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
  99   tag_names = new std::vector<std::string>();
 100   tag_names->resize(tag_ids->size());
 101
 102   std::unordered_map<std::string, tag_t>::iterator val;
 103   for(val = this->tag_ids->begin(); val != this->tag_ids->end(); ++val)
 104     (*tag_names)[val->second] = val->first;
 105
 106   uint32_t max_tag = tag_names->size() - 1;
 107   bit_vector *tmp_bitmap = new bit_vector(npar, 1, 0);
 108   uint32_t * buff;
 109   for(int32_t i = 0; i <= max_tag; i++){
 110     uint32_t ones = 0;
 111     for (size_t k = 0; k < npar; k++){
 112       bool t = (i == (*tags_)[k]);
 113       tmp_bitmap->set(k, t);
 114       ones += t;
 115     };
 116     buff = tmp_bitmap->get_vector_ptr();
 117     this->tags.push_back(new static_bitsequence_sdarray(buff, npar, ones));
 118   }
 119   delete tmp_bitmap;
 120   delete [] buff;
 121
 122
 123   //static_bitsequence_builder *bmb = new static_bitsequence_builder_sdarray();
 124   //alphabet_mapper *am = new alphabet_mapper_none();
 125
 126 //  this->tags = new static_sequence_bs((uint32_t*)&((*tags)[0]), npar, am, bmb);
 127
 128   bits_per_tag = bits8(max_tag);
 129   tag_seq_len = npar;
 130   tag_seq = new uint32_t[uint_len(bits_per_tag, tag_seq_len)];
 131   for(size_t i = 0; i < (size_t) tag_seq_len; i++)
 132     set_field(tag_seq, bits_per_tag, i, (uint32_t) (*tags_)[i]);
 133
 134   delete tags_;
 135
 136   if (disable_tc) {
 137     text_positions = 0;
 138     text_collection = 0;
 139   } else {
 140     textbitmap->pack();
 141     uint32_t * textbm = textbitmap->get_vector_ptr();
 142     text_positions = new static_bitsequence_rrr02(textbm,
 143                                                   npar,
 144                                                   32);
 145     //delete [] textbm;
 146     //delete textbitmap;
 147
 148     this->text_index_type = idx_type;
 149     text_collection = tc_builder->InitTextCollection();
 150     delete tc_builder;
 151   };
 152
 153 }
 154
 155 xml_tree::~xml_tree()
 156 {
 157   bp_delete(par);
 158
 159   for(int i = 0; i < tag_names->size(); i++){
 160     delete tags[i];
 161     tags[i] = 0;
 162   };
 163
 164
 165   delete [] tag_seq;
 166   delete tag_names;
 167   delete tag_ids;
 168   if (text_collection) delete text_collection;
 169   if (text_positions) delete text_positions;
 170 }
 171
 172 bool xml_tree::is_child(xml_tree::node_t x, xml_tree::node_t y) const
 173 {
 174   return !is_leaf(x) && is_ancestor(y, x) && depth(x)+1 == depth(y);
 175 }
 176
 177 uint32_t xml_tree::depth(xml_tree::node_t x) const
 178 {
 179   return bp_depth(this->par, x);
 180 }
 181
 182
 183 uint32_t xml_tree::preorder(xml_tree::node_t x) const
 184 {
 185   return bp_preorder_rank(this->par, x);
 186 }
 187
 188 uint32_t xml_tree::postorder(xml_tree::node_t x) const
 189 {
 190   return bp_postorder_rank(this->par, x);
 191 }
 192
 193 xml_tree::node_t
 194 xml_tree::select_child(xml_tree::node_t x, xml_tree::tag_t *tags) const
 195 {
 196   if (is_nil(x) || is_leaf(x)) return xml_tree::NIL;
 197   xml_tree::node_t child = first_child(x);
 198   if (array_mem(tags, tag(child))) return child;
 199   return select_sibling(child, tags);
 200 }
 201
 202
 203 xml_tree::node_t
 204 xml_tree::select_sibling(xml_tree::node_t x, xml_tree::tag_t *tags) const
 205 {
 206   xml_tree::node_t sibling = next_sibling(x);
 207   xml_tree::tag_t t;
 208   while(!is_nil(sibling)) {
 209     t = tag(sibling);
 210     if (array_mem(tags, t)) return sibling;
 211     sibling = next_sibling(sibling);
 212   };
 213   return sibling;
 214 }
 215
 216
 217 void xml_tree::save(int fd, char* s)
 218 {
 219   FILE* fp;
 220   int fd2 = dup(fd);
 221
 222   fp = fdopen(fd2, "w");
 223
 224   if (fd == 0) throw(std::runtime_error(strerror(errno)));
 225   saveTree(par, fp); //TODO use new api
 226
 227   int ntags = tag_names->size();
 228
 229   ufwrite(&ntags, sizeof(int), 1, fp);
 230   for (int i = 0; i < ntags;i++)
 231     fprintf(fp, "%s\n", tag_names->at(i).c_str());
 232
 233   //tags->save(fp);
 234   for(int i = 0; i < ntags; i++)
 235     tags[i]->save(fp);
 236
 237   ufwrite(&bits_per_tag, sizeof(uint),1,fp);
 238   ufwrite(&tag_seq_len, sizeof(uint),1,fp);
 239   ufwrite(tag_seq, sizeof(uint), uint_len(bits_per_tag, tag_seq_len), fp);
 240
 241   bool disable_tc = text_collection == 0 || text_positions == 0;
 242
 243   ufwrite(&disable_tc, sizeof(bool),1,fp);
 244
 245   if (!disable_tc) {
 246     text_positions->save(fp);
 247     ufwrite(&text_index_type,
 248             sizeof(TextCollectionBuilder::index_type_t),
 249             1, fp);
 250
 251     std::string file(s);
 252     switch (text_index_type){
 253     case TextCollectionBuilder::index_type_default:
 254       file.append("_default");
 255       break;
 256     case TextCollectionBuilder::index_type_swcsa:
 257       file.append("_swcsa");
 258       break;
 259     case TextCollectionBuilder::index_type_rlcsa:
 260       file.append("_rlcsa");
 261       break;
 262     };
 263
 264     text_collection->Save(fp, file.c_str());
 265   };
 266
 267   fflush(fp);
 268   fclose(fp);
 269
 270 }
 271
 272 xml_tree* xml_tree::load(int fd, char* name, bool load_tc, int sf)
 273 {
 274   FILE *fp;
 275   char buffer[1024];
 276
 277   int i;
 278   buffer[1023] = '\0';
 279   fp = fdopen(fd, "r");
 280   xml_tree *tree = new xml_tree();
 281
 282   tree->par = loadTree(fp); //TODO use new api
 283   tree->tag_names = new std::vector<std::string>();
 284   tree->tag_ids = new std::unordered_map<std::string, xml_tree::tag_t>();
 285   std::string s;
 286   int ntags;
 287
 288   ufread(&ntags, sizeof(int), 1, fp);
 289
 290   for (i = 0; i < ntags; i++) {
 291     if (fgets(buffer, 1022, fp) != buffer)
 292       throw std::runtime_error("xml_tree::load: cannot read tag list");
 293     s = buffer;
 294     // remove the trailing \n
 295     s.erase(s.size()-1);
 296     tree->tag_names->push_back(s);
 297     tree->tag_ids->insert(std::make_pair(s,
 298                                          static_cast<xml_tree::tag_t>(i)));
 299
 300   };
 301
 302   for(int i = 0; i < ntags; i++){
 303     tree->tags.push_back(static_bitsequence_sdarray::load(fp));
 304   };
 305
 306   //tree->tags = static_sequence_bs::load(fp);
 307   ufread(&tree->bits_per_tag, sizeof(uint), 1, fp);
 308   fprintf(stderr, "\nBits per tag: %u\n", tree->bits_per_tag);
 309   ufread(&tree->tag_seq_len, sizeof(uint), 1, fp);
 310   size_t size = uint_len(tree->bits_per_tag, tree->tag_seq_len);
 311   tree->tag_seq = new uint[size];
 312   ufread(tree->tag_seq, sizeof(uint), size, fp);
 313
 314   bool disable_tc;
 315   ufread(&disable_tc, sizeof(bool), 1, fp);
 316
 317   if (disable_tc || !load_tc) {
 318     tree->text_positions = 0;
 319     tree->text_collection = 0;
 320   } else {
 321
 322     tree->text_positions = static_bitsequence_rrr02::load(fp);
 323
 324     ufread(&tree->text_index_type,
 325            sizeof(TextCollectionBuilder::index_type_t), 1, fp);
 326
 327     std::string file(name);
 328     switch (tree->text_index_type){
 329     case TextCollectionBuilder::index_type_default:
 330       file.append("_default");
 331       break;
 332     case TextCollectionBuilder::index_type_swcsa:
 333       file.append("_swcsa");
 334       break;
 335     case TextCollectionBuilder::index_type_rlcsa:
 336       file.append("_rlcsa");
 337       break;
 338     };
 339
 340
 341     tree->text_collection =
 342       TextCollection::Load(fp,
 343                            file.c_str(),
 344                            TextCollection::index_mode_default,
 345                            sf);
 346
 347   };
 348   return tree;
 349 }
 350
 351
 352
 353 uint32_t xml_tree::num_children(xml_tree::node_t x) const
 354 {
 355   return bp_degree(par, x);
 356 }
 357
 358 uint32_t xml_tree::child_pos(xml_tree::node_t x) const
 359 {
 360   return bp_child_rank(par, x);
 361 }
 362
 363 xml_tree::node_t xml_tree::child(xml_tree::node_t x, uint32_t i) const
 364 {
 365   if (i < 10) return bp_naive_child(par, x, i);
 366   else bp_child(par, x, i);
 367 }
 368
 369 std::pair<int32_t, int32_t> xml_tree::text_id_range(xml_tree::node_t x) const
 370 {
 371   int32_t i, j;
 372   xml_tree::node_t y = bp_find_close(par, x);
 373   if (x == root())
 374     i = 0;
 375   else
 376     i = text_positions->rank1(x-1);
 377   j = text_positions->rank1(y);
 378 //  fprintf(stderr, "Rank of node %i is %i, rank of closing %i is %i\n", x, i, y, j);
 379   if (i == j)
 380     return std::make_pair(xml_tree::NIL, xml_tree::NIL);
 381   else
 382     return std::make_pair(i, j);
 383 }
 384
 385 int32_t xml_tree::text_id(xml_tree::node_t x) const
 386 {
 387   return (int32_t) text_positions->rank1(x) - 1;
 388 }
 389
 390 unsigned char* xml_tree::get_text(int32_t id) const
 391 {
 392   unsigned char * s = text_collection->GetText(id);
 393   return s + (s[0] == 1);
 394 }
 395
 396 void xml_tree::uflush(int fd)
 397 {
 398   size_t size = print_buffer->size();
 399   if (size < BUFFER_SIZE) return;
 400   uflush_r(fd, size);
 401 }
 402
 403 void xml_tree::flush(int fd)
 404 {
 405   uflush_r(fd, print_buffer->size());
 406 }
 407
 408
 409 void xml_tree::uflush_r(int fd, size_t s)
 410 {
 411   if (s == 0 || print_buffer == 0 || fd <= 0) return;
 412   size_t written;
 413   while (1) {
 414     written = write(fd, print_buffer->data(), s);
 415     if ((written < 0) && (errno == EAGAIN || errno == EINTR)){
 416       continue;
 417     };
 418     break;
 419   };
 420   print_buffer->clear();
 421 }
 422
 423 void xml_tree::uput_str(std::string s, int fd)
 424 {
 425   print_buffer->append(s);
 426   uflush(fd);
 427 }
 428 void xml_tree::uputs(const char* s, int fd)
 429 {
 430   print_buffer->append(s);
 431   uflush(fd);
 432 }
 433 void xml_tree::uputc(const char c, int fd)
 434 {
 435   print_buffer->push_back(c);
 436   uflush(fd);
 437 }
 438
 439 const char * xml_tree::get_tag_name_by_ref(xml_tree::tag_t tagid) const
 440 {
 441    if (tagid < 0 || tagid >= tag_names->size())
 442      return "<INVALID TAG>";
 443
 444    return (*tag_names)[tagid].c_str();
 445 }
 446
 447 xml_tree::tag_t xml_tree::register_tag(char *s)
 448 {
 449   std::unordered_map<std::string, tag_t>::iterator found;
 450   found = tag_ids->find(std::string(s));
 451   if (found == tag_ids->end())
 452     return xml_tree::NIL_TAG_ID;
 453   else
 454     return (*found).second;
 455 }
 456
 457 size_t xml_tree::uprintf(const char*s, int fd)
 458 {
 459      if (s == 0) return 0;
 460      size_t i;
 461      char c;
 462      for (i = 0; (c = s[i]); i++) {
 463        switch (c) {
 464        case '"':
 465          uputs("&quot;", fd);
 466          break;
 467        case '&':
 468          uputs("&amp;", fd);
 469          break;
 470        case '\'':
 471          uputs("&apos;", fd);
 472          break;
 473        case '<':
 474          uputs("&lt;", fd);
 475          break;
 476        case '>':
 477          uputs("&gt;", fd);
 478          break;
 479        default:
 480          uputc(c, fd);
 481
 482        };
 483      };
 484      return i;
 485 }
 486
 487 void xml_tree::print(xml_tree::node_t x, int fd, bool no_text)
 488 {
 489
 490   if (print_buffer == 0) {
 491     print_buffer = new std::string(BUFFER_SIZE, 0);
 492     print_buffer->clear();
 493     print_stack = new std::vector<std::string>();
 494     print_stack->reserve(256);
 495   };
 496
 497   xml_tree::node_t fin = bp_find_close(par, x);
 498   xml_tree::node_t n = x;
 499   xml_tree::tag_t label = tag(n);
 500   unsigned char * orig_text;
 501   unsigned char * current_text;
 502
 503   std::pair<int32_t, int32_t> r = text_id_range(x);
 504   if (r.first == xml_tree::NIL)
 505     current_text = 0;
 506   else {
 507     current_text = text_collection->GetText(r.first, r.second);
 508     current_text += (current_text[0] == 1);
 509   };
 510
 511   //fprintf(stderr, "Printing node %i, tag: %s\n", x, get_tag_name_by_ref(tag(x)));
 512   // fprintf(stderr, "Beggining of text is (%i):%s\n", r.first, current_text);
 513   //fflush(stderr);
 514
 515
 516
 517   orig_text = current_text;
 518
 519   size_t read = 0;
 520
 521   while (n <= fin) {
 522
 523     if (bp_inspect(par, n)) {
 524       if (label == xml_tree::PCDATA_OPEN_TAG_ID){
 525         if (no_text) {
 526           uputs("<$/>", fd);
 527         } else {
 528           read = uprintf( (const char*) current_text, fd);
 529           current_text += read + 1;
 530         };
 531         n += 2; // skip closin $
 532         label = tag(n);
 533       } else {
 534
 535         uputc('<', fd);
 536         uput_str((*tag_names)[label], fd);
 537         n++;
 538         if (bp_inspect(par, n)) {
 539           print_stack->push_back((*tag_names)[label]);
 540           label = tag(n);
 541           if (label == xml_tree::ATTRIBUTE_OPEN_TAG_ID) {
 542             n++;
 543             if (no_text) uputs("><@@>", fd);
 544
 545             while (bp_inspect(par, n))
 546               if (no_text) {
 547                 uputc('<', fd);
 548                 uputs((const char*) &(get_tag_name_by_ref(tag(n))[3]), fd);
 549                 uputc('>', fd);
 550                 uputs("<$@/></", fd);
 551                 uputs((const char*) &(get_tag_name_by_ref(tag(n))[3]), fd);
 552                 uputc('>', fd);
 553                 n += 4;
 554               } else {
 555                 uputc(' ', fd);
 556                 uputs((const char*) &(get_tag_name_by_ref(tag(n))[3]), fd);
 557                 n++;
 558                 uputs("=\"", fd);
 559                 current_text += (current_text[0] == 1);
 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 }
 596
 597
 598 static inline uchar * next_char(uchar *s, size_t &numtexts)
 599 {
 600   uchar c;
 601   s++;
 602   c = *s;
 603   while (c <= 1){
 604     if (c == 0) {
 605       numtexts--;
 606       if (numtexts == 0) return 0;
 607     };
 608     s++;
 609     c = *s;
 610   };
 611   return s;
 612 }
 613
 614 static inline bool naive_char_contains(uchar const *s, uchar c, size_t numtexts)
 615 {
 616   uchar sc;
 617   while(numtexts != 0){
 618     sc = *s;
 619     if (c == sc) return true;
 620     if (sc == 0) numtexts--;
 621     s++;
 622   };
 623   return false;
 624 }
 625
 626 bool xml_tree::naive_contains(xml_tree::node_t n, uchar const *w) const
 627 {
 628   if (w[0] == 0)
 629     return true;
 630   // fprintf(stderr, "Calling naive_contains on node: %i, with tag: %s\n",
 631   //      n,
 632   //      get_tag_name_by_ref(tag(n)));
 633   // fflush(stderr);
 634   std::pair<int32_t, int32_t> range = text_id_range(n);
 635
 636   //pattern is at least one char
 637   if (range.first == xml_tree::NIL)
 638     return false;
 639
 640   uchar * text = this->text_collection->GetText(range.first, range.second);
 641   size_t num_texts =
 642     subtree_tags(n, ATTRIBUTE_DATA_OPEN_TAG_ID) +
 643     subtree_tags(n, PCDATA_OPEN_TAG_ID);
 644
 645   if (w[1] == 0)
 646     return naive_char_contains(text, w[0], num_texts);
 647
 648   //KMP is overkill
 649   uchar * s = text;
 650   uchar * ss;
 651   uchar  const *ww;
 652   size_t nnum_texts;
 653   while (true) {
 654     // fprintf(stderr, "Current char in s: %c, num_texts is: %lu\n", *s, num_texts);
 655     // fflush(stderr);
 656     ss = s;
 657     ww = w;
 658     nnum_texts = num_texts;
 659     while (true){
 660       // fprintf(stderr, "   Current char in w: %c, num_texts is: %lu\n", *ww, num_texts);
 661       // fprintf(stderr, "   Current char in s: %c\n", *ss);
 662       // fflush(stderr);
 663
 664       if (*ww == 0) return true;
 665       if (*ww != *ss) break;
 666       ww++;
 667       ss = next_char(ss, nnum_texts);
 668       if (ss == 0) return (*ww == 0);
 669     };
 670     // fprintf(stderr, "Not found, returning\n");
 671     // fflush(stderr);
 672     // fprintf(stderr, "Current string s is: %s\n", s);
 673     s = next_char(s, num_texts);
 674     if (s == 0) return false;
 675 //    fprintf(stderr, "After next_char, string s is: %s\n", s);
 676 //    fflush(stderr);
 677   };
 678
 679 }