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 static bool array_mem(xml_tree::tag_t *a, xml_tree::tag_t t)
  46 {
  47   for(; *a != xml_tree::NIL_TAG_ID; a++){
  48     if (*a >= t) return (*a == t);
  49   };
  50   return false;
  51 }
  52
  53 static void ufread(void *ptr, size_t size, size_t nmemb, FILE *stream)
  54  {
  55     size_t res;
  56     res = fread(ptr,size,nmemb,stream);
  57     if (res < nmemb)
  58       throw std::runtime_error("ufread I/O error" );
  59     return;
  60  }
  61
  62 static void ufwrite(const void *ptr, size_t size, size_t nmemb, FILE *stream)
  63  {
  64     size_t res;
  65     res = fwrite(ptr,size,nmemb,stream);
  66     if (res < nmemb)
  67       throw std::runtime_error("ufwrite I/O error");
  68     return;
  69  }
  70
  71
  72
  73 xml_tree::xml_tree()
  74 {
  75   print_stack = 0;
  76   print_buffer = 0;
  77 }
  78
  79 xml_tree::xml_tree(std::vector<int32_t> *tags,
  80                    std::unordered_map<std::string, int32_t> *tag_ids,
  81                    bit_vector *parbitmap,
  82                    bool disable_tc,
  83                    SXSI::TextCollectionBuilder *tc_builder,
  84                    SXSI::TextCollectionBuilder::index_type_t idx_type,
  85                    bit_vector *textbitmap)
  86 {
  87   print_stack = 0;
  88   print_buffer = 0;
  89
  90   size_t npar = parbitmap->size();
  91   parbitmap->pack();
  92
  93   par = bp_construct(npar,
  94                      parbitmap->get_vector_ptr(),
  95                      OPT_DEGREE);
  96   delete parbitmap;
  97
  98   this->tag_ids = tag_ids;
  99   tag_names = new std::vector<std::string>();
 100   tag_names->resize(tag_ids->size());
 101   for(auto val : *(this->tag_ids))
 102     (*this->tag_names)[val.second] = val.first;
 103
 104   uint32_t max_tag = tag_names->size() - 1;
 105   static_bitsequence_builder *bmb = new static_bitsequence_builder_sdarray();
 106   alphabet_mapper *am = new alphabet_mapper_none();
 107
 108   this->tags = new static_sequence_bs((uint32_t*)&((*tags)[0]), npar, am, bmb);
 109   bits_per_tag = bits8(max_tag);
 110   tag_seq_len = npar;
 111   tag_seq = new uint32_t[uint_len(bits_per_tag, tag_seq_len)];
 112   for(size_t i = 0; i < (size_t) tag_seq_len; i++)
 113     set_field(tag_seq, bits_per_tag, i, (uint32_t) (*tags)[i]);
 114
 115   delete tags;
 116
 117   if (disable_tc) {
 118     text_positions = 0;
 119     text_collection = 0;
 120   } else {
 121     textbitmap->pack();
 122     uint32_t * textbm = textbitmap->get_vector_ptr();
 123     text_positions = new static_bitsequence_rrr02(textbm,
 124                                                   npar,
 125                                                   32);
 126     //delete [] textbm;
 127     delete textbitmap;
 128
 129     this->text_index_type = idx_type;
 130     text_collection = tc_builder->InitTextCollection();
 131     delete tc_builder;
 132   };
 133
 134
 135 }
 136
 137 xml_tree::~xml_tree()
 138 {
 139   bp_delete(par);
 140   delete tags;
 141   delete [] tag_seq;
 142   delete tag_names;
 143   delete tag_ids;
 144
 145   if (text_collection) delete text_collection;
 146   if (text_positions) delete text_positions;
 147 }
 148
 149 bool xml_tree::is_child(xml_tree::node_t x, xml_tree::node_t y) const
 150 {
 151   return !is_leaf(x) && is_ancestor(y, x) && depth(x)+1 == depth(y);
 152 }
 153
 154 uint32_t xml_tree::depth(xml_tree::node_t x) const
 155 {
 156   return bp_depth(this->par, x);
 157 }
 158
 159
 160 uint32_t xml_tree::preorder(xml_tree::node_t x) const
 161 {
 162   return bp_preorder_rank(this->par, x);
 163 }
 164
 165 uint32_t xml_tree::postorder(xml_tree::node_t x) const
 166 {
 167   return bp_postorder_rank(this->par, x);
 168 }
 169
 170 xml_tree::node_t
 171 xml_tree::select_child(xml_tree::node_t x, xml_tree::tag_t *tags) const
 172 {
 173   if (is_nil(x) || is_leaf(x)) return xml_tree::NIL;
 174   xml_tree::node_t child = first_child(x);
 175   if (array_mem(tags, tag(child))) return child;
 176   return select_sibling(child, tags);
 177 }
 178
 179 xml_tree::node_t
 180 xml_tree::select_descendant(xml_tree::node_t x, xml_tree::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(; *tags != xml_tree::NIL_TAG_ID; ++tags){
 186     aux = tagged_descendant(x, *tags);
 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, xml_tree::tag_t *tags) const
 194 {
 195   xml_tree::node_t sibling = next_sibling(x);
 196   xml_tree::tag_t t;
 197   while(!is_nil(sibling)) {
 198     t = tag(sibling);
 199     if (array_mem(tags, t)) return sibling;
 200     sibling = next_sibling(sibling);
 201   };
 202   return sibling;
 203 }
 204
 205 xml_tree::node_t
 206 xml_tree::select_following_before(xml_tree::node_t x, xml_tree::tag_t *tags,
 207                                   xml_tree::node_t limit) const
 208 {
 209   auto min = xml_tree::NIL;
 210   auto aux = xml_tree::NIL;
 211   for(; *tags != xml_tree::NIL_TAG_ID; ++tags){
 212     aux = tagged_following_before(x, *tags, limit);
 213     if ((unsigned int) aux < (unsigned int) min) min = aux;
 214   }
 215   return min;
 216 }
 217
 218 void xml_tree::save(int fd, char* s)
 219 {
 220   FILE* fp;
 221   int fd2 = dup(fd);
 222
 223   fp = fdopen(fd2, "w");
 224
 225   if (fd == 0) throw(std::runtime_error(strerror(errno)));
 226   saveTree(par, fp); //TODO use new api
 227
 228   int ntags = tag_names->size();
 229
 230   ufwrite(&ntags, sizeof(int), 1, fp);
 231   for (int i = 0; i < ntags;i++)
 232     fprintf(fp, "%s\n", tag_names->at(i).c_str());
 233
 234   tags->save(fp);
 235
 236   ufwrite(&bits_per_tag, sizeof(uint),1,fp);
 237   ufwrite(&tag_seq_len, sizeof(uint),1,fp);
 238   ufwrite(tag_seq, sizeof(uint), uint_len(bits_per_tag, tag_seq_len), fp);
 239
 240   bool disable_tc = text_collection == 0 || text_positions == 0;
 241
 242   ufwrite(&disable_tc, sizeof(bool),1,fp);
 243
 244   if (!disable_tc) {
 245     text_positions->save(fp);
 246     ufwrite(&text_index_type,
 247             sizeof(TextCollectionBuilder::index_type_t),
 248             1, fp);
 249
 250     std::string file(s);
 251     switch (text_index_type){
 252     case TextCollectionBuilder::index_type_default:
 253       file.append("_default");
 254       break;
 255     case TextCollectionBuilder::index_type_swcsa:
 256       file.append("_swcsa");
 257       break;
 258     case TextCollectionBuilder::index_type_rlcsa:
 259       file.append("_rlcsa");
 260       break;
 261     };
 262
 263     text_collection->Save(fp, file.c_str());
 264   };
 265
 266   fflush(fp);
 267   fclose(fp);
 268
 269 }
 270
 271 xml_tree* xml_tree::load(int fd, char* name, bool load_tc, int sf)
 272 {
 273   FILE *fp;
 274   char buffer[1024];
 275
 276   int i;
 277   buffer[1023] = '\0';
 278   fp = fdopen(fd, "r");
 279   xml_tree *tree = new xml_tree();
 280
 281   tree->par = loadTree(fp); //TODO use new api
 282   tree->tag_names = new std::vector<std::string>();
 283   tree->tag_ids = new std::unordered_map<std::string, xml_tree::tag_t>();
 284   std::string s;
 285   int ntags;
 286
 287   ufread(&ntags, sizeof(int), 1, fp);
 288
 289   for (i = 0; i < ntags; i++) {
 290     if (fgets(buffer, 1022, fp) != buffer)
 291       throw std::runtime_error("xml_tree::load: cannot read tag list");
 292     s = buffer;
 293     // remove the trailing \n
 294     s.erase(s.size()-1);
 295     tree->tag_names->push_back(s);
 296     tree->tag_ids->insert(std::make_pair(s,
 297                                          static_cast<xml_tree::tag_t>(i)));
 298
 299   };
 300
 301   tree->tags = static_sequence::load(fp);
 302   ufread(&tree->bits_per_tag, sizeof(uint), 1, fp);
 303   ufread(&tree->tag_seq_len, sizeof(uint), 1, fp);
 304   size_t size = uint_len(tree->bits_per_tag, tree->tag_seq_len);
 305   tree->tag_seq = new uint[size];
 306   ufread(tree->tag_seq, sizeof(uint), size, fp);
 307
 308   bool disable_tc;
 309   ufread(&disable_tc, sizeof(bool), 1, fp);
 310
 311   if (disable_tc || !load_tc) {
 312     tree->text_positions = 0;
 313     tree->text_collection = 0;
 314   } else {
 315
 316     tree->text_positions = static_bitsequence_rrr02::load(fp);
 317
 318     ufread(&tree->text_index_type,
 319            sizeof(TextCollectionBuilder::index_type_t), 1, fp);
 320
 321     std::string file(name);
 322     switch (tree->text_index_type){
 323     case TextCollectionBuilder::index_type_default:
 324       file.append("_default");
 325       break;
 326     case TextCollectionBuilder::index_type_swcsa:
 327       file.append("_swcsa");
 328       break;
 329     case TextCollectionBuilder::index_type_rlcsa:
 330       file.append("_rlcsa");
 331       break;
 332     };
 333
 334
 335     tree->text_collection =
 336       TextCollection::Load(fp,
 337                            file.c_str(),
 338                            TextCollection::index_mode_default,
 339                            sf);
 340
 341   };
 342   return tree;
 343 }
 344
 345 uint32_t xml_tree::subtree_elements(xml_tree::node_t x) const
 346 {
 347
 348   uint32_t size = bp_subtree_size(par, x);
 349   if (x == root()){
 350     x = bp_first_child(par,x);
 351     size = size - 1;
 352   };
 353
 354   int s = x + 2*size - 1;
 355   int ntext =
 356     tags->rank(xml_tree::PCDATA_OPEN_TAG_ID, s) -
 357     tags->rank(xml_tree::PCDATA_OPEN_TAG_ID, x-1);
 358
 359   size = size - ntext;
 360   xml_tree::node_t fin = bp_find_close(par, x);
 361   xml_tree::node_t y = tags->select_next(xml_tree::ATTRIBUTE_OPEN_TAG_ID, x);
 362   while (y != xml_tree::NIL && y < fin){
 363     size -= subtree_size(y);
 364     y = tags->select_next(xml_tree::ATTRIBUTE_OPEN_TAG_ID, y);
 365   };
 366   return size;
 367  }
 368
 369 uint32_t xml_tree::num_children(xml_tree::node_t x) const
 370 {
 371   return bp_degree(par, x);
 372 }
 373
 374 uint32_t xml_tree::child_pos(xml_tree::node_t x) const
 375 {
 376   return bp_child_rank(par, x);
 377 }
 378
 379 xml_tree::node_t xml_tree::child(xml_tree::node_t x, uint32_t i) const
 380 {
 381   if (i < 10) return bp_naive_child(par, x, i);
 382   else bp_child(par, x, i);
 383 }
 384
 385 std::pair<int32_t, int32_t> xml_tree::text_id_range(xml_tree::node_t x) const
 386 {
 387   int32_t i, j;
 388   i = text_positions->rank1(x - 1);
 389   j = text_positions->rank1(x + 2 * bp_subtree_size(par, x) - 2);
 390   if (i == j)
 391     return std::make_pair(xml_tree::NIL, xml_tree::NIL);
 392   else
 393     return std::make_pair(i + 1, j);
 394 }
 395
 396 int32_t xml_tree::text_id(xml_tree::node_t x) const
 397 {
 398   return (int32_t) text_positions->rank1(x) - 1;
 399 }
 400
 401 unsigned char* xml_tree::get_text(int32_t id) const
 402 {
 403   unsigned char * s = text_collection->GetText(id);
 404   return s + (s[0] == 1);
 405 }
 406
 407 void xml_tree::uflush(int fd)
 408 {
 409   size_t size = print_buffer->size();
 410   if (size < BUFFER_SIZE) return;
 411   uflush_r(fd, size);
 412 }
 413
 414 void xml_tree::flush(int fd)
 415 {
 416   uflush_r(fd, print_buffer->size());
 417 }
 418
 419
 420 void xml_tree::uflush_r(int fd, size_t s)
 421 {
 422   if (s == 0) return;
 423   size_t written;
 424   while (1) {
 425     written = write(fd, print_buffer->data(), s);
 426     if ((written < 0) && (errno == EAGAIN || errno == EINTR)){
 427       continue;
 428     };
 429     break;
 430   };
 431   print_buffer->clear();
 432 }
 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(xml_tree::node_t x, int fd, bool no_text)
 500 {
 501
 502   if (print_buffer == 0) {
 503     print_buffer = new std::string(BUFFER_SIZE, 0);
 504     print_buffer->clear();
 505     print_stack = new std::vector<std::string>();
 506     print_stack->reserve(256);
 507   };
 508
 509   xml_tree::node_t fin = bp_find_close(par, x);
 510   xml_tree::node_t n = x;
 511   xml_tree::tag_t label = tag(n);
 512   unsigned char * orig_text;
 513   unsigned char * current_text;
 514
 515   auto r = text_id_range(x);
 516   if (r.first == xml_tree::NIL)
 517     current_text = 0;
 518   else
 519     current_text = get_text(r.first);
 520
 521   orig_text = current_text;
 522   size_t read = 0;
 523
 524   while (n <= fin) {
 525
 526     if (bp_inspect(par, n)) {
 527       if (label == xml_tree::PCDATA_OPEN_TAG_ID){
 528         if (no_text) {
 529           uputs("<$/>", fd);
 530         } else {
 531           read = uprintf( (const char*) current_text, fd);
 532           current_text += read + 1;
 533         };
 534         n += 2; // skip closin $
 535         label = tag(n);
 536       } else {
 537
 538         uputc('<', fd);
 539         uput_str((*tag_names)[label], fd);
 540         n++;
 541         if (bp_inspect(par, n)) {
 542           print_stack->push_back((*tag_names)[label]);
 543           label = tag(n);
 544           if (label == xml_tree::ATTRIBUTE_OPEN_TAG_ID) {
 545             n++;
 546             if (no_text) uputs("><@@>", fd);
 547
 548             while (bp_inspect(par, n))
 549               if (no_text) {
 550                 uputc('<', fd);
 551                 uputs((const char*) &(get_tag_name_by_ref(tag(n))[3]), fd);
 552                 uputc('>', fd);
 553                 uputs("<$@/></", fd);
 554                 uputs((const char*) &(get_tag_name_by_ref(tag(n))[3]), fd);
 555                 uputc('>', fd);
 556                 n += 4;
 557               } else {
 558                 uputc(' ', fd);
 559                 uputs((const char*) &(get_tag_name_by_ref(tag(n))[3]), fd);
 560                 n++;
 561                 uputs("=\"", fd);
 562                 read = uprintf((const char*) current_text, fd);
 563                 current_text += read + 1;
 564                 uputc('"', fd);
 565                 n += 3;
 566               };
 567
 568             if (no_text)
 569               uputs("</@@>", fd);
 570             else uputc('>', fd);
 571             n++;
 572             label = tag(n);
 573           } else
 574             uputc('>', fd);
 575         } else {
 576           uputs("/>", fd);
 577           n++;
 578           label = tag(n);
 579         };
 580       };
 581     } else do {
 582       uputs("</", fd);
 583       uput_str(print_stack->back(), fd);
 584       uputc('>', fd);
 585       print_stack->pop_back();
 586       n++;
 587       } while (!bp_inspect(par, n) && !print_stack->empty());
 588     label = tag(n);
 589   };
 590   uputc('\n', fd);
 591   if (orig_text && text_index_type != TextCollectionBuilder::index_type_default)
 592     if (*orig_text == '\0')
 593       text_collection->DeleteText(orig_text - 1);
 594     else
 595       text_collection->DeleteText(orig_text);
 596
 597 }