1 | #! /bin/bash |
---|
2 | |
---|
3 | no_of_parts=0 |
---|
4 | part_size=100000 |
---|
5 | |
---|
6 | while [ $# -gt 2 ] |
---|
7 | do |
---|
8 | case $1 |
---|
9 | in |
---|
10 | -p) |
---|
11 | no_of_parts=$2 |
---|
12 | shift 2 |
---|
13 | ;; |
---|
14 | |
---|
15 | *) |
---|
16 | echo "The arguments to use are" |
---|
17 | echo "-p: number of parts" |
---|
18 | shift 1 |
---|
19 | ;; |
---|
20 | esac |
---|
21 | done |
---|
22 | |
---|
23 | if [ $# -lt 2 ] |
---|
24 | then |
---|
25 | echo "Usage:" |
---|
26 | echo " compdic [-p <parts>] <sourcefile> <fst>" |
---|
27 | echo "where" |
---|
28 | echo " <sourcefile> - file containig a list of words, one per line, iso-8859-2 encoded" |
---|
29 | echo " <dict> - file to which the compiled automaton in openfst format will be written" |
---|
30 | exit 0 |
---|
31 | fi |
---|
32 | |
---|
33 | |
---|
34 | source=$1 |
---|
35 | fst=$2 |
---|
36 | |
---|
37 | |
---|
38 | if [ $no_of_parts -eq 0 ] |
---|
39 | then |
---|
40 | no_of_parts=$(( `cat $1 | wc -l` / $part_size + 1 )) |
---|
41 | fi |
---|
42 | |
---|
43 | |
---|
44 | echo number of parts: $no_of_parts |
---|
45 | |
---|
46 | |
---|
47 | tempdir=`mktemp -d /tmp/compdic.XXXXXX` |
---|
48 | |
---|
49 | alphabet=`tempfile -d $tempdir` |
---|
50 | |
---|
51 | cat <<EOF > $alphabet |
---|
52 | <eps> 0 |
---|
53 | a 1 |
---|
54 | A 2 |
---|
55 | ä 3 |
---|
56 | ± 4 |
---|
57 | ¡ 5 |
---|
58 | b 6 |
---|
59 | B 7 |
---|
60 | c 8 |
---|
61 | C 9 |
---|
62 | æ 10 |
---|
63 | Æ 11 |
---|
64 | d 12 |
---|
65 | D 13 |
---|
66 | e 14 |
---|
67 | E 15 |
---|
68 | é 16 |
---|
69 | ê 17 |
---|
70 | Ê 18 |
---|
71 | f 19 |
---|
72 | F 20 |
---|
73 | g 21 |
---|
74 | G 22 |
---|
75 | h 23 |
---|
76 | H 24 |
---|
77 | i 25 |
---|
78 | I 26 |
---|
79 | j 27 |
---|
80 | J 28 |
---|
81 | k 29 |
---|
82 | K 30 |
---|
83 | l 31 |
---|
84 | L 32 |
---|
85 | ³ 33 |
---|
86 | £ 34 |
---|
87 | m 35 |
---|
88 | M 36 |
---|
89 | n 37 |
---|
90 | N 38 |
---|
91 | ñ 39 |
---|
92 | Ñ 40 |
---|
93 | o 41 |
---|
94 | O 42 |
---|
95 | ö 43 |
---|
96 | ó 44 |
---|
97 | Ó 45 |
---|
98 | p 46 |
---|
99 | P 47 |
---|
100 | q 48 |
---|
101 | Q 49 |
---|
102 | r 50 |
---|
103 | R 51 |
---|
104 | s 52 |
---|
105 | S 53 |
---|
106 | ¶ 54 |
---|
107 | Š 55 |
---|
108 | t 56 |
---|
109 | T 57 |
---|
110 | u 58 |
---|
111 | U 59 |
---|
112 | ü 60 |
---|
113 | v 61 |
---|
114 | V 62 |
---|
115 | w 63 |
---|
116 | W 64 |
---|
117 | x 65 |
---|
118 | X 66 |
---|
119 | y 67 |
---|
120 | Y 68 |
---|
121 | z 69 |
---|
122 | Z 70 |
---|
123 | Œ 71 |
---|
124 | ¬ 72 |
---|
125 | ¿ 73 |
---|
126 | ¯ 74 |
---|
127 | 0 75 |
---|
128 | 1 76 |
---|
129 | 2 77 |
---|
130 | 3 78 |
---|
131 | 4 79 |
---|
132 | 5 80 |
---|
133 | 6 81 |
---|
134 | 7 82 |
---|
135 | 8 83 |
---|
136 | 9 84 |
---|
137 | _ 85 |
---|
138 | - 86 |
---|
139 | ? 87 |
---|
140 | ! 88 |
---|
141 | ~ 89 |
---|
142 | ; 90 |
---|
143 | , 91 |
---|
144 | / 92 |
---|
145 | * 93 |
---|
146 | + 94 |
---|
147 | Ö 95 |
---|
148 | EOF |
---|
149 | |
---|
150 | |
---|
151 | no_of_lines=$(( (`cat $source | wc -l` / $no_of_parts) + 1 )) |
---|
152 | |
---|
153 | split -l $no_of_lines $source $tempdir/part. |
---|
154 | |
---|
155 | automaton=$tempdir/output.fst |
---|
156 | |
---|
157 | cat <<EOF | fstcompile --acceptor --isymbols=$alphabet > $automaton |
---|
158 | EOF |
---|
159 | |
---|
160 | n=0 |
---|
161 | |
---|
162 | for f in $tempdir/part.* |
---|
163 | do |
---|
164 | temp1=`tempfile -d $tempdir` |
---|
165 | temp2=`tempfile -d $tempdir` |
---|
166 | temp3=`tempfile -d $tempdir` |
---|
167 | |
---|
168 | n=$(( $n + 1 )) |
---|
169 | echo processing part $n |
---|
170 | |
---|
171 | cat $f |\ |
---|
172 | lst2fstext |\ |
---|
173 | fstcompile --acceptor --isymbols=$alphabet |\ |
---|
174 | fstrmepsilon |\ |
---|
175 | fstdeterminize > $temp1 |
---|
176 | fstminimize $temp1 $temp2 |
---|
177 | |
---|
178 | fstunion $automaton $temp2 | fstrmepsilon | fstdeterminize > $temp3 |
---|
179 | fstminimize $temp3 $automaton |
---|
180 | done |
---|
181 | |
---|
182 | echo generating binary automaton file ... |
---|
183 | |
---|
184 | cat $automaton | fsttopsort > $fst |
---|
185 | rm -r $tempdir |
---|
186 | |
---|
187 | #echo generating cats file ... |
---|
188 | |
---|
189 | #cat $1 | cut -d ',' -f 2 | sort -u > $1.cats |
---|