xml-tree.cpp

   1 extern "C" {
   2 #include <unistd.h>
   3 #include <sys/types.h>
   4 #include <sys/stat.h>
   5 #include <fcntl.h>
   6 }
   7
   8 #include <stdexcept>
   9 #include <cerrno>
  10 #include <cstring>
  11 #include <cstdio>
  12 #include "xml-tree.hpp"
  13
  14 using namespace SXSI;
  15
  16 const xml_tree::node_t xml_tree::NIL;
  17 const xml_tree::node_t xml_tree::ROOT;
  18
  19
  20 const xml_tree::tag_t xml_tree::NIL_TAG_ID;
  21 const char* xml_tree::NIL_TAG = "<!NIL!>";
  22 const xml_tree::tag_t xml_tree::DOCUMENT_OPEN_TAG_ID;
  23 const char* xml_tree::DOCUMENT_OPEN_TAG = "";
  24 const xml_tree::tag_t xml_tree::ATTRIBUTE_OPEN_TAG_ID;
  25 const char* xml_tree::ATTRIBUTE_OPEN_TAG = "<@>";
  26 const xml_tree::tag_t xml_tree::PCDATA_OPEN_TAG_ID;
  27 const char* xml_tree::PCDATA_OPEN_TAG = "<$>";
  28 const xml_tree::tag_t xml_tree::ATTRIBUTE_DATA_OPEN_TAG_ID;
  29 const char* xml_tree::ATTRIBUTE_DATA_OPEN_TAG = "<@$>";
  30 const xml_tree::tag_t xml_tree::CLOSE_TAG_ID;
  31 const char* xml_tree::CLOSE_TAG = "</>";
  32
  33
  34 static int bits8 (int t ) {
  35   int r = bits(t);
  36   if (r <= 8)
  37     return 8;
  38   else if (r <= 16)
  39     return 16;
  40   else
  41     return r;
  42 }
  43
  44
  45
  46
  47 static void ufread(void *ptr, size_t size, size_t nmemb, FILE *stream)
  48  {
  49     size_t res;
  50     res = fread(ptr,size,nmemb,stream);
  51     if (res < nmemb)
  52       throw std::runtime_error("ufread I/O error" );
  53     return;
  54  }
  55
  56 static void ufwrite(const void *ptr, size_t size, size_t nmemb, FILE *stream)
  57  {
  58     size_t res;
  59     res = fwrite(ptr,size,nmemb,stream);
  60     if (res < nmemb)
  61       throw std::runtime_error("ufwrite I/O error");
  62     return;
  63  }
  64
  65
  66
  67 xml_tree::xml_tree()
  68 {
  69   print_stack = 0;
  70   print_buffer = 0;
  71 }
  72
  73 xml_tree::xml_tree(std::vector<int32_t> *tags,
  74                    std::unordered_map<std::string, int32_t> *tag_ids,
  75                    bit_vector *parbitmap,
  76                    bool disable_tc,
  77                    SXSI::TextCollectionBuilder *tc_builder,
  78                    SXSI::TextCollectionBuilder::index_type_t idx_type,
  79                    bit_vector *textbitmap)
  80 {
  81   print_stack = 0;
  82   print_buffer = 0;
  83
  84   size_t npar = parbitmap->size();
  85   parbitmap->pack();
  86
  87   par = bp_construct(npar,
  88                      parbitmap->get_vector_ptr(),
  89                      OPT_DEGREE);
  90   delete parbitmap;
  91
  92   this->tag_ids = tag_ids;
  93   tag_names = new std::vector<std::string>();
  94   tag_names->resize(tag_ids->size());
  95   for(auto val : *(this->tag_ids))
  96     (*this->tag_names)[val.second] = val.first;
  97
  98   uint32_t max_tag = tag_names->size() - 1;
  99   static_bitsequence_builder *bmb = new static_bitsequence_builder_sdarray();
 100   alphabet_mapper *am = new alphabet_mapper_none();
 101
 102   this->tags = new static_sequence_bs((uint32_t*)&((*tags)[0]), npar, am, bmb);
 103   bits_per_tag = bits8(max_tag);
 104   tag_seq_len = npar;
 105   tag_seq = new uint32_t[uint_len(bits_per_tag, tag_seq_len)];
 106   for(size_t i = 0; i < (size_t) tag_seq_len; i++)
 107     set_field(tag_seq, bits_per_tag, i, (uint32_t) (*tags)[i]);
 108
 109   delete tags;
 110
 111   if (disable_tc) {
 112     text_positions = 0;
 113     text_collection = 0;
 114   } else {
 115     textbitmap->pack();
 116     uint32_t * textbm = textbitmap->get_vector_ptr();
 117     text_positions = new static_bitsequence_rrr02(textbm,
 118                                                   npar,
 119                                                   32);
 120     //delete [] textbm;
 121     delete textbitmap;
 122
 123     this->text_index_type = idx_type;
 124     fprintf(stderr, "Before!\n");
 125     fflush(stderr);
 126     text_collection = tc_builder->InitTextCollection();
 127     fprintf(stderr, "After!\n");
 128     fflush(stderr);
 129     delete tc_builder;
 130   };
 131
 132
 133 }
 134
 135 xml_tree::~xml_tree()
 136 {
 137   bp_delete(par);
 138   delete tags;
 139   delete [] tag_seq;
 140   delete tag_names;
 141   delete tag_ids;
 142
 143   if (text_collection) delete text_collection;
 144   if (text_positions) delete text_positions;
 145 }
 146
 147 bool xml_tree::is_child(xml_tree::node_t x, xml_tree::node_t y) const
 148 {
 149   return !is_leaf(x) && is_ancestor(y, x) && depth(x)+1 == depth(y);
 150 }
 151
 152 uint32_t xml_tree::depth(xml_tree::node_t x) const
 153 {
 154   return bp_depth(this->par, x);
 155 }
 156
 157
 158 uint32_t xml_tree::preorder(xml_tree::node_t x) const
 159 {
 160   return bp_preorder_rank(this->par, x);
 161 }
 162
 163 uint32_t xml_tree::postorder(xml_tree::node_t x) const
 164 {
 165   return bp_postorder_rank(this->par, x);
 166 }
 167
 168 xml_tree::node_t
 169 xml_tree::select_child(xml_tree::node_t x,
 170                        std::unordered_set<tag_t> *tags) const
 171 {
 172   if (is_nil(x) || is_leaf(x)) return xml_tree::NIL;
 173   xml_tree::node_t child = first_child(x);
 174   if (tags->find(tag(child)) != tags->end()) return child;
 175   return select_sibling(child, tags);
 176 }
 177
 178 xml_tree::node_t
 179 xml_tree::select_descendant(xml_tree::node_t x,
 180                             std::unordered_set<tag_t> *tags) const
 181 {
 182   if (is_leaf(x)) return xml_tree::NIL;
 183   auto min = xml_tree::NIL;
 184   auto aux = xml_tree::NIL;
 185   for(auto tag = tags->begin(); tag != tags->end(); ++ tag){
 186     aux = tagged_descendant(x, *tag);
 187     if ((unsigned int) aux < (unsigned int) min) min = aux;
 188   };
 189   return min;
 190 }
 191
 192 xml_tree::node_t
 193 xml_tree::select_sibling(xml_tree::node_t x,
 194                          std::unordered_set<tag_t> *tags) const
 195 {
 196   xml_tree::node_t sibling = next_sibling(x);
 197   xml_tree::tag_t t;
 198   while(!is_nil(sibling)) {
 199     t = tag(sibling);
 200     if (tags->find(t) != tags->end()) return sibling;
 201     sibling = next_sibling(sibling);
 202   };
 203   return sibling;
 204 }
 205
 206 xml_tree::node_t
 207 xml_tree::select_following_before(xml_tree::node_t x,
 208                                   std::unordered_set<tag_t> *tags,
 209                                   xml_tree::node_t limit) const
 210 {
 211   auto min = xml_tree::NIL;
 212   auto aux = xml_tree::NIL;
 213   for(auto tag = tags->begin(); tag != tags->end(); ++tag){
 214     aux = tagged_following_before(x, *tag, limit);
 215     if ((unsigned int) aux < (unsigned int) min) min = aux;
 216   }
 217   return min;
 218 }
 219
 220 void xml_tree::save(int fd, char* s)
 221 {
 222   FILE* fp;
 223   int fd2 = dup(fd);
 224
 225   fp = fdopen(fd2, "w");
 226
 227   if (fd == 0) throw(std::runtime_error(strerror(errno)));
 228   saveTree(par, fp); //TODO use new api
 229
 230   int ntags = tag_names->size();
 231
 232   ufwrite(&ntags, sizeof(int), 1, fp);
 233   for (int i = 0; i < ntags;i++)
 234     fprintf(fp, "%s\n", tag_names->at(i).c_str());
 235
 236   tags->save(fp);
 237
 238   ufwrite(&bits_per_tag, sizeof(uint),1,fp);
 239   ufwrite(&tag_seq_len, sizeof(uint),1,fp);
 240   ufwrite(tag_seq, sizeof(uint), uint_len(bits_per_tag, tag_seq_len), fp);
 241
 242   bool disable_tc = text_collection == 0 || text_positions == 0;
 243
 244   ufwrite(&disable_tc, sizeof(bool),1,fp);
 245   fprintf(stderr, "whoot\n");
 246   fflush(stderr);
 247   if (!disable_tc) {
 248     text_positions->save(fp);
 249     ufwrite(&text_index_type,
 250             sizeof(TextCollectionBuilder::index_type_t),
 251             1, fp);
 252
 253     std::string file(s);
 254     switch (text_index_type){
 255     case TextCollectionBuilder::index_type_default:
 256       file.append("_default");
 257       break;
 258     case TextCollectionBuilder::index_type_swcsa:
 259       file.append("_swcsa");
 260       break;
 261     case TextCollectionBuilder::index_type_rlcsa:
 262       file.append("_rlcsa");
 263       break;
 264     };
 265
 266     text_collection->Save(fp, file.c_str());
 267   };
 268
 269   fflush(fp);
 270   fclose(fp);
 271
 272 }
 273
 274 xml_tree* xml_tree::load(int fd, char* name, bool load_tc, int sf)
 275 {
 276   FILE *fp;
 277   char buffer[1024];
 278
 279   int i;
 280   buffer[1023] = '\0';
 281   fp = fdopen(fd, "r");
 282   xml_tree *tree = new xml_tree();
 283
 284   tree->par = loadTree(fp); //TODO use new api
 285   tree->tag_names = new std::vector<std::string>();
 286   tree->tag_ids = new std::unordered_map<std::string, xml_tree::tag_t>();
 287   std::string s;
 288   int ntags;
 289
 290   ufread(&ntags, sizeof(int), 1, fp);
 291
 292   for (i = 0; i < ntags; i++) {
 293     if (fgets(buffer, 1022, fp) != buffer)
 294       throw std::runtime_error("xml_tree::load: cannot read tag list");
 295     s = buffer;
 296     // remove the trailing \n
 297     s.erase(s.size()-1);
 298     tree->tag_names->push_back(s);
 299     tree->tag_ids->insert(std::make_pair(s,
 300                                          static_cast<xml_tree::tag_t>(i)));
 301
 302   };
 303
 304   tree->tags = static_sequence::load(fp);
 305   ufread(&tree->bits_per_tag, sizeof(uint), 1, fp);
 306   ufread(&tree->tag_seq_len, sizeof(uint), 1, fp);
 307   size_t size = uint_len(tree->bits_per_tag, tree->tag_seq_len);
 308   tree->tag_seq = new uint[size];
 309   ufread(tree->tag_seq, sizeof(uint), size, fp);
 310
 311   bool disable_tc;
 312   ufread(&disable_tc, sizeof(bool), 1, fp);
 313
 314   if (disable_tc || !load_tc) {
 315     tree->text_positions = 0;
 316     tree->text_collection = 0;
 317   } else {
 318
 319     tree->text_positions = static_bitsequence_rrr02::load(fp);
 320
 321     ufread(&tree->text_index_type,
 322            sizeof(TextCollectionBuilder::index_type_t), 1, fp);
 323
 324     std::string file(name);
 325     switch (tree->text_index_type){
 326     case TextCollectionBuilder::index_type_default:
 327       file.append("_default");
 328       break;
 329     case TextCollectionBuilder::index_type_swcsa:
 330       file.append("_swcsa");
 331       break;
 332     case TextCollectionBuilder::index_type_rlcsa:
 333       file.append("_rlcsa");
 334       break;
 335     };
 336
 337
 338     tree->text_collection =
 339       TextCollection::Load(fp,
 340                            file.c_str(),
 341                            TextCollection::index_mode_default,
 342                            sf);
 343
 344   };
 345   return tree;
 346 }
 347
 348 uint32_t xml_tree::subtree_elements(xml_tree::node_t x) const
 349 {
 350
 351   uint32_t size = bp_subtree_size(par, x);
 352   if (x == root()){
 353     x = bp_first_child(par,x);
 354     size = size - 1;
 355   };
 356
 357   int s = x + 2*size - 1;
 358   int ntext =
 359     tags->rank(xml_tree::PCDATA_OPEN_TAG_ID, s) -
 360     tags->rank(xml_tree::PCDATA_OPEN_TAG_ID, x-1);
 361
 362   size = size - ntext;
 363   xml_tree::node_t fin = bp_find_close(par, x);
 364   xml_tree::node_t y = tags->select_next(xml_tree::ATTRIBUTE_OPEN_TAG_ID, x);
 365   while (y != xml_tree::NIL && y < fin){
 366     size -= subtree_size(y);
 367     y = tags->select_next(xml_tree::ATTRIBUTE_OPEN_TAG_ID, y);
 368   };
 369   return size;
 370  }
 371
 372 uint32_t xml_tree::num_children(xml_tree::node_t x) const
 373 {
 374   return bp_degree(par, x);
 375 }
 376
 377 uint32_t xml_tree::child_pos(xml_tree::node_t x) const
 378 {
 379   return bp_child_rank(par, x);
 380 }
 381
 382 xml_tree::node_t xml_tree::child(xml_tree::node_t x, uint32_t i) const
 383 {
 384   if (i < 10) return bp_naive_child(par, x, i);
 385   else bp_child(par, x, i);
 386 }
 387
 388 std::pair<int32_t, int32_t> xml_tree::text_id_range(xml_tree::node_t x) const
 389 {
 390   int32_t i, j;
 391   i = text_positions->rank1(x - 1);
 392   j = text_positions->rank1(x + 2 * bp_subtree_size(par, x) - 2);
 393   if (i == j)
 394     return std::make_pair(xml_tree::NIL, xml_tree::NIL);
 395   else
 396     return std::make_pair(i + 1, j);
 397 }
 398
 399 int32_t xml_tree::text_id(xml_tree::node_t x) const
 400 {
 401   return (int32_t) text_positions->rank1(x) - 1;
 402 }
 403
 404 unsigned char* xml_tree::get_text(int32_t id) const
 405 {
 406   unsigned char * s = text_collection->GetText(id);
 407   return s + (s[0] == 1);
 408 }
 409
 410 void xml_tree::uflush(int fd)
 411 {
 412   size_t size = print_buffer->size();
 413   if (size < BUFFER_SIZE) return;
 414   uflush_r(fd, size);
 415 }
 416 void xml_tree::flush(int fd)
 417 {
 418   uflush_r(fd, print_buffer->size());
 419 }
 420
 421
 422 void xml_tree::uflush_r(int fd, size_t s)
 423 {
 424   if (s == 0) return;
 425   size_t written;
 426   while (1) {
 427     written = write(fd, print_buffer->data(), s);
 428     if ((written < 0) && (errno == EAGAIN || errno == EINTR))
 429       continue;
 430     break;
 431   };
 432   print_buffer->clear();
 433 }
 434 void xml_tree::uput_str(std::string s, int fd)
 435 {
 436   print_buffer->append(s);
 437   uflush(fd);
 438 }
 439 void xml_tree::uputs(const char* s, int fd)
 440 {
 441   print_buffer->append(s);
 442   uflush(fd);
 443 }
 444 void xml_tree::uputc(const char c, int fd)
 445 {
 446   print_buffer->push_back(c);
 447   uflush(fd);
 448 }
 449
 450 const char * xml_tree::get_tag_name_by_ref(xml_tree::tag_t tagid) const
 451 {
 452
 453    unsigned char *s;
 454    if (tagid < 0 || tagid >= tag_names->size())
 455      return "<INVALID TAG>";
 456
 457    return (const char *) (*tag_names)[tagid].c_str();
 458 }
 459
 460 xml_tree::tag_t xml_tree::register_tag(char *s)
 461 {
 462   auto found = tag_ids->find(std::string(s));
 463   if (found == tag_ids->end())
 464     return xml_tree::NIL_TAG_ID;
 465   else
 466     return (*found).second;
 467 }
 468
 469 size_t xml_tree::uprintf(const char*s, int fd)
 470 {
 471      if (s == 0) return 0;
 472      size_t i;
 473      char c;
 474      for (i = 0; (c = s[i]); i++) {
 475        switch (c) {
 476        case '"':
 477          uputs("&quot;", fd);
 478          break;
 479        case '&':
 480          uputs("&amp;", fd);
 481          break;
 482        case '\'':
 483          uputs("&apos;", fd);
 484          break;
 485        case '<':
 486          uputs("&lt;", fd);
 487          break;
 488        case '>':
 489          uputs("&gt;", fd);
 490          break;
 491        default:
 492          uputc(c, fd);
 493
 494        };
 495      };
 496      return i;
 497 }
 498
 499 void xml_tree::print(int fd, xml_tree::node_t x, bool no_text)
 500 {
 501   if (print_buffer == 0) {
 502     print_buffer = new std::string(BUFFER_SIZE, 0);
 503     print_buffer->clear();
 504     print_stack = new std::vector<std::string>();
 505     print_stack->reserve(256);
 506   };
 507   xml_tree::node_t fin = bp_find_close(par, x);
 508   xml_tree::node_t n = x;
 509   xml_tree::tag_t label = tag(n);
 510   unsigned char * orig_text;
 511   unsigned char * current_text;
 512
 513   auto r = text_id_range(x);
 514   if (r.first == xml_tree::NIL)
 515     current_text = 0;
 516   else
 517     current_text = get_text(r.first);
 518
 519   orig_text = current_text;
 520   size_t read = 0;
 521
 522   while (n <= fin) {
 523
 524     if (bp_inspect(par, n)) {
 525       if (label == xml_tree::PCDATA_OPEN_TAG_ID){
 526         if (no_text) {
 527           uputs("<$/>", fd);
 528         } else {
 529           read = uprintf( (const char*) current_text, fd);
 530           current_text += read + 1;
 531         };
 532         n += 2; // skip closin $
 533         label = tag(n);
 534       } else {
 535
 536         uputc('<', fd);
 537         uput_str((*tag_names)[label], fd);
 538         n++;
 539         if (bp_inspect(par, n)) {
 540           print_stack->push_back((*tag_names)[label]);
 541           label = tag(n);
 542           if (label == xml_tree::ATTRIBUTE_OPEN_TAG_ID) {
 543             n++;
 544             if (no_text) uputs("><@@>", fd);
 545
 546             while (bp_inspect(par, n))
 547               if (no_text) {
 548                 uputc('<', fd);
 549                 uputs((const char*) &(get_tag_name_by_ref(tag(n))[3]), fd);
 550                 uputc('>', fd);
 551                 uputs("<$@/></", fd);
 552                 uputs((const char*) &(get_tag_name_by_ref(tag(n))[3]), fd);
 553                 uputc('>', fd);
 554                 n += 4;
 555               } else {
 556                 uputc(' ', fd);
 557                 uputs((const char*) &(get_tag_name_by_ref(tag(n))[3]), fd);
 558                 n++;
 559                 uputs("=\"", fd);
 560                 read = uprintf((const char*) current_text, fd);
 561                 current_text += read + 1;
 562                 uputc('"', fd);
 563                 n += 3;
 564               };
 565
 566             if (no_text)
 567               uputs("</@@>", fd);
 568             else uputc('>', fd);
 569             n++;
 570             label = tag(n);
 571           } else
 572             uputc('>', fd);
 573         } else {
 574           uputs("/>", fd);
 575           n++;
 576           label = tag(n);
 577         };
 578       };
 579     } else do {
 580       uputs("</", fd);
 581       uput_str(print_stack->back(), fd);
 582       uputc('>', fd);
 583       print_stack->pop_back();
 584       n++;
 585       } while (!bp_inspect(par, n) || print_stack->empty());
 586     label = tag(n);
 587   };
 588   uputc('\n', fd);
 589   if (orig_text && text_index_type != TextCollectionBuilder::index_type_default)
 590     if (*orig_text == '\0')
 591       text_collection->DeleteText(orig_text - 1);
 592     else
 593       text_collection->DeleteText(orig_text);
 594
 595 }