Fixed MakeStatic()
[SXSI/TextCollection.git] / CSA.cpp
diff --git a/CSA.cpp b/CSA.cpp
index 5719154..a190b48 100644 (file)
--- a/CSA.cpp
+++ b/CSA.cpp
  *****************************************************************************/
 #include "CSA.h"
 #include "TextCollection.h"
+
+// Conflicts with std::min and std::max
+#undef min
+#undef max
+#include "dcover/bwt.hpp"
+
+#include "HeapProfiler.h" // FIXME remove
+
 #include <iostream>
 #include <queue>
-#include <iomanip>
 #include <set>
 #include <vector>
 #include <utility>
@@ -33,12 +40,15 @@ using std::pair;
 using std::make_pair;
 using std::map;
 
-using SXSI::TextCollection;
+namespace SXSI
+{
 
+// Save file version info
+const uchar CSA::versionFlag = 2;
 
 ////////////////////////////////////////////////////////////////////////////
 // Class CSA::THuffAlphabetRank
-
+// FIXME Unused code
 CSA::THuffAlphabetRank::THuffAlphabetRank(uchar *s, TextPosition n, TCodeEntry *codetable, unsigned level) {
     left = NULL;
     right = NULL;
@@ -121,7 +131,7 @@ CSA::THuffAlphabetRank::~THuffAlphabetRank() {
 }
 
 
-/////////////////////////////////////////////f///////////////////////////////
+////////////////////////////////////////////////////////////////////////////
 // Class CSA
 
 /**
@@ -129,12 +139,13 @@ CSA::THuffAlphabetRank::~THuffAlphabetRank() {
  * Samplerate defaults to TEXTCOLLECTION_DEFAULT_SAMPLERATE.
  */
 CSA::CSA(unsigned samplerate)
-    : n(0), alphabetrank(0), sampled(0), suffixes(0), positions(0),  
-      codetable(0), dynFMI(0), numberOfTexts(0), maxTextLength(0), endmarkerDocId(0),
-      textLength(0), textStartPos(0)
+    : n(0), samplerate(0), alphabetrank(0), codetable(0), sampled(0), suffixes(0), 
+      suffixDocId(0), numberOfTexts(0), numberOfAllTexts(0), maxTextLength(0), endmarkerDocId(0),
+      emptyTextRank(0)
 {
     this->samplerate = samplerate;
-
+    
+#ifdef CSA_TEST_BWT
     // FIXME TODO : DynFMI needs distribution of characters before hand
     // This will create fully balanced wavelet tree for all chars [0, 255].
     uchar temp[256];
@@ -147,6 +158,7 @@ CSA::CSA(unsigned samplerate)
     uchar *temp = Tools::GetFileContents("data.txt", 0);
     dynFMI = new DynFMI(temp,1790000, strlen((char *)temp), false);
     delete [] temp;*/
+#endif
 }
 
 /**
@@ -158,69 +170,131 @@ CSA::CSA(unsigned samplerate)
 void CSA::InsertText(uchar const * text)
 {
     // Sanity check:
+#ifdef CSA_TEST_BWT
     assert(dynFMI != 0);
+#endif
 
     TextPosition m = std::strlen((char *)text) + 1;
     if (m > maxTextLength)
         maxTextLength = m; // Store length of the longest text seen so far.
 
-    this->n += m;
-    this->numberOfTexts ++;
-    dynFMI->addText(text, m);
+    if (m > 1)
+    {
+        this->n += m;
+        this->numberOfTexts ++;
+        this->numberOfAllTexts ++;
+#ifdef CSA_TEST_BWT
+        dynFMI->addText(text, m);
+#endif
+
+        texts.append((char *) text);
+        texts.append(1, '\0');
+    }
+    else
+    {
+        emptyTextId.insert(numberOfAllTexts); // FIXME Using too much space here
+        this->numberOfAllTexts ++;
+    }
 }
 
 void CSA::MakeStatic()
 {
     // Sanity check:
+#ifdef CSA_TEST_BWT
     if (dynFMI == 0)
+        throw std::runtime_error("CSA::MakeStatic(): Data structure is already static (dynFMI == 0).");
+#endif
+
+    // Bitvector of empty texts, FIXME Remove?
     {
-        std::cerr << "Data structure is already static (dynFMI == 0)." << std::endl;
-        std::exit(0);
+        //std::cout << std::endl << "texts: " << numberOfTexts << ", all texts " << numberOfAllTexts << ", size : " << emptyTextId.size() <<std::endl;
+        ulong *tempB = new ulong[numberOfAllTexts/W + 1];
+        for (ulong i = 0; i < numberOfAllTexts/W + 1; ++i)
+            tempB[i] = 0;
+        for (std::set<unsigned>::const_iterator it = emptyTextId.begin(); it != emptyTextId.end(); ++it)
+            Tools::SetField(tempB, 1, (*it), 1);
+        emptyTextId.clear();
+        emptyTextRank = new BSGAP(tempB, numberOfAllTexts, true);
     }
-    uchar *bwt = dynFMI->getBWT();
-    /*printf("123456789012345678901234567890123456789\n");
-    for (TextPosition i = 0; i < n; i ++)
-        if (bwt[i] < 50)
-            printf("%d", (int)bwt[i]);
-        else
-            printf("%c", bwt[i]);
-            printf("\n");*/
-    
-    
-/*    for (TextPosition i = 1; i <= n; i ++)
+
+    uchar *bwt = new uchar[n];
     {
-        printf("LF[%lu, %c] = %lu\n", i, (*dynFMI)[i], dynFMI->LFmapping(i));
-    }*/
+        // More succinct solution via StringIterator, see below.
+/*        unsigned* maptexts = new unsigned[n+1];
+        // Map text chars to [0..255+numberOfTexts]
+        unsigned count = 0;
+        for (ulong i = 0; i < n; ++i)
+            if (texts[i] == 0)
+                maptexts[i] = ++count; // endmarkers \in [1..numberOfTexts]
+            else {
+                uchar c = (uchar)texts[i];
+                maptexts[i] = (unsigned)c + numberOfTexts;
+            }
+        maptexts[n] = '\0';
+        assert(count == numberOfTexts);
+
+        std::cout << "maptext: ";
+        for (ulong i = 0; i <= n; ++i)
+            std::cout << maptexts[i] << ", ";
+            std::cout << std::endl;*/
+
+        // Mark endmarker positions into bitvector
+        ulong * endmarkers = new ulong[n/W+1];
+        for (ulong i = 0; i < n/W+1; ++i)
+            endmarkers[i] = 0;
+        for (ulong i = 0; i < n; ++i)
+            if (texts[i] == 0)
+                Tools::SetField(endmarkers, 1, i, 1);
+        BitRank* br = new BitRank(endmarkers, n, true);
+        assert(numberOfTexts == br->rank(n-1));
+
+        // Build iterators, FIXME clean up iterator construction.
+        StringIterator itBegin((uchar const *)texts.c_str(), (uchar const *)texts.c_str(), n, numberOfTexts, br);
+        StringIterator itEnd((uchar const *)texts.c_str() + n,(uchar const *)texts.c_str(), n, numberOfTexts, br);
     
-    // Sanity check
-    assert(numberOfTexts == dynFMI->getCollectionSize());    
-
-    delete dynFMI;
-    dynFMI = 0;
+        bwtEndPos = (ulong)compute_bwt(itBegin, itEnd, //&maptexts[0], &maptexts[n],
+                                       &bwt[0], numberOfTexts);
 
-    makewavelet(bwt);
+        bwt[--bwtEndPos] = '\0';
+        texts.erase(); 
+        texts.reserve(0); // Release capacity
+        delete br; // bitvector of endmarkers
+    } // End of bw transform
 
-    // Calculate BWT end-marker position (of last inserted text)
-    // and the length of the first text (counter l):
-    ulong i = 0;
-    ulong l = 1;
-    while (bwt[i] != '\0')
-    {
-        uchar c = bwt[i];
-        i = C[c]+alphabetrank->rank(c, i)-1;
-        ++l;
+#ifdef CSA_TEST_BWT
+    { 
+        uchar *bwtTest = dynFMI->getBWT();
+        printf("123456789012345678901234567890123456789\n");
+        for (TextPosition i = 0; i < n && i < 100; i ++)
+            if (bwt[i] < 50)
+                printf("%d", (int)bwt[i]);
+            else
+                printf("%c", bwt[i]);
+        printf("\n");
+        for (TextPosition i = 0; i < n && i < 100; i ++)
+            if (bwtTest[i] < 50)
+                printf("%d", (int)bwtTest[i]);
+            else
+                printf("%c", bwtTest[i]);
+                printf("\n");
+        
+        // Sanity check
+        assert(numberOfTexts == dynFMI->getCollectionSize());    
+        
+        delete dynFMI;
+        dynFMI = 0;
+        for (ulong i = 0; i < n; ++i)
+            if (bwt[i] != bwtTest[i])
+            {
+                std::cout << "i = " << i << ", bwt = " << (unsigned)bwt[i] << ", " << (unsigned)bwtTest[i] << std::endl;
+                assert(0);
+            }
+        delete [] bwtTest;
     }
-    bwtEndPos = i;
-    //printf("bwtEndPos = %lu\n", bwtEndPos);
-
-    delete [] bwt;
+#endif // CSA_TEST_BWT
 
-    // Build up arrays for text length and starting positions
-    textLength = new BlockArray(numberOfTexts, Tools::CeilLog2(maxTextLength));
-    textStartPos = new BlockArray(numberOfTexts, Tools::CeilLog2(this->n));
-    (*textLength)[0] = l;
-    (*textStartPos)[0] = 0; // Rest of the values are updated in CSA::maketables().
+    makewavelet(bwt); // Deletes bwt!
+    bwt = 0;
   
     // Make sampling tables
     maketables();
@@ -228,43 +302,73 @@ void CSA::MakeStatic()
 
 bool CSA::EmptyText(DocId k) const
 {
-    assert(k < (DocId)numberOfTexts);
-    return (1 == (*textLength)[k]);
+    assert(k < (DocId)numberOfTexts); 
+    if (emptyTextRank->IsBitSet(k))
+        return true;
+    return false;
 }
 
 uchar* CSA::GetText(DocId k) const
 {
     assert(k < (DocId)numberOfTexts);
 
-    uchar* result = new uchar[(*textLength)[k]];
+    ulong textRank = 0;
+    if (emptyTextRank->IsBitSet(k, &textRank))
+    {
+        uchar* result = new uchar[1];
+        result[0] = 0;
+        return result;
+    }
+    // Map to non-empty text
+    k -= textRank; //emptyTextRank->rank(k);
+    
     TextPosition i = k;
-    TextPosition j = (*textLength)[k] - 1;
-    result[j] = '\0';
 
-    uchar c = alphabetrank->charAtPos(i);
+    string result;
+    // Reserve average string length to avoid reallocs
+    result.reserve(n/numberOfTexts);
+
+    uchar c = alphabetrank->access(i);
     while (c != '\0')
     {
-        --j;
-        result[j] = c;
+        result.push_back(c);
         i = C[c]+alphabetrank->rank(c,i)-1;
         
-        c = alphabetrank->charAtPos(i); // "next" char.
+        c = alphabetrank->access(i); // "next" char.
     }
-    assert(j == 0);
-    return result;
+    
+    // Convert to uchar (FIXME return string?)
+    i = result.size();
+    uchar* res = new uchar[i+1]; 
+    res[i] = '\0';   
+    for (ulong j = 0; j < i; ++j)
+        res[i-j-1] = result[j];
+    return res;
 }
-
+/*
+ * Not supported
 uchar* CSA::GetText(DocId k, TextPosition i, TextPosition j) const
 {
     assert(k < (DocId)numberOfTexts);
     assert(j < (*textLength)[k]);
     assert(i <= j);
 
+    ulong textRank = 0;
+    if (emptyTextRank->IsBitSet(k, &textRank))
+    {
+        uchar* result = new uchar[1];
+        result[0] = 0;
+        return result;
+    }
+    
+    // Map to non-empty text
+    k -= textRank; // emptyTextRank->rank(k);
+
     // Start position of k'th text
     ulong start = (*textStartPos)[k];
 
     return Substring(i + start, j-i+1);
-}
+    }*/
 
 /******************************************************************
  * Existential queries
@@ -286,7 +390,7 @@ bool CSA::IsPrefix(uchar const * pattern) const
 
 bool CSA::IsSuffix(uchar const *pattern) const
 {
-    // Here counting is as fast as isSuffix():
+    // Here counting is as fast as IsSuffix():
     if (CountSuffix(pattern) > 0)
         return true;
     return false;
@@ -295,8 +399,12 @@ bool CSA::IsSuffix(uchar const *pattern) const
 bool CSA::IsEqual(uchar const *pattern) const
 {
     TextPosition m = std::strlen((char *)pattern);
-    //if (m == 0)
-    //    return false; // FIXME Check for empty texts! 
+    if (m == 0)
+    {
+        if (numberOfAllTexts - numberOfTexts > 0u)
+            return true; // Empty texts exists
+        return false; // No empty texts exists
+    }
 
     TextPosition sp = 0, ep = 0;
     // Match including end-marker
@@ -333,11 +441,22 @@ bool CSA::IsLessThan(uchar const*) const
 /******************************************************************
  * Counting queries
  */
+ulong CSA::Count(uchar const * pattern) const
+{
+    TextPosition m = strlen((char *)pattern);
+    if (m == 0)
+        return 0;
+
+    TextPosition sp = 0, ep = 0;
+    unsigned count = (unsigned) Search(pattern, m, &sp, &ep);
+    return count;
+}
+
 unsigned CSA::CountPrefix(uchar const * pattern) const
 {
     TextPosition m = strlen((char *)pattern);
     if (m == 0)
-        return numberOfTexts;
+        return numberOfAllTexts;
 
     TextPosition sp = 0, ep = 0;
     Search(pattern, m, &sp, &ep);
@@ -350,7 +469,7 @@ unsigned CSA::CountSuffix(uchar const * pattern) const
 {
     TextPosition m = strlen((char *)pattern);
     if (m == 0)
-        return numberOfTexts;
+        return numberOfAllTexts;
 
     TextPosition sp = 0, ep = 0;
     // Search with end-marker
@@ -362,8 +481,8 @@ unsigned CSA::CountSuffix(uchar const * pattern) const
 unsigned CSA::CountEqual(uchar const *pattern) const
 {
     TextPosition m = strlen((char const *)pattern);
-//    if (m == 0)
-//        return ; // FIXME Test for empty texts. 
+    if (m == 0)
+        return numberOfAllTexts - numberOfTexts; // Empty texts. 
 
     TextPosition sp = 0, ep = 0;
     // Match including end-marker
@@ -375,6 +494,10 @@ unsigned CSA::CountEqual(uchar const *pattern) const
 
 unsigned CSA::CountContains(uchar const * pattern) const
 {
+    TextPosition m = strlen((char const *)pattern);
+    if (m == 0)
+        return numberOfAllTexts; // Total number of texts. 
+
     // Here counting is as slow as fetching the result set
     // because we would have to filter out occ's that fall within same document.
     TextCollection::document_result result = Contains(pattern);
@@ -395,7 +518,7 @@ TextCollection::document_result CSA::Prefix(uchar const * pattern) const
 {
     TextPosition m = strlen((char *)pattern);
     if (m == 0)
-        return TextCollection::document_result();
+        return TextCollection::document_result(); // FIXME Should return all 1...k
 
     TextPosition sp = 0, ep = 0;
     Search(pattern, m, &sp, &ep);
@@ -407,6 +530,9 @@ TextCollection::document_result CSA::Prefix(uchar const * pattern) const
     if (resultSize == 0)
         return result;
 
+    result.reserve(resultSize); // Try to avoid reallocation.
+
+    // Iterate through end-markers in [sp,ep]:
     unsigned i = 0;
     if (sp > 0)
         i = alphabetrank->rank(0, sp - 1);
@@ -414,7 +540,10 @@ TextCollection::document_result CSA::Prefix(uchar const * pattern) const
     {
         // End-marker we found belongs to the "preceeding" doc in the collection
         DocId docId = ((*endmarkerDocId)[i] + 1) % numberOfTexts;
+        // Map to doc ID:
+        docId = emptyTextRank->select0(docId+1);
         result.push_back(docId);
+
         -- resultSize;
         ++ i;
     }
@@ -426,37 +555,46 @@ TextCollection::document_result CSA::Suffix(uchar const * pattern) const
 {
     TextPosition m = strlen((char *)pattern);
     if (m == 0)
-        return TextCollection::document_result();
+        return TextCollection::document_result(); // FIXME Should return all 1...k
 
     TextPosition sp = 0, ep = 0;
     // Search with end-marker
     Search(pattern, m+1, &sp, &ep);
  
     TextCollection::document_result result;
+    result.reserve(ep-sp+1); // Try to avoid reallocation.
 
+    ulong sampled_rank_i = 0;
     // Check each occurrence
     for (; sp <= ep; ++sp)
     {
         TextPosition i = sp;
-        uchar c = alphabetrank->charAtPos(i);
-        while (c != '\0' && !sampled->IsBitSet(i))
+
+        uchar c = alphabetrank->access(i);
+        while (c != '\0' && !sampled->IsBitSet(i, &sampled_rank_i))
         {
-            i = C[c]+alphabetrank->rank(c,i)-1; // LF-mapping
-            c = alphabetrank->charAtPos(i);
+            i = C[c]+alphabetrank->rank(c,i)-1;
+            c = alphabetrank->access(i);
         }
+        // Assert: c == '\0'  OR  sampled->IsBitSet(i)
+
         if (c == '\0')
         {
             // Rank among the end-markers in BWT
             unsigned endmarkerRank = alphabetrank->rank(0, i) - 1;
 
             // End-marker that we found belongs to the "preceeding" doc in collection:
-            DocId docId = ((*endmarkerDocId)[endmarkerRank] + 1) % numberOfTexts;
+            DocId docId = ((*endmarkerDocId)[endmarkerRank] + 1) % numberOfTexts;        
+            // Map to doc ID:
+            docId = emptyTextRank->select0(docId+1);
             result.push_back(docId);
         }
         else // Sampled position
         {
-            TextPosition textPos = (*suffixes)[sampled->rank(i)-1];
-            result.push_back(DocIdAtTextPos(textPos));
+            DocId docId = (*suffixDocId)[sampled_rank_i-1]; //sampled->rank(i)-1];
+            // Map to doc ID:
+            docId = emptyTextRank->select0(docId+1);
+            result.push_back(docId);
         }
     }
     
@@ -467,7 +605,7 @@ TextCollection::document_result CSA::Equal(uchar const *pattern) const
 {
     TextPosition m = strlen((char const *)pattern);
     if (m == 0)
-        return TextCollection::document_result();
+        return TextCollection::document_result(); // FIXME Should return all empty texts
 
     TextPosition sp = 0, ep = 0;
     // Match including end-marker
@@ -480,14 +618,19 @@ TextCollection::document_result CSA::Equal(uchar const *pattern) const
     if (resultSize == 0)
         return result;
 
+    result.reserve(resultSize); // Try to avoid reallocation.
+
     unsigned i = 0;
     if (sp > 0)
         i = alphabetrank->rank(0, sp - 1);
     while (resultSize)
     {
-       // End-marker we found belongs to the "previous" doc in the collection
+        // End-marker we found belongs to the "previous" doc in the collection
         DocId docId = ((*endmarkerDocId)[i] + 1) % numberOfTexts;
+        // Map to doc ID:
+        docId = emptyTextRank->select0(docId+1);
         result.push_back(docId);
+
         -- resultSize;
         ++ i;
     }
@@ -505,19 +648,20 @@ TextCollection::document_result CSA::Contains(uchar const * pattern) const
     TextPosition sp = 0, ep = 0;
     // Search all occurrences
     Search(pattern, m, &sp, &ep);
+
     // We want unique document indentifiers, using std::set to collect them
     std::set<DocId> resultSet;
 
+    ulong sampled_rank_i = 0;
     // Check each occurrence
     for (; sp <= ep; ++sp)
     {
         TextPosition i = sp;
-        uchar c = alphabetrank->charAtPos(i);
-        while (c != '\0' && !sampled->IsBitSet(i))
+        uchar c = alphabetrank->access(i);
+        while (c != '\0' && !sampled->IsBitSet(i, &sampled_rank_i))
         {
             i = C[c]+alphabetrank->rank(c,i)-1; // LF-mapping
-            c = alphabetrank->charAtPos(i);
+            c = alphabetrank->access(i);
         }
         if (c == '\0')
         {
@@ -530,15 +674,17 @@ TextCollection::document_result CSA::Contains(uchar const * pattern) const
         }
         else
         {
-            TextPosition textPos = (*suffixes)[sampled->rank(i)-1];
-            resultSet.insert(DocIdAtTextPos(textPos));
+            DocId di = (*suffixDocId)[sampled_rank_i-1]; //sampled->rank(i)-1];
+            assert((unsigned)di < numberOfTexts);
+            resultSet.insert(di);
         }
     }
     
-    // Convert std::set to std::vector (TODO better way to construct result vector?)
-    TextCollection::document_result result;
-    for (std::set<DocId>::iterator it = resultSet.begin(); it != resultSet.end(); ++it)
-        result.push_back(*it);
+    // Convert std::set to std::vector
+    TextCollection::document_result result(resultSet.begin(), resultSet.end());
+    // Map to doc ID's
+    for (document_result::iterator it = result.begin(); it != result.end(); ++it)
+        *it = emptyTextRank->select0(*it+1);
     return result;
 }
 
@@ -556,24 +702,26 @@ TextCollection::full_result CSA::FullContains(uchar const * pattern) const
 {
     TextPosition m = strlen((char *)pattern);
     if (m == 0)
-        return full_result();
+        return full_result(); // FIXME Throw exception?
 
     TextPosition sp = 0, ep = 0;
     // Search all occurrences
     Search(pattern, m, &sp, &ep);
  
     full_result result;
+    result.reserve(ep-sp+1); // Try to avoid reallocation.
 
+    ulong sampled_rank_i = 0;    
     // Report each occurrence
     for (; sp <= ep; ++sp)
     {
         TextPosition i = sp;
         TextPosition dist = 0;
-        uchar c = alphabetrank->charAtPos(i);
-        while (c != '\0' && !sampled->IsBitSet(i))
+        uchar c = alphabetrank->access(i);
+        while (c != '\0' && !sampled->IsBitSet(i, &sampled_rank_i))
         {
-            i = C[c]+alphabetrank->rank(c,i)-1; // LF-mapping
-            c = alphabetrank->charAtPos(i);
+            i = C[c]+alphabetrank->rank(c,i)-1;
+            c = alphabetrank->access(i);
             ++ dist;
         }
         if (c == '\0')
@@ -583,14 +731,19 @@ TextCollection::full_result CSA::FullContains(uchar const * pattern) const
             
             // End-marker that we found belongs to the "preceeding" doc in collection:
             DocId docId = ((*endmarkerDocId)[endmarkerRank] + 1) % numberOfTexts;
+            // Map to doc ID:
+            docId = emptyTextRank->select0(docId+1);
             result.push_back(make_pair(docId, dist)); 
         }
         else
         {
-            TextPosition textPos = (*suffixes)[sampled->rank(i)-1] + dist;
-            // Read document identifier and its starting position in text order
-            DocId docId = DocIdAtTextPos(textPos);
-            result.push_back(make_pair(docId, textPos - (*textStartPos)[docId]));
+            TextPosition textPos = (*suffixes)[sampled_rank_i-1]+dist; //sampled->rank(i)-1] + dist;
+            DocId docId = (*suffixDocId)[sampled_rank_i-1]; //sampled->rank(i)-1];
+//            textPos = textPos - (*textStartPos)[docId]; // Offset inside the text
+
+            // Map to doc ID:
+            docId = emptyTextRank->select0(docId+1);
+            result.push_back(make_pair(docId, textPos));
         }
     }
     
@@ -598,106 +751,60 @@ TextCollection::full_result CSA::FullContains(uchar const * pattern) const
 }
 
 
-/**
- * Finds document identifier for given text position
- *
- * Starting text position of the document is stored into second parameter.
- * Binary searching on text starting positions. 
- */
-TextCollection::DocId CSA::DocIdAtTextPos(TextPosition i) const
-{
-    assert(i < n);
-
-    DocId a = 0;
-    DocId b = numberOfTexts - 1;
-    while (a < b)
-    {
-        DocId c = a + (b - a)/2;
-        if ((*textStartPos)[c] > i)
-            b = c - 1;
-        else if ((*textStartPos)[c+1] > i)
-            return c;
-        else
-            a = c + 1;
-    }
-
-    assert(a < (DocId)numberOfTexts);
-    assert(i > (*textStartPos)[a]);
-    assert(i < (a == (DocId)numberOfTexts - 1 ? n : (*textStartPos)[a+1]));
-    return a;
-}
-
-/**
- * Count end-markers in given interval
- */
-unsigned CSA::CountEndmarkers(TextPosition sp, TextPosition ep) const
-{
-    if (sp > ep)
-        return 0;
-
-    ulong ranksp = 0;
-    if (sp != 0)
-        ranksp = alphabetrank->rank(0, sp - 1);
-    
-    return alphabetrank->rank(0, ep) - ranksp;
-}
-
 /**
  * Save index to a file handle
  *
  * Throws a std::runtime_error exception on i/o error.
  * First byte that is saved represents the version number of the save file.
- * In version 1 files, the data fields are:
- *        <uchar version> version info;
- *        <unsigned s>    samplerate;
- *        <ulong n>       length of the BWT;
- *        <ulong bwt>     end marker position in BWT;
- *        <uchar *>       BWT string of length n;
- *        <unsigned r>    number of texts;
- *        <ulong max>     length of longest text;
- *        <vector textLength>
- *                        array of <ulong, ulong> pairs.
- * 
- * TODO: Save the data structures instead of BWT sequence?
- * TODO: Don't save textLength and textStartPos arrays.
+ * In version 2 files, the data fields are:
+ *  uchar versionFlag;
+    TextPosition n;
+    unsigned samplerate;
+    unsigned C[256];
+    TextPosition bwtEndPos;
+    static_sequence * alphabetrank;
+    BSGAP *sampled; 
+    BlockArray *suffixes;
+    BlockArray *suffixDocId;
+    unsigned numberOfTexts;
+    unsigned numberOfAllTexts;
+    ulong maxTextLength;
+    BlockArray *endmarkerDocId;
+    BSGAP *emptyTextRank;
  */
 void CSA::Save(FILE *file) const
 {
-    // Saving version 1 data:
-    uchar versionFlag = 1;
+    // Saving version info:
     if (std::fwrite(&versionFlag, 1, 1, file) != 1)
         throw std::runtime_error("CSA::Save(): file write error (version flag).");
 
+    if (std::fwrite(&(this->n), sizeof(TextPosition), 1, file) != 1)
+        throw std::runtime_error("CSA::Save(): file write error (n).");
     if (std::fwrite(&(this->samplerate), sizeof(unsigned), 1, file) != 1)
         throw std::runtime_error("CSA::Save(): file write error (samplerate).");
 
-    if (std::fwrite(&(this->n), sizeof(TextPosition), 1, file) != 1)
-        throw std::runtime_error("CSA::Save(): file write error (n).");
+    for(ulong i = 0; i < 256; ++i)
+        if (std::fwrite(this->C + i, sizeof(unsigned), 1, file) != 1)
+            throw std::runtime_error("CSA::Save(): file write error (C table).");
 
     if (std::fwrite(&(this->bwtEndPos), sizeof(TextPosition), 1, file) != 1)
         throw std::runtime_error("CSA::Save(): file write error (bwt end position).");
     
-    for (ulong offset = 0; offset < n; offset ++)
-    {
-        uchar c = alphabetrank->charAtPos(offset);
-        if (std::fwrite(&c, sizeof(uchar), 1, file) != 1)
-            throw std::runtime_error("CSA::Save(): file write error (bwt sequence).");
-    }
-
-    unsigned r = numberOfTexts;
-    if (std::fwrite(&r, sizeof(unsigned), 1, file) != 1)
-        throw std::runtime_error("CSA::Save(): file write error (r).");
-
+    alphabetrank->save(file);
+    sampled->Save(file);
+    suffixes->Save(file);
+    suffixDocId->Save(file);
+    
+    if (std::fwrite(&(this->numberOfTexts), sizeof(unsigned), 1, file) != 1)
+        throw std::runtime_error("CSA::Save(): file write error (numberOfTexts).");
+    if (std::fwrite(&(this->numberOfAllTexts), sizeof(unsigned), 1, file) != 1)
+        throw std::runtime_error("CSA::Save(): file write error (numberOfAllTexts).");
     if (std::fwrite(&(this->maxTextLength), sizeof(ulong), 1, file) != 1)
         throw std::runtime_error("CSA::Save(): file write error (maxTextLength).");
-    
-    for (r = 0; r < numberOfTexts; ++ r)
-    {
-        if (std::fwrite(&((*textLength)[r]), sizeof(TextPosition), 1, file) != 1)
-            throw std::runtime_error("CSA::Save(): file write error (text length).");
-        if (std::fwrite(&((*textStartPos)[r]), sizeof(TextPosition), 1, file) != 1)
-            throw std::runtime_error("CSA::Save(): file write error (text start).");
-    }    
+
+    endmarkerDocId->Save(file);
+    emptyTextRank->Save(file);
+    fflush(file);
 }
 
 
@@ -710,73 +817,62 @@ void CSA::Save(FILE *file) const
 void CSA::Load(FILE *file, unsigned samplerate)
 {
     // Delete everything
+#ifdef CSA_TEST_BWT
     delete dynFMI;       dynFMI = 0;
+#endif
     delete alphabetrank; alphabetrank = 0;
     delete sampled;      sampled = 0;
-    delete [] suffixes;  suffixes = 0;
-    delete [] positions; positions = 0;
+    delete suffixes;     suffixes = 0;
+    delete suffixDocId;  suffixDocId = 0;
     delete [] codetable; codetable = 0;
 
     delete endmarkerDocId; endmarkerDocId = 0;
-    delete textLength;     textLength = 0;
-    delete textStartPos;   textStartPos = 0;
+    delete emptyTextRank;  emptyTextRank = 0;
 
     this->maxTextLength = 0;
     this->numberOfTexts = 0;
+    this->numberOfAllTexts = 0;
     this->samplerate = samplerate;
     this->n = 0;
 
-    uchar versionFlag = 0;
-    if (std::fread(&versionFlag, 1, 1, file) != 1)
+    uchar verFlag = 0;
+    if (std::fread(&verFlag, 1, 1, file) != 1)
         throw std::runtime_error("CSA::Load(): file read error (version flag).");
-    if (versionFlag != 1)
-        throw std::runtime_error("CSA::Load(): invalid start byte.");
+    if (verFlag != CSA::versionFlag)
+        throw std::runtime_error("CSA::Load(): invalid save file version.");
 
+    if (std::fread(&(this->n), sizeof(TextPosition), 1, file) != 1)
+        throw std::runtime_error("CSA::Load(): file read error (n).");
     if (std::fread(&samplerate, sizeof(unsigned), 1, file) != 1)
         throw std::runtime_error("CSA::Load(): file read error (samplerate).");
-    if (this->samplerate == 0)
-        this->samplerate = samplerate;
+// FIXME samplerate can not be changed during load.
+//    if (this->samplerate == 0)
+//        this->samplerate = samplerate;
 
-    if (std::fread(&(this->n), sizeof(TextPosition), 1, file) != 1)
-        throw std::runtime_error("CSA::Load(): file read error (n).");
+    for(ulong i = 0; i < 256; ++i)
+        if (std::fread(this->C + i, sizeof(unsigned), 1, file) != 1)
+            throw std::runtime_error("CSA::Load(): file read error (C table).");
 
     if (std::fread(&(this->bwtEndPos), sizeof(TextPosition), 1, file) != 1)
         throw std::runtime_error("CSA::Load(): file read error (bwt end position).");
 
-    uchar *bwt = new uchar[n];
-    for (ulong offset = 0; offset < n; offset ++)
-        if (std::fread((bwt + offset), sizeof(uchar), 1, file) != 1)
-            throw std::runtime_error("CSA::Load(): file read error (bwt sequence).");
-
-    unsigned r = 0;
-    if (std::fread(&r, sizeof(unsigned), 1, file) != 1)
-        throw std::runtime_error("CSA::Load(): file read error (r).");
+    alphabetrank = static_sequence::load(file);
+    sampled = new BSGAP(file);
+    suffixes = new BlockArray(file);
+    suffixDocId = new BlockArray(file);
 
+    if (std::fread(&(this->numberOfTexts), sizeof(unsigned), 1, file) != 1)
+        throw std::runtime_error("CSA::Load(): file read error (numberOfTexts).");
+    if (std::fread(&(this->numberOfAllTexts), sizeof(unsigned), 1, file) != 1)
+        throw std::runtime_error("CSA::Load(): file read error (numberOfAllTexts).");
     if (std::fread(&(this->maxTextLength), sizeof(ulong), 1, file) != 1)
         throw std::runtime_error("CSA::Load(): file read error (maxTextLength).");
-    
-    // Build up arrays for text length and starting positions
-    textLength = new BlockArray(r, Tools::CeilLog2(maxTextLength));
-    textStartPos = new BlockArray(r, Tools::CeilLog2(this->n));
 
-    while (r > 0)
-    {
-        TextPosition length = 0, start = 0;
-        if (std::fread(&length, sizeof(TextPosition), 1, file) != 1)
-            throw std::runtime_error("CSA::Load(): file read error (text length).");
-        if (std::fread(&start, sizeof(TextPosition), 1, file) != 1)
-            throw std::runtime_error("CSA::Load(): file read error (text start).");
-
-        (*textLength)[numberOfTexts] = length;
-        (*textStartPos)[numberOfTexts] = start;
-        ++numberOfTexts;
-        --r;
-    }
+    endmarkerDocId = new BlockArray(file);
+    emptyTextRank = new BSGAP(file);
 
-    // Construct data structures
-    makewavelet(bwt);
-    delete [] bwt;
-    maketables();  // FIXME: this will redo text length tables
+    // FIXME Construct data structures with new samplerate
+    //maketables(); 
 }
 
 
@@ -785,80 +881,9 @@ void CSA::Load(FILE *file, unsigned samplerate)
  * Rest of the functions follow...
  */
 
-uchar * CSA::Substring(TextPosition i, TextPosition l) const
-{
-    uchar *result = new uchar[l + 1];
-    if (l == 0)
-    {
-        result[0] = 0u;
-        return result;
-    }
-      
-    TextPosition dist;
-    TextPosition k = i + l - 1;
-    // Check for end of the string
-    if (k > n - 1)
-    {
-        l -= k - n + 1;
-        k = n - 1;
-    }
-    
-    TextPosition skip = samplerate - k % samplerate - 1;
-    TextPosition j;
-    if (k / samplerate + 1 >= n / samplerate)
-    {
-        j = bwtEndPos;
-        skip = n - k - 1;
-    }
-    else
-    {
-        j = (*positions)[k/samplerate+1];
-        //cout << samplerate << ' ' << j << '\n';      
-    }    
-    
-    for (dist = 0; dist < skip + l; dist++) 
-    {
-        int c = alphabetrank->charAtPos(j);
-        if (c == '\0')
-        {
-            // Rank among the end-markers in BWT
-            unsigned endmarkerRank = alphabetrank->rank(0, j) - 1;
-            j = (*endmarkerDocId)[endmarkerRank]; // LF-mapping for end-marker
-        }
-        else
-            j = C[c]+alphabetrank->rank(c,j)-1; // LF-mapping
-        if (dist >= skip)
-            result[l + skip - dist - 1] = c;
-    }
-    result[l] = 0u;
-    return result;
-}
-
-  /*TextPosition CSA::inverse(TextPosition i)
-{
-    TextPosition skip = samplerate - i % samplerate;
-    TextPosition j;
-    if (i / samplerate + 1 >= n / samplerate)
-    {
-        j = bwtEndPos;
-        skip = n - i;
-    }
-    else
-    {
-        j = (*positions)[i/samplerate+1];
-        //cout << samplerate << ' ' << j << '\n';   
-    }    
-    
-    while (skip > 0)
-    {
-        int c = alphabetrank->charAtPos(j);
-        j = C[c]+alphabetrank->rank(c,j)-1; // LF-mapping
-        skip --;
-    }
-    return j;
-    }*/
  
-ulong CSA::Search(uchar const * pattern, TextPosition m, TextPosition *spResult, TextPosition *epResult) const {
+ulong CSA::Search(uchar const * pattern, TextPosition m, TextPosition *spResult, TextPosition *epResult) const 
+{
     // use the FM-search replacing function Occ(c,1,i) with alphabetrank->rank(c,i)
     int c = (int)pattern[m-1]; 
     TextPosition i=m-1;
@@ -877,50 +902,20 @@ ulong CSA::Search(uchar const * pattern, TextPosition m, TextPosition *spResult,
         return ep - sp + 1;
     else
         return 0;
- }
-
-   /*TextPosition CSA::LF(uchar c, TextPosition &sp, TextPosition &ep) 
-{
-    sp = C[(int)c]+alphabetrank->rank(c,sp-1);
-    ep = C[(int)c]+alphabetrank->rank(c,ep)-1;
-
-    if (sp<=ep)
-        return ep - sp + 1;
-    else
-        return 0;
-        }*/
-
-CSA::TextPosition CSA::Lookup(TextPosition i) const // Time complexity: O(samplerate log \sigma)
-{
-    TextPosition dist=0;
-    while (!sampled->IsBitSet(i)) 
-    {
-        int c = alphabetrank->charAtPos(i);
-        if (c == '\0')
-        {
-            // End-markers are sampled
-            unsigned endmarkerRank = alphabetrank->rank(0, i) - 1;
-            DocId docId = (*endmarkerDocId)[endmarkerRank];
-            return (*textStartPos)[docId] + dist;
-        }
-        i = C[c]+alphabetrank->rank(c,i)-1; // LF-mapping  
-        ++dist;
-    }
-    
-    return (*suffixes)[sampled->rank(i)-1]+dist;
 }
 
 CSA::~CSA() {
+#ifdef CSA_TEST_BWT
     delete dynFMI;
+#endif
     delete alphabetrank;       
     delete sampled;
     delete suffixes;
-    delete positions;
-    delete [] codetable;
+    delete suffixDocId;
+    delete [] codetable; // FIXME remove
 
     delete endmarkerDocId;
-    delete textLength;
-    delete textStartPos;
+    delete emptyTextRank;
 }
 
 void CSA::makewavelet(uchar *bwt)
@@ -936,11 +931,6 @@ void CSA::makewavelet(uchar *bwt)
     for (i=255;i>=min;--i)
         if (C[i]>0) {max = i; break;}
     
-    // Print frequencies
-    /*for(i = 0; i < 256; i++)
-        if (C[i]>0) printf("C[%lu] = %lu\n", i, C[i]);
-        fflush(stdout);*/
-
     ulong prev=C[0], temp;
     C[0]=0;
     for (i=1;i<256;i++) {          
@@ -948,52 +938,79 @@ void CSA::makewavelet(uchar *bwt)
         C[i]=C[i-1]+prev;
         prev = temp;
     }
-    this->codetable = node::makecodetable(bwt,n);
-    alphabetrank = new THuffAlphabetRank(bwt,n, this->codetable,0);   
-    //if (alphabetrank->Test(bwt,n)) printf("alphabetrank ok\n");    
-
-/*    for (i = 0; i < n; ++i)
-    {
-        uchar c = alphabetrank->charAtPos(i);
-        TextPosition j = C[c]+alphabetrank->rank(c, i)-1;
-        printf("LF[%lu] = %lu\n", i, j);
-        }*/
+//    this->codetable = node::makecodetable(bwt,n);
+//    alphabetrank = new THuffAlphabetRank(bwt,n, this->codetable,0);   
+//    delete [] bwt;
+    //alphabetrank = new RLWaveletTree(bwt, n); // Deletes bwt!
+
+    alphabet_mapper * am = new alphabet_mapper_none();
+    static_bitsequence_builder * bmb = new static_bitsequence_builder_brw32(16); // FIXME samplerate?
+    wt_coder * wtc = new wt_coder_huff(bwt,n,am);
+    alphabetrank = new static_sequence_wvtree(bwt,n,wtc,bmb,am);
+    delete bmb;
+    delete [] bwt;
 }
 
 void CSA::maketables()
 {
+    // Calculate BWT end-marker position (of last inserted text)
+    // Note: bwtEndPos already set!
+    // and the length of the first text (counter l):
+#ifdef CSA_TEST_BWT
+    ulong i = 0;
+    ulong l = 1;
+
+    uchar c  = alphabetrank->access(i);
+    while (c != '\0')
+    {
+        i = C[c]+alphabetrank->rank(c, i)-1;
+        ++l;
+        c = alphabetrank->access(i);
+    }
+    assert(i == bwtEndPos); // compare result
+#endif
+
+    // Build up arrays for text length and starting positions
+    // FIXME Temp, remove
+    //BlockArray* textLength = new BlockArray(numberOfTexts, Tools::CeilLog2(maxTextLength));
+    BlockArray* textStartPos = new BlockArray(numberOfTexts, Tools::CeilLog2(this->n));
+    //(*textLength)[0] = l;
+    (*textStartPos)[0] = 0; 
+
+    // Construct samples
     ulong sampleLength = (n%samplerate==0) ? n/samplerate : n/samplerate+1;
-   
-    ulong *sampledpositions = new ulong[n/W+1];
     unsigned ceilLog2n = Tools::CeilLog2(n);
-    suffixes = new BlockArray(sampleLength, ceilLog2n);
-    positions = new BlockArray(sampleLength, ceilLog2n);
+    BlockArray* positions = new BlockArray(sampleLength, ceilLog2n);
+    BlockArray* tmpSuffix = new BlockArray(sampleLength, ceilLog2n);
+
     // Mapping from end-markers to doc ID's:
     endmarkerDocId = new BlockArray(numberOfTexts, Tools::CeilLog2(numberOfTexts));
   
-    ulong i,j=0;
-    for (i=0;i<n/W+1;i++)
+    ulong *sampledpositions = new ulong[n/W+1];
+    for (ulong i=0;i<n/W+1;i++)
         sampledpositions[i]=0lu;
     
     ulong x,p=bwtEndPos;
-    // Keeping track of text position of end-markers seen
+    ulong sampleCount = 0;
+    // Keeping track of text position of prev. end-marker seen
     ulong posOfSuccEndmarker = n;
     DocId textId = numberOfTexts;
     ulong ulongmax = 0;
     ulongmax--;
 
     //positions:
-    for (i=n-1;i<ulongmax;i--) { // TODO bad solution with ulongmax?
+    for (ulong i=n-1;i<ulongmax;i--) { // TODO bad solution with ulongmax?
       // i substitutes SA->GetPos(i)
         x=(i==n-1)?0:i+1;
 
-        if (x % samplerate == 0) {
+        if (x % samplerate == 0 && posOfSuccEndmarker - x > samplerate) {
             Tools::SetField(sampledpositions,1,p,1);
-            (*positions)[x/samplerate] = p;
+            (*positions)[sampleCount] = p; 
+            (*tmpSuffix)[sampleCount] = x; // FIXME remove
+            sampleCount ++;
         }
 
-        uchar c = alphabetrank->charAtPos(p);
+        uchar c = alphabetrank->access(p);
         if (c == '\0')
         {
             --textId;
@@ -1005,7 +1022,7 @@ void CSA::maketables()
             // Store text length and text start position:
             if (textId < (DocId)numberOfTexts - 1)
             {
-                (*textLength)[textId + 1] = posOfSuccEndmarker - x;
+                //(*textLength)[textId + 1] = posOfSuccEndmarker - x;
                 (*textStartPos)[textId + 1] = x;  // x is the position of end-marker.
                 posOfSuccEndmarker = x;
             }
@@ -1018,29 +1035,61 @@ void CSA::maketables()
     }
     assert(textId == 0);
     
-    /*i = 0;
-    for (map<ulong, pair<DocId, ulong> >::iterator it = endmarkers.begin(); it != endmarkers.end(); ++it, ++i)
-    { 
-        int docc = (*endmarkerDocId)[i];
-        ulong poss = (*endmarkerPos)[i];
-        printf("endm[%u] = %lu (text pos: %lu) (recorded: %d, %lu)\n", (it->second).first, it->first, (it->second).second, docc, poss);
-        }*/
-/*
-    for (i = 0; i < numberOfTexts; ++ i)
+    sampled = new BSGAP(sampledpositions,n,true);
+    sampleLength = sampled->rank(n-1);
+    assert(sampleCount == sampleLength);
+
+    // Suffixes store an offset from the text start position
+    suffixes = new BlockArray(sampleLength, Tools::CeilLog2(maxTextLength));
+    suffixDocId = new BlockArray(sampleLength, Tools::CeilLog2(numberOfTexts));
+
+    for(ulong i=0; i<sampleLength; i++) {
+        assert((*positions)[i] < n);
+        ulong j = sampled->rank((*positions)[i]);
+        if (j==0) j=sampleLength;
+        TextPosition textPos = (*tmpSuffix)[i];
+        (*suffixDocId)[j-1] = DocIdAtTextPos(textStartPos, textPos);
+
+        assert((unsigned)DocIdAtTextPos(textStartPos, textPos) < numberOfTexts);
+        assert((*suffixDocId)[j-1] < numberOfTexts);
+        // calculate offset from text start:
+        (*suffixes)[j-1] = textPos - (*textStartPos)[(*suffixDocId)[j-1]];
+    }
+    // FIXME Temp, remove
+    delete tmpSuffix;
+    delete positions;
+//    delete textLength;
+    delete textStartPos;
+}
+
+
+/**
+ * Finds document identifier for given text position
+ *
+ * Starting text position of the document is stored into second parameter.
+ * Binary searching on text starting positions. 
+ */
+TextCollection::DocId CSA::DocIdAtTextPos(BlockArray* textStartPos, TextPosition i) const
+{
+    assert(i < n);
+
+    DocId a = 0;
+    DocId b = numberOfTexts - 1;
+    while (a < b)
     {
-        //std::cout << "textlength = " << dynTextLength[i].first << " vs " << (*textLength)[i] << ", textStartPos = " << dynTextLength[i].second << " vs " << (*textStartPos)[i] << std::endl;
-        assert(dynTextLength[i].first == (*textLength)[i]);
-        assert(dynTextLength[i].second == (*textStartPos)[i]);
+        DocId c = a + (b - a)/2;
+        if ((*textStartPos)[c] > i)
+            b = c - 1;
+        else if ((*textStartPos)[c+1] > i)
+            return c;
+        else
+            a = c + 1;
     }
-*/
-    sampled = new BitRank(sampledpositions,n,true);   
-     
-   //suffixes:   
-    for(i=0; i<sampleLength; i++) {
-        j = sampled->rank((*positions)[i]);
-        if (j==0) j=sampleLength;
-        (*suffixes)[j-1] = (i*samplerate==n)?0:i*samplerate;
-    }   
+
+    assert(a < (DocId)numberOfTexts);
+    assert(i >= (*textStartPos)[a]);
+    assert(i < (a == (DocId)numberOfTexts - 1 ? n : (*textStartPos)[a+1]));
+    return a;
 }
 
 CSA::TCodeEntry * CSA::node::makecodetable(uchar *text, TextPosition n)
@@ -1109,3 +1158,5 @@ unsigned CSA::node::SetBit(unsigned x, unsigned pos, unsigned bit) {
       return x | (bit << pos);
 }
 
+} // namespace SXSI
+