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   par = bp_construct(npar,
  93                      parbitmap->get_vector_ptr(),
  94                      OPT_DEGREE);
  95   delete parbitmap;
  96
  97   this->tag_ids = tag_ids;
  98   tag_names = new std::vector<std::string>();
  99   tag_names->resize(tag_ids->size());
 100   std::unordered_map<std::string, tag_t>::iterator val;
 101   //for(auto val : *(this->tag_ids))
 102   //(*this->tag_names)[val.second] = val.first;
 103   for(val = this->tag_ids->begin(); val != this->tag_ids->end(); ++val)
 104     (*this->tag_names)[val->second] = val->first;
 105
 106
 107   uint32_t max_tag = tag_names->size() - 1;
 108   bit_vector *tmp_bitmap = new bit_vector(npar, 1, 0);
 109   uint32_t * buff;
 110   for(int32_t i = 0; i <= max_tag; i++){
 111     uint32_t ones = 0;
 112     for (size_t k = 0; k < npar; k++){
 113       bool t = (i == (*tags_)[k]);
 114       tmp_bitmap->set(k, t);
 115       ones += t;
 116     };
 117     buff = tmp_bitmap->get_vector_ptr();
 118     this->tags.push_back(new static_bitsequence_sdarray(buff, npar, ones));
 119   }
 120   delete tmp_bitmap;
 121   delete [] buff;
 122
 123
 124   //static_bitsequence_builder *bmb = new static_bitsequence_builder_sdarray();
 125   //alphabet_mapper *am = new alphabet_mapper_none();
 126
 127 //  this->tags = new static_sequence_bs((uint32_t*)&((*tags)[0]), npar, am, bmb);
 128
 129   bits_per_tag = bits8(max_tag);
 130   tag_seq_len = npar;
 131   tag_seq = new uint32_t[uint_len(bits_per_tag, tag_seq_len)];
 132   for(size_t i = 0; i < (size_t) tag_seq_len; i++)
 133     set_field(tag_seq, bits_per_tag, i, (uint32_t) (*tags_)[i]);
 134
 135   delete tags_;
 136
 137   if (disable_tc) {
 138     text_positions = 0;
 139     text_collection = 0;
 140   } else {
 141     textbitmap->pack();
 142     uint32_t * textbm = textbitmap->get_vector_ptr();
 143     text_positions = new static_bitsequence_rrr02(textbm,
 144                                                   npar,
 145                                                   32);
 146     //delete [] textbm;
 147     //delete textbitmap;
 148
 149     this->text_index_type = idx_type;
 150     text_collection = tc_builder->InitTextCollection();
 151     delete tc_builder;
 152   };
 153
 154 }
 155
 156 xml_tree::~xml_tree()
 157 {
 158   bp_delete(par);
 159
 160   for(int i = 0; i < tag_names->size(); i++){
 161     delete tags[i];
 162     tags[i] = 0;
 163   };
 164
 165
 166   delete [] tag_seq;
 167   delete tag_names;
 168   delete tag_ids;
 169   if (text_collection) delete text_collection;
 170   if (text_positions) delete text_positions;
 171 }
 172
 173 bool xml_tree::is_child(xml_tree::node_t x, xml_tree::node_t y) const
 174 {
 175   return !is_leaf(x) && is_ancestor(y, x) && depth(x)+1 == depth(y);
 176 }
 177
 178 uint32_t xml_tree::depth(xml_tree::node_t x) const
 179 {
 180   return bp_depth(this->par, x);
 181 }
 182
 183
 184 uint32_t xml_tree::preorder(xml_tree::node_t x) const
 185 {
 186   return bp_preorder_rank(this->par, x);
 187 }
 188
 189 uint32_t xml_tree::postorder(xml_tree::node_t x) const
 190 {
 191   return bp_postorder_rank(this->par, x);
 192 }
 193
 194 xml_tree::node_t
 195 xml_tree::select_child(xml_tree::node_t x, xml_tree::tag_t *tags) const
 196 {
 197   if (is_nil(x) || is_leaf(x)) return xml_tree::NIL;
 198   xml_tree::node_t child = first_child(x);
 199   if (array_mem(tags, tag(child))) return child;
 200   return select_sibling(child, tags);
 201 }
 202
 203
 204 xml_tree::node_t
 205 xml_tree::select_sibling(xml_tree::node_t x, xml_tree::tag_t *tags) const
 206 {
 207   xml_tree::node_t sibling = next_sibling(x);
 208   xml_tree::tag_t t;
 209   while(!is_nil(sibling)) {
 210     t = tag(sibling);
 211     if (array_mem(tags, t)) return sibling;
 212     sibling = next_sibling(sibling);
 213   };
 214   return sibling;
 215 }
 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   for(int i = 0; i < ntags; i++)
 236     tags[i]->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
 246   if (!disable_tc) {
 247     text_positions->save(fp);
 248     ufwrite(&text_index_type,
 249             sizeof(TextCollectionBuilder::index_type_t),
 250             1, fp);
 251
 252     std::string file(s);
 253     switch (text_index_type){
 254     case TextCollectionBuilder::index_type_default:
 255       file.append("_default");
 256       break;
 257     case TextCollectionBuilder::index_type_swcsa:
 258       file.append("_swcsa");
 259       break;
 260     case TextCollectionBuilder::index_type_rlcsa:
 261       file.append("_rlcsa");
 262       break;
 263     };
 264
 265     text_collection->Save(fp, file.c_str());
 266   };
 267
 268   fflush(fp);
 269   fclose(fp);
 270
 271 }
 272
 273 xml_tree* xml_tree::load(int fd, char* name, bool load_tc, int sf)
 274 {
 275   FILE *fp;
 276   char buffer[1024];
 277
 278   int i;
 279   buffer[1023] = '\0';
 280   fp = fdopen(fd, "r");
 281   xml_tree *tree = new xml_tree();
 282
 283   tree->par = loadTree(fp); //TODO use new api
 284   tree->tag_names = new std::vector<std::string>();
 285   tree->tag_ids = new std::unordered_map<std::string, xml_tree::tag_t>();
 286   std::string s;
 287   int ntags;
 288
 289   ufread(&ntags, sizeof(int), 1, fp);
 290
 291   for (i = 0; i < ntags; i++) {
 292     if (fgets(buffer, 1022, fp) != buffer)
 293       throw std::runtime_error("xml_tree::load: cannot read tag list");
 294     s = buffer;
 295     // remove the trailing \n
 296     s.erase(s.size()-1);
 297     tree->tag_names->push_back(s);
 298     tree->tag_ids->insert(std::make_pair(s,
 299                                          static_cast<xml_tree::tag_t>(i)));
 300
 301   };
 302
 303   for(int i = 0; i < ntags; i++){
 304     tree->tags.push_back(static_bitsequence_sdarray::load(fp));
 305   };
 306
 307   //tree->tags = static_sequence_bs::load(fp);
 308   ufread(&tree->bits_per_tag, sizeof(uint), 1, fp);
 309   fprintf(stderr, "\nBits per tag: %u\n", tree->bits_per_tag);
 310   ufread(&tree->tag_seq_len, sizeof(uint), 1, fp);
 311   size_t size = uint_len(tree->bits_per_tag, tree->tag_seq_len);
 312   tree->tag_seq = new uint[size];
 313   ufread(tree->tag_seq, sizeof(uint), size, fp);
 314
 315   bool disable_tc;
 316   ufread(&disable_tc, sizeof(bool), 1, fp);
 317
 318   if (disable_tc || !load_tc) {
 319     tree->text_positions = 0;
 320     tree->text_collection = 0;
 321   } else {
 322
 323     tree->text_positions = static_bitsequence_rrr02::load(fp);
 324
 325     ufread(&tree->text_index_type,
 326            sizeof(TextCollectionBuilder::index_type_t), 1, fp);
 327
 328     std::string file(name);
 329     switch (tree->text_index_type){
 330     case TextCollectionBuilder::index_type_default:
 331       file.append("_default");
 332       break;
 333     case TextCollectionBuilder::index_type_swcsa:
 334       file.append("_swcsa");
 335       break;
 336     case TextCollectionBuilder::index_type_rlcsa:
 337       file.append("_rlcsa");
 338       break;
 339     };
 340
 341
 342     tree->text_collection =
 343       TextCollection::Load(fp,
 344                            file.c_str(),
 345                            TextCollection::index_mode_default,
 346                            sf);
 347
 348   };
 349   return tree;
 350 }
 351
 352
 353
 354 uint32_t xml_tree::num_children(xml_tree::node_t x) const
 355 {
 356   return bp_degree(par, x);
 357 }
 358
 359 uint32_t xml_tree::child_pos(xml_tree::node_t x) const
 360 {
 361   return bp_child_rank(par, x);
 362 }
 363
 364 xml_tree::node_t xml_tree::child(xml_tree::node_t x, uint32_t i) const
 365 {
 366   if (i < 10) return bp_naive_child(par, x, i);
 367   else bp_child(par, x, i);
 368 }
 369
 370 std::pair<int32_t, int32_t> xml_tree::text_id_range(xml_tree::node_t x) const
 371 {
 372   int32_t i, j;
 373   xml_tree::node_t y = bp_find_close(par, x);
 374   if (x == root())
 375     i = 0;
 376   else
 377     i = text_positions->rank1(x-1);
 378   j = text_positions->rank1(y);
 379 //  fprintf(stderr, "Rank of node %i is %i, rank of closing %i is %i\n", x, i, y, j);
 380   if (i == j)
 381     return std::make_pair(xml_tree::NIL, xml_tree::NIL);
 382   else
 383     return std::make_pair(i, j);
 384 }
 385
 386 int32_t xml_tree::text_id(xml_tree::node_t x) const
 387 {
 388   return (int32_t) text_positions->rank1(x) - 1;
 389 }
 390
 391 unsigned char* xml_tree::get_text(int32_t id) const
 392 {
 393   unsigned char * s = text_collection->GetText(id);
 394   return s + (s[0] == 1);
 395 }
 396
 397 void xml_tree::uflush(int fd)
 398 {
 399   size_t size = print_buffer->size();
 400   if (size < BUFFER_SIZE) return;
 401   uflush_r(fd, size);
 402 }
 403
 404 void xml_tree::flush(int fd)
 405 {
 406   uflush_r(fd, print_buffer->size());
 407 }
 408
 409
 410 void xml_tree::uflush_r(int fd, size_t s)
 411 {
 412   if (s == 0 || print_buffer == 0 || fd <= 0) return;
 413   size_t written;
 414   while (1) {
 415     written = write(fd, print_buffer->data(), s);
 416     if ((written < 0) && (errno == EAGAIN || errno == EINTR)){
 417       continue;
 418     };
 419     break;
 420   };
 421   print_buffer->clear();
 422 }
 423
 424 void xml_tree::uput_str(std::string s, int fd)
 425 {
 426   print_buffer->append(s);
 427   uflush(fd);
 428 }
 429 void xml_tree::uputs(const char* s, int fd)
 430 {
 431   print_buffer->append(s);
 432   uflush(fd);
 433 }
 434 void xml_tree::uputc(const char c, int fd)
 435 {
 436   print_buffer->push_back(c);
 437   uflush(fd);
 438 }
 439
 440 const char * xml_tree::get_tag_name_by_ref(xml_tree::tag_t tagid) const
 441 {
 442
 443    unsigned char *s;
 444    if (tagid < 0 || tagid >= tag_names->size())
 445      return "<INVALID TAG>";
 446
 447    return (const char *) (*tag_names)[tagid].c_str();
 448 }
 449
 450 xml_tree::tag_t xml_tree::register_tag(char *s)
 451 {
 452   std::unordered_map<std::string, tag_t>::iterator found;
 453   found = tag_ids->find(std::string(s));
 454   if (found == tag_ids->end())
 455     return xml_tree::NIL_TAG_ID;
 456   else
 457     return (*found).second;
 458 }
 459
 460 size_t xml_tree::uprintf(const char*s, int fd)
 461 {
 462      if (s == 0) return 0;
 463      size_t i;
 464      char c;
 465      for (i = 0; (c = s[i]); i++) {
 466        switch (c) {
 467        case '"':
 468          uputs("&quot;", fd);
 469          break;
 470        case '&':
 471          uputs("&amp;", fd);
 472          break;
 473        case '\'':
 474          uputs("&apos;", fd);
 475          break;
 476        case '<':
 477          uputs("&lt;", fd);
 478          break;
 479        case '>':
 480          uputs("&gt;", fd);
 481          break;
 482        default:
 483          uputc(c, fd);
 484
 485        };
 486      };
 487      return i;
 488 }
 489
 490 void xml_tree::print(xml_tree::node_t x, int fd, bool no_text)
 491 {
 492
 493   if (print_buffer == 0) {
 494     print_buffer = new std::string(BUFFER_SIZE, 0);
 495     print_buffer->clear();
 496     print_stack = new std::vector<std::string>();
 497     print_stack->reserve(256);
 498   };
 499
 500   xml_tree::node_t fin = bp_find_close(par, x);
 501   xml_tree::node_t n = x;
 502   xml_tree::tag_t label = tag(n);
 503   unsigned char * orig_text;
 504   unsigned char * current_text;
 505
 506   std::pair<int32_t, int32_t> r = text_id_range(x);
 507   if (r.first == xml_tree::NIL)
 508     current_text = 0;
 509   else {
 510     current_text = text_collection->GetText(r.first, r.second);
 511     current_text += (current_text[0] == 1);
 512   };
 513
 514   //fprintf(stderr, "Printing node %i, tag: %s\n", x, get_tag_name_by_ref(tag(x)));
 515   // fprintf(stderr, "Beggining of text is (%i):%s\n", r.first, current_text);
 516   //fflush(stderr);
 517
 518
 519
 520   orig_text = current_text;
 521
 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 }
 598
 599
 600 static inline uchar * next_char(uchar *s, size_t &numtexts)
 601 {
 602   uchar c;
 603   s++;
 604   c = *s;
 605   while (c <= 1){
 606     if (c == 0) {
 607       numtexts--;
 608       if (numtexts == 0) return 0;
 609     };
 610     s++;
 611     c = *s;
 612   };
 613   return s;
 614 }
 615
 616 static inline bool naive_char_contains(uchar const *s, uchar c, size_t numtexts)
 617 {
 618   uchar sc;
 619   while(numtexts != 0){
 620     sc = *s;
 621     if (c == sc) return true;
 622     if (sc == 0) numtexts--;
 623     s++;
 624   };
 625   return false;
 626 }
 627
 628 bool xml_tree::naive_contains(xml_tree::node_t n, uchar const *w) const
 629 {
 630   if (w[0] == 0)
 631     return true;
 632   // fprintf(stderr, "Calling naive_contains on node: %i, with tag: %s\n",
 633   //      n,
 634   //      get_tag_name_by_ref(tag(n)));
 635   // fflush(stderr);
 636   std::pair<int32_t, int32_t> range = text_id_range(n);
 637
 638   //pattern is at least one char
 639   if (range.first == xml_tree::NIL)
 640     return false;
 641
 642   uchar * text = this->text_collection->GetText(range.first, range.second);
 643   size_t num_texts =
 644     subtree_tags(n, ATTRIBUTE_DATA_OPEN_TAG_ID) +
 645     subtree_tags(n, PCDATA_OPEN_TAG_ID);
 646
 647   if (w[1] == 0)
 648     return naive_char_contains(text, w[0], num_texts);
 649
 650   //KMP is overkill
 651   uchar * s = text;
 652   uchar * ss;
 653   uchar  const *ww;
 654   size_t nnum_texts;
 655   while (true) {
 656     // fprintf(stderr, "Current char in s: %c, num_texts is: %lu\n", *s, num_texts);
 657     // fflush(stderr);
 658     ss = s;
 659     ww = w;
 660     nnum_texts = num_texts;
 661     while (true){
 662       // fprintf(stderr, "   Current char in w: %c, num_texts is: %lu\n", *ww, num_texts);
 663       // fprintf(stderr, "   Current char in s: %c\n", *ss);
 664       // fflush(stderr);
 665
 666       if (*ww == 0) return true;
 667       if (*ww != *ss) break;
 668       ww++;
 669       ss = next_char(ss, nnum_texts);
 670       if (ss == 0) return (*ww == 0);
 671     };
 672     // fprintf(stderr, "Not found, returning\n");
 673     // fflush(stderr);
 674     // fprintf(stderr, "Current string s is: %s\n", s);
 675     s = next_char(s, num_texts);
 676     if (s == 0) return false;
 677 //    fprintf(stderr, "After next_char, string s is: %s\n", s);
 678 //    fflush(stderr);
 679   };
 680
 681 }