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     text_collection = tc_builder->InitTextCollection();
 125     delete tc_builder;
 126   };
 127
 128
 129 }
 130
 131 xml_tree::~xml_tree()
 132 {
 133   bp_delete(par);
 134   delete tags;
 135   delete [] tag_seq;
 136   delete tag_names;
 137   delete tag_ids;
 138
 139   if (text_collection) delete text_collection;
 140   if (text_positions) delete text_positions;
 141 }
 142
 143 bool xml_tree::is_child(xml_tree::node_t x, xml_tree::node_t y) const
 144 {
 145   return !is_leaf(x) && is_ancestor(y, x) && depth(x)+1 == depth(y);
 146 }
 147
 148 uint32_t xml_tree::depth(xml_tree::node_t x) const
 149 {
 150   return bp_depth(this->par, x);
 151 }
 152
 153
 154 uint32_t xml_tree::preorder(xml_tree::node_t x) const
 155 {
 156   return bp_preorder_rank(this->par, x);
 157 }
 158
 159 uint32_t xml_tree::postorder(xml_tree::node_t x) const
 160 {
 161   return bp_postorder_rank(this->par, x);
 162 }
 163
 164 xml_tree::node_t
 165 xml_tree::select_child(xml_tree::node_t x,
 166                        std::unordered_set<tag_t> *tags) const
 167 {
 168   if (is_nil(x) || is_leaf(x)) return xml_tree::NIL;
 169   xml_tree::node_t child = first_child(x);
 170   if (tags->find(tag(child)) != tags->end()) return child;
 171   return select_sibling(child, tags);
 172 }
 173
 174 xml_tree::node_t
 175 xml_tree::select_descendant(xml_tree::node_t x,
 176                             std::unordered_set<tag_t> *tags) const
 177 {
 178   if (is_leaf(x)) return xml_tree::NIL;
 179   auto min = xml_tree::NIL;
 180   auto aux = xml_tree::NIL;
 181   for(auto tag = tags->begin(); tag != tags->end(); ++ tag){
 182     aux = tagged_descendant(x, *tag);
 183     if ((unsigned int) aux < (unsigned int) min) min = aux;
 184   };
 185   return min;
 186 }
 187
 188 xml_tree::node_t
 189 xml_tree::select_sibling(xml_tree::node_t x,
 190                          std::unordered_set<tag_t> *tags) const
 191 {
 192   xml_tree::node_t sibling = next_sibling(x);
 193   xml_tree::tag_t t;
 194   while(!is_nil(sibling)) {
 195     t = tag(sibling);
 196     if (tags->find(t) != tags->end()) return sibling;
 197     sibling = next_sibling(sibling);
 198   };
 199   return sibling;
 200 }
 201
 202 xml_tree::node_t
 203 xml_tree::select_following_before(xml_tree::node_t x,
 204                                   std::unordered_set<tag_t> *tags,
 205                                   xml_tree::node_t limit) const
 206 {
 207   auto min = xml_tree::NIL;
 208   auto aux = xml_tree::NIL;
 209   for(auto tag = tags->begin(); tag != tags->end(); ++tag){
 210     aux = tagged_following_before(x, *tag, limit);
 211     if ((unsigned int) aux < (unsigned int) min) min = aux;
 212   }
 213   return min;
 214 }
 215
 216 void xml_tree::save(int fd, char* s)
 217 {
 218   FILE* fp;
 219   int fd2 = dup(fd);
 220
 221   fp = fdopen(fd2, "w");
 222
 223   if (fd == 0) throw(std::runtime_error(strerror(errno)));
 224   saveTree(par, fp); //TODO use new api
 225
 226   int ntags = tag_names->size();
 227
 228   ufwrite(&ntags, sizeof(int), 1, fp);
 229   for (int i = 0; i < ntags;i++)
 230     fprintf(fp, "%s\n", tag_names->at(i).c_str());
 231
 232   tags->save(fp);
 233
 234   ufwrite(&bits_per_tag, sizeof(uint),1,fp);
 235   ufwrite(&tag_seq_len, sizeof(uint),1,fp);
 236   ufwrite(tag_seq, sizeof(uint), uint_len(bits_per_tag, tag_seq_len), fp);
 237
 238   bool disable_tc = text_collection == 0 || text_positions == 0;
 239
 240   ufwrite(&disable_tc, sizeof(bool),1,fp);
 241
 242   if (!disable_tc) {
 243     text_positions->save(fp);
 244     ufwrite(&text_index_type,
 245             sizeof(TextCollectionBuilder::index_type_t),
 246             1, fp);
 247
 248     std::string file(s);
 249     switch (text_index_type){
 250     case TextCollectionBuilder::index_type_default:
 251       file.append("_default");
 252       break;
 253     case TextCollectionBuilder::index_type_swcsa:
 254       file.append("_swcsa");
 255       break;
 256     case TextCollectionBuilder::index_type_rlcsa:
 257       file.append("_rlcsa");
 258       break;
 259     };
 260
 261     text_collection->Save(fp, file.c_str());
 262   };
 263
 264   fflush(fp);
 265   fclose(fp);
 266
 267 }
 268
 269 xml_tree* xml_tree::load(int fd, char* name, bool load_tc, int sf)
 270 {
 271   FILE *fp;
 272   char buffer[1024];
 273
 274   int i;
 275   buffer[1023] = '\0';
 276   fp = fdopen(fd, "r");
 277   xml_tree *tree = new xml_tree();
 278
 279   tree->par = loadTree(fp); //TODO use new api
 280   tree->tag_names = new std::vector<std::string>();
 281   tree->tag_ids = new std::unordered_map<std::string, xml_tree::tag_t>();
 282   std::string s;
 283   int ntags;
 284
 285   ufread(&ntags, sizeof(int), 1, fp);
 286
 287   for (i = 0; i < ntags; i++) {
 288     if (fgets(buffer, 1022, fp) != buffer)
 289       throw std::runtime_error("xml_tree::load: cannot read tag list");
 290     s = buffer;
 291     // remove the trailing \n
 292     s.erase(s.size()-1);
 293     tree->tag_names->push_back(s);
 294     tree->tag_ids->insert(std::make_pair(s,
 295                                          static_cast<xml_tree::tag_t>(i)));
 296
 297   };
 298
 299   tree->tags = static_sequence::load(fp);
 300   ufread(&tree->bits_per_tag, sizeof(uint), 1, fp);
 301   ufread(&tree->tag_seq_len, sizeof(uint), 1, fp);
 302   size_t size = uint_len(tree->bits_per_tag, tree->tag_seq_len);
 303   tree->tag_seq = new uint[size];
 304   ufread(tree->tag_seq, sizeof(uint), size, fp);
 305
 306   bool disable_tc;
 307   ufread(&disable_tc, sizeof(bool), 1, fp);
 308
 309   if (disable_tc || !load_tc) {
 310     tree->text_positions = 0;
 311     tree->text_collection = 0;
 312   } else {
 313
 314     tree->text_positions = static_bitsequence_rrr02::load(fp);
 315
 316     ufread(&tree->text_index_type,
 317            sizeof(TextCollectionBuilder::index_type_t), 1, fp);
 318
 319     std::string file(name);
 320     switch (tree->text_index_type){
 321     case TextCollectionBuilder::index_type_default:
 322       file.append("_default");
 323       break;
 324     case TextCollectionBuilder::index_type_swcsa:
 325       file.append("_swcsa");
 326       break;
 327     case TextCollectionBuilder::index_type_rlcsa:
 328       file.append("_rlcsa");
 329       break;
 330     };
 331
 332
 333     tree->text_collection =
 334       TextCollection::Load(fp,
 335                            file.c_str(),
 336                            TextCollection::index_mode_default,
 337                            sf);
 338
 339   };
 340   return tree;
 341 }
 342
 343 uint32_t xml_tree::subtree_elements(xml_tree::node_t x) const
 344 {
 345
 346   uint32_t size = bp_subtree_size(par, x);
 347   if (x == root()){
 348     x = bp_first_child(par,x);
 349     size = size - 1;
 350   };
 351
 352   int s = x + 2*size - 1;
 353   int ntext =
 354     tags->rank(xml_tree::PCDATA_OPEN_TAG_ID, s) -
 355     tags->rank(xml_tree::PCDATA_OPEN_TAG_ID, x-1);
 356
 357   size = size - ntext;
 358   xml_tree::node_t fin = bp_find_close(par, x);
 359   xml_tree::node_t y = tags->select_next(xml_tree::ATTRIBUTE_OPEN_TAG_ID, x);
 360   while (y != xml_tree::NIL && y < fin){
 361     size -= subtree_size(y);
 362     y = tags->select_next(xml_tree::ATTRIBUTE_OPEN_TAG_ID, y);
 363   };
 364   return size;
 365  }
 366
 367 uint32_t xml_tree::num_children(xml_tree::node_t x) const
 368 {
 369   return bp_degree(par, x);
 370 }
 371
 372 uint32_t xml_tree::child_pos(xml_tree::node_t x) const
 373 {
 374   return bp_child_rank(par, x);
 375 }
 376
 377 xml_tree::node_t xml_tree::child(xml_tree::node_t x, uint32_t i) const
 378 {
 379   if (i < 10) return bp_naive_child(par, x, i);
 380   else bp_child(par, x, i);
 381 }
 382
 383 std::pair<int32_t, int32_t> xml_tree::text_id_range(xml_tree::node_t x) const
 384 {
 385   int32_t i, j;
 386   i = text_positions->rank1(x - 1);
 387   j = text_positions->rank1(x + 2 * bp_subtree_size(par, x) - 2);
 388   if (i == j)
 389     return std::make_pair(xml_tree::NIL, xml_tree::NIL);
 390   else
 391     return std::make_pair(i + 1, j);
 392 }
 393
 394 int32_t xml_tree::text_id(xml_tree::node_t x) const
 395 {
 396   return (int32_t) text_positions->rank1(x) - 1;
 397 }
 398
 399 unsigned char* xml_tree::get_text(int32_t id) const
 400 {
 401   unsigned char * s = text_collection->GetText(id);
 402   return s + (s[0] == 1);
 403 }
 404
 405 void xml_tree::uflush(int fd)
 406 {
 407   size_t size = print_buffer->size();
 408   if (size < BUFFER_SIZE) return;
 409   uflush_r(fd, size);
 410 }
 411
 412 void xml_tree::flush(int fd)
 413 {
 414   uflush_r(fd, print_buffer->size());
 415 }
 416
 417
 418 void xml_tree::uflush_r(int fd, size_t s)
 419 {
 420   if (s == 0) return;
 421   size_t written;
 422   while (1) {
 423     written = write(fd, print_buffer->data(), s);
 424     if ((written < 0) && (errno == EAGAIN || errno == EINTR)){
 425       continue;
 426     };
 427     break;
 428   };
 429   print_buffer->clear();
 430 }
 431
 432 void xml_tree::uput_str(std::string s, int fd)
 433 {
 434   print_buffer->append(s);
 435   uflush(fd);
 436 }
 437 void xml_tree::uputs(const char* s, int fd)
 438 {
 439   print_buffer->append(s);
 440   uflush(fd);
 441 }
 442 void xml_tree::uputc(const char c, int fd)
 443 {
 444   print_buffer->push_back(c);
 445   uflush(fd);
 446 }
 447
 448 const char * xml_tree::get_tag_name_by_ref(xml_tree::tag_t tagid) const
 449 {
 450
 451    unsigned char *s;
 452    if (tagid < 0 || tagid >= tag_names->size())
 453      return "<INVALID TAG>";
 454
 455    return (const char *) (*tag_names)[tagid].c_str();
 456 }
 457
 458 xml_tree::tag_t xml_tree::register_tag(char *s)
 459 {
 460   auto found = tag_ids->find(std::string(s));
 461   if (found == tag_ids->end())
 462     return xml_tree::NIL_TAG_ID;
 463   else
 464     return (*found).second;
 465 }
 466
 467 size_t xml_tree::uprintf(const char*s, int fd)
 468 {
 469      if (s == 0) return 0;
 470      size_t i;
 471      char c;
 472      for (i = 0; (c = s[i]); i++) {
 473        switch (c) {
 474        case '"':
 475          uputs("&quot;", fd);
 476          break;
 477        case '&':
 478          uputs("&amp;", fd);
 479          break;
 480        case '\'':
 481          uputs("&apos;", fd);
 482          break;
 483        case '<':
 484          uputs("&lt;", fd);
 485          break;
 486        case '>':
 487          uputs("&gt;", fd);
 488          break;
 489        default:
 490          uputc(c, fd);
 491
 492        };
 493      };
 494      return i;
 495 }
 496
 497 void xml_tree::print(xml_tree::node_t x, int fd, bool no_text)
 498 {
 499
 500   if (print_buffer == 0) {
 501     print_buffer = new std::string(BUFFER_SIZE, 0);
 502     print_buffer->clear();
 503     print_stack = new std::vector<std::string>();
 504     print_stack->reserve(256);
 505   };
 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 }