Make the tree/text interface more flexible to various text index.
[SXSI/xpathcomp.git] / src / tree.ml
index a8a3a96..9c6eff3 100644 (file)
@@ -21,6 +21,34 @@ 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
@@ -31,12 +59,32 @@ struct
   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
-      open_tag b "<$>";
-      text b (Buffer.contents t);
-      close_tag b "<$>";
+      let s = Buffer.contents t in
+      begin
+       open_tag b "<$>";
+       text b s;
+       close_tag b "<$>";
+      end;
       Buffer.clear t
     end
 
@@ -44,11 +92,12 @@ struct
     let atname = "<@>" ^ name in
     open_tag b atname;
     open_tag b "<@$>";
-      text b value;
-      close_tag b "<@$>";
-      close_tag b atname
+    text b value;
+    close_tag b "<@$>";
+    close_tag b atname
 
-  let start_element_handler b t tag attr_list =
+  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
@@ -56,14 +105,16 @@ struct
       | l ->
        open_tag b "<@>";
        List.iter (fun (name, value) -> output_attr b name value) l;
-         close_tag b "<@>"
+       close_tag b "<@>"
 
 
-  let end_element_handler b t tag =
+  let end_element_handler parser_ b t tag =
+    display_count parser_;
     do_text b t;
     close_tag b tag
 
-  let character_data_handler _b t text =
+  let character_data_handler parser_ _ t text =
+    display_count parser_;
     Buffer.add_string t text
 
   let create_parser () =
@@ -73,11 +124,16 @@ struct
     let finalize () =
       do_text build buf;
       close_tag build "";
-      close_document 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 build buf);
-    Expat.set_end_element_handler parser_ (end_element_handler build buf);
-    Expat.set_character_data_handler parser_ (character_data_handler build buf);
+    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 "";
@@ -106,8 +162,6 @@ struct
     in
       finalizer ()
 
-
-
 end
 
 
@@ -133,7 +187,7 @@ 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"
@@ -193,13 +247,15 @@ external tree_last_child : tree -> [`Tree] Node.t -> [`Tree] Node.t = "caml_xml_
 let last_child t n = tree_last_child t.doc n
 
 
-
 external tree_next_sibling : tree -> [`Tree] Node.t -> [`Tree] Node.t = "caml_xml_tree_next_sibling"  "noalloc"
 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
 
@@ -490,7 +546,9 @@ 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
@@ -519,8 +577,6 @@ 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"
 
@@ -556,6 +612,7 @@ 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';
@@ -568,7 +625,7 @@ 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 =
@@ -578,6 +635,7 @@ 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");
@@ -590,8 +648,7 @@ 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
-    Printf.eprintf "Root is: %i\n" (Obj.magic (tree_root xml_tree));
+    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
@@ -613,8 +670,6 @@ let load ?(sample=64) ?(load_text=true) str =
 
 
 
-let tag_pool t = pool t.doc
-
 let equal a b = a == b
 
 let nts = function
@@ -632,17 +687,17 @@ type query_result = { bv : bit_vector;
 external tree_flush : tree -> Unix.file_descr -> unit = "caml_xml_tree_flush"
 let flush t fd = tree_flush t.doc fd
 
-external text_prefix : tree -> string -> query_result = "caml_text_collection_prefix_bv"
-let text_prefix t s = text_prefix t.doc s
+external text_prefix : tree -> string -> bool -> query_result = "caml_text_collection_prefix_bv"
+let text_prefix t s b = text_prefix t.doc s b
 
-external text_suffix : tree -> string -> query_result = "caml_text_collection_suffix_bv"
-let text_suffix t s = text_suffix t.doc s
+external text_suffix : tree -> string -> bool -> query_result = "caml_text_collection_suffix_bv"
+let text_suffix t s b = text_suffix t.doc s b
 
-external text_equals : tree -> string -> query_result = "caml_text_collection_equals_bv"
-let text_equals t s = text_equals t.doc s
+external text_equals : tree -> string -> bool -> query_result = "caml_text_collection_equals_bv"
+let text_equals t s b = text_equals t.doc s b
 
-external text_contains : tree -> string -> query_result = "caml_text_collection_contains_bv"
-let text_contains t s = text_contains t.doc s
+external text_contains : tree -> string -> bool -> query_result = "caml_text_collection_contains_bv"
+let text_contains t s b = text_contains t.doc s b
 
 
 module Predicate = Hcons.Make (
@@ -671,7 +726,7 @@ let query_fun = function
 let _pred_cache = Hashtbl.create 17
 ;;
 let mk_pred query s =
-  let f = query_fun query in
+  let f = query_fun query  in
   let memo = ref (fun _ _ -> failwith "Undefined") in
   memo := begin fun tree node ->
     let results =
@@ -679,7 +734,7 @@ let mk_pred query s =
          Not_found ->
            time ~count:1 ~msg:(Printf.sprintf "Computing text query %s(%s)"
                                  (string_of_query query) s)
-             (f tree) s
+             (f tree) s true
     in
     let bv = results.bv in
     memo := begin fun _ n ->
@@ -696,15 +751,15 @@ let mk_pred query s =
   Predicate.make memo
 
 
-let full_text_prefix t s = (text_prefix t s).pos
+let full_text_prefix t s = (text_prefix t s true).pos
 
-let full_text_suffix t s = (text_suffix t s).pos
+let full_text_suffix t s = (text_suffix t s true).pos
 
-let full_text_equals t s = (text_equals t s).pos
+let full_text_equals t s = (text_equals t s true).pos
 
-let full_text_contains t s = (text_contains t s).pos
+let full_text_contains t s = (text_contains t s true).pos
 
 let full_text_query q t s =
-  let res = (query_fun q) t s in
+  let res = (query_fun q) t s true in
   Hashtbl.replace _pred_cache (q,s) res;
   res.pos