2005/7/8)
*
* output_word_dict()が呼び出される
*
* Copyright (C) 2000-2006 TABATA Yusuke
*/
/*
This library is free software; you can redistribute it and/or
modify it under the terms of the GNU Lesser General Public
License as published by the Free Software Foundation; either
version 2 of the License, or (at your option) any later version.
This library is distributed in the hope that it will be useful,
but WITHOUT ANY WARRANTY; without even the implied warranty of
MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the GNU
Lesser General Public License for more details.
You should have received a copy of the GNU Lesser General Public
License along with this library; if not, write to the Free Software
Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA 02111-1307 USA
*/
#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <anthy/anthy.h>
#include <anthy/word_dic.h>
#include "mkdic.h"
extern FILE *page_out, *page_index_out;
extern FILE *yomi_entry_index_out, *yomi_entry_out;
static int
write_word(struct word_entry *we, int encoding)
{
int count;
if (encoding == ANTHY_UTF8_ENCODING) {
count = fprintf(yomi_entry_out, "%s", we->word_utf8);
} else {
char *s = anthy_conv_utf8_to_euc(we->word_utf8);
count = fprintf(yomi_entry_out, "%s", s);
free(s);
}
return count;
}
static int
write_freq(FILE *fp, struct word_entry *we)
{
int count = 0;
int freq = we->freq / 100;
if (freq != 1) {
count += fprintf(fp, "*%d", freq);
}
return count;
}
static int
compare_word_entry(struct word_entry *prev_we,
struct word_entry *we)
{
if (strcmp(prev_we->wt_name, we->wt_name) ||
(prev_we->freq / 100) != (we->freq / 100) ||
prev_we->feature != we->feature) {
return 1;
}
return 0;
}
/** 一つの読みに対する単語の内容を出力する
* 返り値は出力したバイト数
*/
static int
output_word_entry_for_a_yomi(struct yomi_entry *ye, int encoding)
{
int i;
int count = 0;
if (!ye) {
return 0;
}
if (encoding == ANTHY_UTF8_ENCODING) {
count ++;
fputc('u', yomi_entry_out);
}
/* 各単語を出力する */
for (i = 0; i < ye->nr_entries; i++) {
struct word_entry *we = &ye->entries[i];
struct word_entry *prev_we = NULL;
if (i != 0) {
prev_we = &ye->entries[i-1];
}
/**/
if (!we->raw_freq) {
continue;
}
if (i > 0) {
/* 二つ目以降は空白から始まる */
count += fprintf(yomi_entry_out, " ");
}
/* 品詞と頻度を出力する */
if (i == 0 ||
compare_word_entry(prev_we, we)) {
count += fprintf(yomi_entry_out, "%s", we->wt_name);
if (we->feature != 0) {
count += fprintf(yomi_entry_out, ",");
}
count += write_freq(yomi_entry_out, we);
count += fprintf(yomi_entry_out, " ");
}
/* 単語を出力する場所がこの単語のid */
we->offset = count + ye->offset;
/* 単語を出力する */
count += write_word(we, encoding);
}
fputc(0, yomi_entry_out);
return count + 1;
}
/* 2つの文字列の共通部分の長さを求める */
static int
common_len(xstr *s1, xstr *s2)
{
int m,i;
if (!s1 || !s2) {
return 0;
}
if (s1->len < s2->len) {
m = s1->len;
}else{
m = s2->len;
}
for (i = 0; i < m; i++) {
if (s1->str[i] != s2->str[i]) {
return i;
}
}
return m;
}
/*
* 2つの文字列の差分を出力する
* AAA ABBB という2つの文字列を見た場合には
* ABBBはAAAのうしろ2文字を消してBBBを付けたものとして
* \0x2BBBと出力される。
*/
static int
output_diff(xstr *p, xstr *c, int encoding)
{
int i, m, len = 1;
m = common_len(p, c);
if (p && p->len > m) {
fprintf(page_out, "%c", p->len - m + 1);
} else {
fprintf(page_out, "%c", 1);
}
for (i = m; i < c-> len; i++) {
char buf[8];
len += anthy_sputxchar(buf, c->str[i], encoding);
fputs(buf, page_out);
}
return len;
}
static void
begin_new_page(int i)
{
fputc(0, page_out);
write_nl(page_index_out, i);
}
static void
output_entry_index(int i)
{
write_nl(yomi_entry_index_out, i);
}
/* 読みの文字列からファイル中の位置(offset)を求めるためのテーブルを作る
* page_out, page_index_out, yomi_entry_index_outに出力
*/
static void
generate_yomi_to_offset_map(struct yomi_entry_list *yl)
{
int i;
struct yomi_entry *ye = NULL;
xstr *prev = NULL;
int page_index = 0;
/* 読みから位置(offset)を計算するデータ構造を構成する */
/* まず、最初の読みに対するエントリのインデックスを書き出す */
write_nl(page_index_out, page_index);
/**/
for (i = 0; i < yl->nr_valid_entries; i++) {
ye = yl->ye_array[i];
/* 新しいページの開始 */
if ((i % WORDS_PER_PAGE) == 0 && (i != 0)) {
page_index ++;
prev = NULL;
begin_new_page(page_index);
}
/* 読みに対応する情報を出力する */
page_index += output_diff(prev, ye->index_xstr, yl->index_encoding);
output_entry_index(ye->offset);
/***/
prev = ye->index_xstr;
}
}
/** 単語辞書を出力する
* また、このときに辞書中のオフセットも計算する */
void
output_word_dict(struct yomi_entry_list *yl)
{
int entry_index = 0;
int i;
struct yomi_entry *ye = NULL;
/* 各読みに対するループ */
for (i = 0; i < yl->nr_valid_entries; i++) {
/* 単語を出力して、ファイル中の位置(offset)を計算する */
ye = yl->ye_array[i];
ye->offset = entry_index;
entry_index += output_word_entry_for_a_yomi(ye, yl->body_encoding);
}
/* 読みの文字列からファイル中の位置(offset)を求めるためのテーブルを作る */
generate_yomi_to_offset_map(yl);
/* 最後の読みを終了 */
entry_index += output_word_entry_for_a_yomi(ye, yl->body_encoding);
write_nl(yomi_entry_index_out, entry_index);
write_nl(page_index_out, 0);
/**/
printf("Total %d indexes, %d words, (%d pages).\n",
yl->nr_valid_entries,
yl->nr_words,
yl->nr_valid_entries / WORDS_PER_PAGE + 1);
}
|
