Add text-attribute tags to the star tagset.
[SXSI/xpathcomp.git] / src / tree.ml
index 97a850c..0b2070b 100644 (file)
@@ -8,7 +8,7 @@ INCLUDE "debug.ml"
 INCLUDE "utils.ml"
 
 
-external init_lib : unit -> unit = "caml_init_lib"
+external init_lib : unit -> unit = "sxsi_cpp_init"
 
 exception CPlusPlusError of string
 
@@ -20,6 +20,153 @@ type node = [ `Tree ] Node.t
 
 type tree
 
+
+external register_tag : tree -> string -> Tag.t = "caml_xml_tree_register_tag"
+
+external tag_name : tree -> Tag.t -> string = "caml_xml_tree_get_tag_name"
+
+let tag t = (); fun s ->
+  match s with
+  | "<$>" -> Tag.pcdata
+  | "<@>" -> Tag.attribute
+  | "" -> Tag.document_node
+  | "<@$>" -> Tag.attribute_data
+  | _ -> register_tag t s
+
+let to_string d = ();
+  fun t ->
+    if t == Tag.pcdata then "<$>"
+    else if t == Tag.attribute_data then "<@$>"
+    else if t == Tag.attribute then "<@>"
+    else if t == Tag.nullt then "<!NIL!>"
+    else tag_name d t
+
+let translate  x = x
+
+let mk_tag_ops t = {
+  Tag.tag = tag t;
+  Tag.to_string = to_string t;
+  Tag.translate = translate
+}
+
+module TreeBuilder =
+struct
+  type t
+  external create : unit -> t = "caml_xml_tree_builder_create"
+  external open_document : t -> bool -> int -> bool -> int -> unit = "caml_xml_tree_builder_open_document"
+  external close_document : t -> tree = "caml_xml_tree_builder_close_document"
+  external open_tag : t -> string -> unit = "caml_xml_tree_builder_new_open_tag"
+  external close_tag : t -> string -> unit = "caml_xml_tree_builder_new_closing_tag"
+  external text : t -> string -> unit = "caml_xml_tree_builder_new_text"
+
+  let is_whitespace s =
+    let rec loop len i =
+      if i < len then
+       let c = s.[i] in
+       (c == '\n' || c == '\t' || c == ' ') && loop len (i+1)
+      else
+       true
+    in
+    loop (String.length s) 0
+
+
+  let display_count =
+    let event_counter = ref 0 in
+    (fun parser_ ->
+      incr event_counter;
+    if !event_counter land 0xffffff == 0 then
+      Printf.eprintf "Current position: %i\n%!" (Expat.get_current_byte_index parser_))
+
+  let do_text b t =
+    if Buffer.length t > 0 then begin
+      let s = Buffer.contents t in
+      begin
+       open_tag b "<$>";
+       text b s;
+       close_tag b "<$>";
+      end;
+      Buffer.clear t
+    end
+
+  let output_attr b name value =
+    let atname = "<@>" ^ name in
+    open_tag b atname;
+    open_tag b "<@$>";
+    text b value;
+    close_tag b "<@$>";
+    close_tag b atname
+
+  let start_element_handler parser_ b t tag attr_list =
+    display_count parser_;
+    do_text b t;
+    open_tag b tag;
+    match attr_list with
+       [] -> ()
+      | l ->
+       open_tag b "<@>";
+       List.iter (fun (name, value) -> output_attr b name value) l;
+       close_tag b "<@>"
+
+
+  let end_element_handler parser_ b t tag =
+    display_count parser_;
+    do_text b t;
+    close_tag b tag
+
+  let character_data_handler parser_ _ t text =
+    display_count parser_;
+    Buffer.add_string t text
+
+  let create_parser () =
+    let buf = Buffer.create 512 in
+    let build = create () in
+    let parser_ = Expat.parser_create ~encoding:None in
+    let finalize () =
+      do_text build buf;
+      close_tag build "";
+      Printf.eprintf "Finished Parsing\n%!";
+      Printf.eprintf "Started Index construction\n%!";
+      let r = close_document build in
+      Printf.eprintf "Finished Index construction\n%!";
+      r
+    in
+    Expat.set_start_element_handler parser_ (start_element_handler parser_ build buf);
+    Expat.set_end_element_handler parser_ (end_element_handler parser_ build buf);
+    Expat.set_character_data_handler parser_ (character_data_handler parser_ build buf);
+    Printf.eprintf "Started Parsing\n%!";
+    open_document build !Options.index_empty_texts !Options.sample_factor
+      !Options.disable_text_collection !Options.text_index_type;
+    open_tag build "";
+    parser_, finalize
+
+  let parse_string s =
+    let parser_, finalizer = create_parser () in
+    Expat.parse parser_ s;
+    finalizer ()
+
+  let parse_file file =
+    let in_chan = open_in file in
+    let buffer = String.create 4096 in
+    let parser_, finalizer = create_parser () in
+    let () =
+      try
+       while true do
+         let read = input in_chan buffer 0 4096 in
+         if read == 0 then raise End_of_file else
+            Expat.parse_sub parser_ buffer 0 read;
+         done
+
+      with
+       | End_of_file -> close_in in_chan
+       | e -> raise e
+    in
+      finalizer ()
+
+end
+
+
+
+
 type bit_vector = string
 
 external bool_of_int : int -> bool = "%identity"
@@ -40,9 +187,11 @@ type t = {
 }
 
 
-
+let tag_operations t = mk_tag_ops t.doc
+(*
 external parse_xml_uri : string -> int -> bool -> bool -> int -> tree = "caml_call_shredder_uri"
 external parse_xml_string :  string -> int -> bool -> bool -> int -> tree = "caml_call_shredder_string"
+*)
 external tree_print_xml_fast3 : tree -> [`Tree ] Node.t -> Unix.file_descr -> unit = "caml_xml_tree_print"
 let print_xml t n fd =
   tree_print_xml_fast3 t.doc n fd
@@ -105,6 +254,9 @@ let next_sibling t n = tree_next_sibling t.doc n
 external tree_next_element : tree -> [`Tree] Node.t -> [`Tree] Node.t = "caml_xml_tree_next_element"  "noalloc"
 let next_element t n = tree_next_element t.doc n
 
+external tree_next_node_before : tree -> [`Tree] Node.t -> [`Tree] Node.t -> [`Tree] Node.t = "caml_xml_tree_next_node_before"  "noalloc"
+let next_node_before t n ctx = tree_next_node_before t.doc n ctx
+
 external tree_tagged_following_sibling : tree -> [`Tree] Node.t -> Tag.t -> [`Tree] Node.t = "caml_xml_tree_tagged_following_sibling" "noalloc"
 let tagged_following_sibling t n tag = tree_tagged_following_sibling t.doc n tag
 
@@ -395,7 +547,9 @@ let is_node t = t != nil
 let is_root t = t == root
 
 let node_of_t t  =
-  let _ = Tag.init (Obj.magic t) in
+  eprintf "Initializing tag structure\n%!";
+  let _ = Tag.init (mk_tag_ops t) in
+  eprintf "Starting tag table construction\n%!";
   let f, n, c, d = time collect_labels t ~msg:"Building tag relationship table" in
   let c = Array.map TagS.to_ptset c in
   let n = Array.map TagS.to_ptset n in
@@ -418,21 +572,12 @@ let node_of_t t  =
 
     }
 
-let parse f str =
-  node_of_t
-    (f str !Options.sample_factor
-       !Options.index_empty_texts
-       !Options.disable_text_collection
-       !Options.text_index_type
-    )
 
-let parse_xml_uri str = parse parse_xml_uri str
-let parse_xml_string str =  parse parse_xml_string str
+let parse_xml_uri str = node_of_t (TreeBuilder.parse_file str)
+let parse_xml_string str = node_of_t (TreeBuilder.parse_string str)
 
 let size t = tree_size t.doc;;
 
-external pool : tree -> Tag.pool = "%identity"
-
 let magic_string = "SXSI_INDEX"
 let version_string = "3"
 
@@ -468,6 +613,7 @@ let save_tag_table channel t =
 let save t str =
   let fd = Unix.openfile str [ Unix.O_WRONLY;Unix.O_TRUNC;Unix.O_CREAT] 0o644 in
   let out_c = Unix.out_channel_of_descr fd in
+  let index_prefix = Filename.chop_suffix str ".srx" in
   let _ = set_binary_mode_out out_c true in
     output_string out_c magic_string;
     output_char out_c '\n';
@@ -480,7 +626,7 @@ let save t str =
     (* we need to move the fd to the correct position *)
     flush out_c;
     ignore (Unix.lseek fd (pos_out out_c) Unix.SEEK_SET);
-    tree_save t.doc fd str;
+    tree_save t.doc fd index_prefix;
     close_out out_c
 ;;
 let load_tag_table channel =
@@ -490,6 +636,7 @@ let load_tag_table channel =
 let load ?(sample=64) ?(load_text=true) str =
   let fd = Unix.openfile str [ Unix.O_RDONLY ] 0o644 in
   let in_c = Unix.in_channel_of_descr fd in
+  let index_prefix = Filename.chop_suffix str ".srx" in
   let _ = set_binary_mode_in in_c true in
   let load_table () =
     (let ms = input_line in_c in if ms <> magic_string then failwith "Invalid index file");
@@ -502,7 +649,7 @@ let load ?(sample=64) ?(load_text=true) str =
   in
   let c, s, d, f = time ~msg:"Loading tag table"(load_table) () in
   ignore(Unix.lseek fd (pos_in in_c) Unix.SEEK_SET);
-    let xml_tree = tree_load fd str load_text sample in
+    let xml_tree = tree_load fd index_prefix load_text sample in
     let () = Tag.init (Obj.magic xml_tree) in
     let attributes = Ptset.Int.add Tag.attribute d.(Tag.attribute) in
     let elements = Ptset.Int.add Tag.document_node
@@ -524,8 +671,6 @@ let load ?(sample=64) ?(load_text=true) str =
 
 
 
-let tag_pool t = pool t.doc
-
 let equal a b = a == b
 
 let nts = function