XMLTree.h

   1 \r
   2 /******************************************************************************\r
   3  *   Copyright (C) 2008 by Diego Arroyuelo                                    *\r
   4  *   Interface for the in-memory XQuery/XPath engine                          *\r
   5  *                                                                            *\r
   6  *   This program is free software; you can redistribute it and/or modify     *\r
   7  *   it under the terms of the GNU Lesser General Public License as published *\r
   8  *   by the Free Software Foundation; either version 2 of the License, or     *\r
   9  *   (at your option) any later version.                                      *\r
  10  *                                                                            *\r
  11  *   This program is distributed in the hope that it will be useful,          *\r
  12  *   but WITHOUT ANY WARRANTY; without even the implied warranty of           *\r
  13  *   MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the            *\r
  14  *   GNU Lesser General Public License for more details.                      *\r
  15  *                                                                            *\r
  16  *   You should have received a copy of the GNU Lesser General Public License *\r
  17  *   along with this program; if not, write to the                            *\r
  18  *   Free Software Foundation, Inc.,                                          *\r
  19  *   59 Temple Place - Suite 330, Boston, MA  02111-1307, USA.                *\r
  20  ******************************************************************************/ \r
  21 \r
  22 #ifndef XMLTREE_H_\r
  23 #define XMLTREE_H_\r
  24 #include "TextCollection/TextCollection.h"\r
  25 #include <stdio.h>\r
  26 #include <stdlib.h>\r
  27 #include <cstring>\r
  28 \r
  29 //KIM : OJO\r
  30 //clash between TextCollection/Tools.h and libcds/includes/basics.h\r
  31 #undef W\r
  32 #undef WW\r
  33 #undef Wminusone\r
  34 \r
  35 #include "bp.h"\r
  36 #include <static_bitsequence.h>\r
  37 #include <alphabet_mapper.h>\r
  38 #include <static_sequence.h>\r
  39 using SXSI::TextCollection;\r
  40 \r
  41 \r
  42 // this constant is used to efficiently compute the child operation in the tree\r
  43 #define OPTD 10\r
  44 \r
  45 #define NULLT -1\r
  46 \r
  47 #define PERM_SAMPLE 10\r
  48 \r
  49         // sets bit p in e\r
  50 #define bitset(e,p) ((e)[(p)/W] |= (1<<((p)%W)))\r
  51         // cleans bit p in e\r
  52 #define bitclean(e,p) ((e)[(p)/W] &= ~(1<<((p)%W)))\r
  53 \r
  54 \r
  55 typedef int treeNode;\r
  56 typedef int TagType; \r
  57 typedef int DocID;  \r
  58 \r
  59 typedef struct {\r
  60    int min;\r
  61    int max;\r
  62 } range;\r
  63 \r
  64 \r
  65 //KIM : OJO\r
  66 // I know this class implements the working draft that we have but the logics seem flawed here...\r
  67 // We should have two classes. One XMLTreeBuilder and one XMLTree.\r
  68 // XMLTreeBuilder would have OpenDocument, NewOpenTag,... and CloseDocument would return an XMLTree\r
  69 // XMLTree would have only an initialized structure. If find it really ugly to check (!finished) or (!initialized)\r
  70 // in every function (FirstChild....).\r
  71 \r
  72 class XMLTree {\r
  73    /** Balanced parentheses representation of the tree */\r
  74    bp *Par;\r
  75  \r
  76    /** Mapping from tag identifer to tag name */  \r
  77    unsigned char **TagName;\r
  78   \r
  79    /** boolean flag indicating whether we are indexing empty texts or not */\r
  80    bool indexing_empty_texts; \r
  81    \r
  82    /** Bit vector indicating with a 1 the positions of the non-empty texts. */\r
  83    static_bitsequence_rrr02 *EBVector;  \r
  84                       \r
  85    /** Tag sequence represented with a data structure for rank and select */\r
  86    static_sequence *Tags;\r
  87          uint * tags_fix;\r
  88          uint tags_blen, tags_len;\r
  89 \r
  90    /** The texts in the XML document */\r
  91    TextCollection *Text;\r
  92    /** The texts in the XML document (cached for faster display) */\r
  93    vector<string> CachedText;\r
  94    \r
  95    /** Flag indicating whether the whole data structure has been constructed or \r
  96     * not. If the value is true, you cannot add more texts, nodes, etc. */\r
  97    bool finished;\r
  98 \r
  99    /** Flag indicating whether the construction of the data structure has been\r
 100     * initialized or not (by calling method OpenDocument()). If this is true,\r
 101     * you cannot insert new tags or texts. */\r
 102    bool initialized;\r
 103    \r
 104    /* the following components are used for construction purposes */\r
 105    pb *par_aux;\r
 106    TagType *tags_aux;\r
 107    int npar;\r
 108    int parArraySize;\r
 109    int ntagnames;\r
 110    unsigned int *empty_texts_aux;\r
 111 \r
 112    // KIM : OJO\r
 113    // I added those two. The TagName array should always contains two special tags\r
 114    // <@> for attributes and <$> for PCDATA.\r
 115    // <$> can never be in a document (since we handle the text differently)\r
 116    // but <@> can be returned by the parser. This boolean is needed for the construction\r
 117    // of the Tag bitmap to know if <@> must be taken into account or not\r
 118    bool found_attributes;\r
 119 \r
 120    // KIM : OJO\r
 121    // Allows to disable the TextCollection for benchmarkin purposes\r
 122    bool disable_tc;\r
 123    \r
 124 public:\r
 125          void print_stats();\r
 126 \r
 127    /** Data structure constructor */\r
 128    XMLTree() {finished = false; initialized = false;}; \r
 129  \r
 130    /** Data structure destructor */\r
 131    ~XMLTree();\r
 132    \r
 133    /** root(): returns the tree root. */\r
 134    treeNode Root();\r
 135    \r
 136    /** SubtreeSize(x): the number of nodes (and attributes) in the subtree of \r
 137     * node x. */\r
 138    int SubtreeSize(treeNode x);\r
 139    \r
 140    /** SubtreeTags(x,tag): the number of occurrences of tag within the subtree \r
 141     * of node x. */\r
 142    int SubtreeTags(treeNode x, TagType tag);\r
 143    \r
 144    /** IsLeaf(x): returns whether node x is leaf or not. In the succinct \r
 145     * representation this is just a bit inspection. */\r
 146    bool IsLeaf(treeNode x);\r
 147     \r
 148    /** IsAncestor(x,y): returns whether node x is ancestor of node y. */\r
 149    bool IsAncestor(treeNode x, treeNode y);\r
 150   \r
 151    /** IsChild(x,y): returns whether node x is parent of node y. */\r
 152    bool IsChild(treeNode x, treeNode y);\r
 153    \r
 154    /** NumChildren(x): number of children of node x. Constant time with the \r
 155     * data structure of Sadakane. */\r
 156    int NumChildren(treeNode x);\r
 157    \r
 158    /** ChildNumber(x): returns i if node x is the i-th children of its \r
 159     * parent. */\r
 160    inline int ChildNumber(treeNode x);\r
 161 \r
 162    /** Depth(x): depth of node x, a simple binary rank on the parentheses \r
 163     * sequence. */\r
 164    int Depth(treeNode x);\r
 165    \r
 166    /** Preorder(x): returns the preorder number of node x, just regarding tree \r
 167     * nodes (and not texts). */ \r
 168    int Preorder(treeNode x);\r
 169    \r
 170    /** Postorder(x): returns the postorder number of node x, just regarding \r
 171     * tree nodes (and not texts). */\r
 172    int Postorder(treeNode x);\r
 173    \r
 174    /** Tag(x): returns the tag identifier of node x. */\r
 175    TagType Tag(treeNode x);\r
 176    \r
 177    /** DocIds(x): returns the range (i.e., a pair of integers) of document \r
 178     * identifiers that descend from node x. */\r
 179    range DocIds(treeNode x);\r
 180    \r
 181    /** Parent(x): returns the parent node of node x. */\r
 182    treeNode Parent(treeNode x);\r
 183    \r
 184    /** Child(x,i): returns the i-th child of node x, assuming it exists. */   \r
 185    treeNode Child(treeNode x, int i);\r
 186    \r
 187    /** FirstChild(x): returns the first child of node x, assuming it exists. \r
 188     * Very fast in BP. */\r
 189    treeNode FirstChild(treeNode x);\r
 190    \r
 191    /** NextSibling(x): returns the next sibling of node x, assuming it \r
 192     * exists. */\r
 193    treeNode NextSibling(treeNode x);\r
 194    \r
 195    /** PrevSibling(x): returns the previous sibling of node x, assuming it \r
 196     * exists. */\r
 197    treeNode PrevSibling(treeNode x);\r
 198    \r
 199    /** TaggedChild(x,i,tag): returns the i-th child of node x tagged tag, or \r
 200     * NULLT if there is none. Because of the balanced-parentheses representation \r
 201     * of the tree, this operation is not supported efficiently, just iterating \r
 202     * among the children of node x until finding the desired child. */\r
 203    treeNode TaggedChild(treeNode x, int i, TagType tag);\r
 204    \r
 205    /** TaggedDesc(x,tag): returns the first node tagged tag with larger \r
 206     * preorder than x and within the subtree of x. Returns NULT if there \r
 207     * is none. */\r
 208    treeNode TaggedDesc(treeNode x, TagType tag);\r
 209 \r
 210 \r
 211    treeNode TaggedBelow(treeNode x, TagType *childtags, unsigned int ctlen,\r
 212                                  TagType *desctags, unsigned int dtlen);\r
 213    \r
 214    treeNode TaggedNext(treeNode x, TagType *childtags, unsigned int ctlen,\r
 215                                 TagType *folltags, unsigned int flen,treeNode root);\r
 216 \r
 217    treeNode TaggedDescOnly(treeNode x, TagType *desctags, unsigned int dtlen);\r
 218    \r
 219    treeNode TaggedDescOrFollOnly(treeNode x, TagType *folltags, unsigned int flen,\r
 220                            treeNode root);\r
 221 \r
 222    treeNode TaggedFollOnly(treeNode x, TagType *folltags, unsigned int flen,\r
 223                            treeNode root);\r
 224    \r
 225 \r
 226    /** TaggedPrec(x,tag): returns the first node tagged tag with smaller \r
 227     * preorder than x and not an ancestor of x. Returns NULLT if there \r
 228     * is none. */\r
 229    treeNode TaggedPrec(treeNode x, TagType tag);\r
 230   \r
 231    /** TaggedFoll(x,tag): returns the first node tagged tag with larger \r
 232     * preorder than x and not in the subtree of x. Returns NULLT if there \r
 233     * is none. */\r
 234    treeNode TaggedFoll(treeNode x, TagType tag);\r
 235      \r
 236   \r
 237    /** TaggedFollowingSibling(x,tag) */\r
 238    treeNode TaggedFollowingSibling(treeNode x, TagType tag);\r
 239 \r
 240    /** TaggedAncestor(x, tag): returns the closest ancestor of x tagged \r
 241      * tag. Return NULLT is there is none. */\r
 242    treeNode TaggedAncestor(treeNode x, TagType tag);\r
 243  \r
 244    /** PrevText(x): returns the document identifier of the text to the left of \r
 245     * node x, or NULLT if x is the root node. */\r
 246    DocID PrevText(treeNode x);\r
 247    \r
 248    /** NextText(x): returns the document identifier of the text to the right of \r
 249     * node x, or NULLT if x is the root node. */\r
 250    DocID NextText(treeNode x);\r
 251    \r
 252    /** MyText(x): returns the document identifier of the text below node x, or \r
 253     * NULLT if x is not a leaf node. */\r
 254    DocID MyText(treeNode x);\r
 255    \r
 256    /** TextXMLId(d): returns the preorder of document with identifier d in the \r
 257     * tree consisting of all tree nodes and all text nodes. */\r
 258    int TextXMLId(DocID d);\r
 259    \r
 260    /** NodeXMLId(x): returns the preorder of node x in the tree consisting of \r
 261     * all tree nodes and all text nodes. */\r
 262    int NodeXMLId(treeNode x);\r
 263    \r
 264    /** ParentNode(d): returns the parent node of document identifier d. */\r
 265    treeNode ParentNode(DocID d);\r
 266    treeNode PrevNode(DocID d);\r
 267 \r
 268    /** OpenDocument(empty_texts,sample_rate_text,dtc): initilizes the construction\r
 269     * of the data structure for the XML document. Parameter empty_texts \r
 270     * indicates whether we index empty texts in document or not. Parameter \r
 271     * sample_rate_text indicates the sampling rate for the text searching data\r
 272     * structures (small values get faster searching but a bigger space \r
 273     * requirement). dtc disable the use of the TextCollection\r
 274     * (i.e. everything is considered an empty text *)\r
 275     * Returns a non-zero value upon success, NULLT in case of \r
 276     * error. */\r
 277 \r
 278    int OpenDocument(bool empty_texts, int sample_rate_text, bool dtc);\r
 279 \r
 280    /** CloseDocument(): finishes the construction of the data structure for \r
 281     * the XML document. Tree and tags are represented in the final form, \r
 282     * dynamic data structures are made static, and the flag "finished" is set \r
 283     * to true. After that, the data structure can be queried. */\r
 284    int CloseDocument();\r
 285 \r
 286    /** NewOpenTag(tagname): indicates the event of finding a new opening tag \r
 287     * in the document. Tag name is given. Returns a non-zero value upon \r
 288     * success, and returns NULLT in case of error. */\r
 289    int NewOpenTag(unsigned char *tagname);\r
 290    \r
 291    /** NewClosingTag(tagname): indicates the event of finding a new closing tag\r
 292     *  in the document. Tag name is given. Returns a non-zero value upon \r
 293     *  success, and returns NULLT in case of error. */\r
 294    int NewClosingTag(unsigned char *tagname);\r
 295  \r
 296    /** NewText(s): indicates the event of finding a new (non-empty) text s in \r
 297     * the document. The new text is inserted within the text collection. \r
 298     * Returns a non-zero value upon success, NULLT in case of error. */\r
 299    int NewText(unsigned char *s);\r
 300 \r
 301    /** NewEmptyText(): indicates the event of finding a new empty text in the \r
 302     * document. In case of indexing empty and non-empty texts, we insert the \r
 303     * empty texts into the text collection. In case of indexing only non-empty\r
 304     * texts, it just indicates an empty text in the bit vector of empty texts. \r
 305     * Returns a non-zero value upon success, NULLT in case of error. */\r
 306    int NewEmptyText();\r
 307 \r
 308    /** GetTagId(tagname): returns the tag identifier corresponding to a given \r
 309     * tag name. Returns NULLT in case that the tag name does not exists. */\r
 310    TagType GetTagId(unsigned char *tagname);\r
 311 \r
 312    /** GetTagName(tagid): returns the tag name of a given tag identifier. \r
 313     * Returns NULL in case that the tag identifier is not valid.*/\r
 314    unsigned char *GetTagName(TagType tagid);\r
 315 \r
 316 \r
 317    // OJO\r
 318    /** GetTagName(tagid): returns the tag name of a given tag identifier.     \r
 319     *  The result is just a reference and should not be freed by the caller.\r
 320     */\r
 321    const unsigned char *GetTagNameByRef(TagType tagid);\r
 322 \r
 323    //OJO\r
 324    /** RegisterTag adds a new tag to the tag collection this is needed\r
 325     * if the query contains a tag which is not in the document, we need\r
 326     * to give this new tag a fresh id and store it somewhere. A logical\r
 327     * choice is here.\r
 328     * We might want to use a hashtable instead of an array though.\r
 329     */\r
 330    TagType RegisterTag(unsigned char *tagname);\r
 331 \r
 332    bool EmptyText(DocID i) {\r
 333       return Text->EmptyText(i);\r
 334    }\r
 335    /** Prefix(s): search for texts prefixed by string s. */\r
 336    TextCollection::document_result Prefix(uchar const *s) {\r
 337       return Text->Prefix(s);\r
 338    }\r
 339 \r
 340    /** Suffix(s): search for texts having string s as a suffix. */\r
 341    TextCollection::document_result Suffix(uchar const *s) {\r
 342       return Text->Suffix(s);\r
 343    }\r
 344 \r
 345    /** Equal(s): search for texts equal to string s. */\r
 346    TextCollection::document_result Equal(uchar const *s) {\r
 347       return Text->Equal(s);\r
 348    }\r
 349 \r
 350    /** Contains(s): search for texts containing string s.  */\r
 351    TextCollection::document_result Contains(uchar const *s) {\r
 352       return Text->Contains(s);\r
 353    }\r
 354 \r
 355    /** LessThan(s): returns document identifiers for the texts that\r
 356     * are lexicographically smaller than string s. */\r
 357    TextCollection::document_result LessThan(uchar const *s) {\r
 358       return Text->LessThan(s);\r
 359    }\r
 360    \r
 361    /** IsPrefix(x): returns true if there is a text prefixed by string s. */\r
 362    bool IsPrefix(uchar const *s) {\r
 363       return Text->IsPrefix(s);\r
 364    }          \r
 365    \r
 366    /** IsSuffix(s): returns true if there is a text having string s as a \r
 367     * suffix.*/\r
 368    bool IsSuffix(uchar const *s) {\r
 369       return Text->IsSuffix(s);\r
 370    }\r
 371    \r
 372    /** IsEqual(s): returns true if there is a text that equals given \r
 373     * string s. */\r
 374    bool IsEqual(uchar const *s) {\r
 375       return Text->IsEqual(s);\r
 376    }\r
 377    \r
 378    /** IsContains(s): returns true if there is a text containing string s. */\r
 379    bool IsContains(uchar const *s) {\r
 380       return Text->IsContains(s);\r
 381    }\r
 382    \r
 383    /** IsLessThan(s): returns true if there is at least a text that is \r
 384     * lexicographically smaller than string s. */\r
 385    bool IsLessThan(uchar const *s) {\r
 386       return Text->IsLessThan(s);\r
 387    }\r
 388    \r
 389    /** Count(s): Global counting  */\r
 390    unsigned Count(uchar const *s) {\r
 391       return Text->Count(s);\r
 392    }\r
 393 \r
 394    /** CountPrefix(s): counting version of Prefix(s). */\r
 395    unsigned CountPrefix(uchar const *s) {\r
 396       return Text->CountPrefix(s);\r
 397    }\r
 398    \r
 399    /** CountSuffix(s): counting version of Suffix(s). */\r
 400    unsigned CountSuffix(uchar const *s) {\r
 401       return Text->CountSuffix(s);\r
 402    }\r
 403    \r
 404    /** CountEqual(s): counting version of Equal(s). */\r
 405    unsigned CountEqual(uchar const *s) {\r
 406       return Text->CountEqual(s);\r
 407    }\r
 408    \r
 409    /** CountContains(s): counting version of Contains(s). */\r
 410    unsigned CountContains(uchar const *s) {\r
 411       return Text->CountContains(s);\r
 412    }\r
 413    \r
 414    /** CountLessThan(s): counting version of LessThan(s). */\r
 415    unsigned CountLessThan(uchar const *s) {\r
 416       return CountLessThan(s);\r
 417    }\r
 418    \r
 419    /** GetText(d): returns the text corresponding to document with\r
 420     * id d. */\r
 421    uchar* GetText(DocID d) {\r
 422       return Text->GetText(d);\r
 423    }\r
 424 \r
 425    uchar* GetCachedText(DocID d) {\r
 426      uchar * str = (uchar*) calloc(sizeof(char),(CachedText.at(d).size() + 1));\r
 427      strcpy((char*) str,(const char*) CachedText.at(d).c_str());\r
 428      return (uchar*) (str);\r
 429    }\r
 430    \r
 431    TextCollection *getTextCollection() {\r
 432       return Text;\r
 433    }\r
 434    /** Save: saves XML tree data structure to file. */\r
 435    void Save(unsigned char *filename);\r
 436       \r
 437    /** Load: loads XML tree data structure from file. sample_rate_text \r
 438     * indicates the sample rate for the text search data structure. */\r
 439    static XMLTree *Load(unsigned char *filename, int sample_rate_text);   \r
 440 };\r
 441 #endif\r