[555c7f8] | 1 | #! /bin/bash |
---|
| 2 | |
---|
| 3 | no_of_parts=0 |
---|
[acbabee] | 4 | part_size=100000 |
---|
[555c7f8] | 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 [ $no_of_parts -eq 0 ] |
---|
| 39 | then |
---|
[acbabee] | 40 | no_of_parts=$(( `cat $1 | wc -l` / $part_size + 1 )) |
---|
[555c7f8] | 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 > $alphabet |
---|
| 52 | <eps> 0 |
---|
| 53 | a 1 |
---|
| 54 | A 2 |
---|
| 55 | ä 3 |
---|
| 56 | ± 4 |
---|
| 57 | ¡ 5 |
---|
| 58 | b 6 |
---|
| 59 | B 7 |
---|
| 60 | c 8 |
---|
| 61 | C 9 |
---|
| 62 | æ 10 |
---|
| 63 | Æ 11 |
---|
| 64 | d 12 |
---|
| 65 | D 13 |
---|
| 66 | e 14 |
---|
| 67 | E 15 |
---|
| 68 | é 16 |
---|
| 69 | ê 17 |
---|
| 70 | Ê 18 |
---|
| 71 | f 19 |
---|
| 72 | F 20 |
---|
| 73 | g 21 |
---|
| 74 | G 22 |
---|
| 75 | h 23 |
---|
| 76 | H 24 |
---|
| 77 | i 25 |
---|
| 78 | I 26 |
---|
| 79 | j 27 |
---|
| 80 | J 28 |
---|
| 81 | k 29 |
---|
| 82 | K 30 |
---|
| 83 | l 31 |
---|
| 84 | L 32 |
---|
| 85 | ³ 33 |
---|
| 86 | £ 34 |
---|
| 87 | m 35 |
---|
| 88 | M 36 |
---|
| 89 | n 37 |
---|
| 90 | N 38 |
---|
| 91 | ñ 39 |
---|
| 92 | Ñ 40 |
---|
| 93 | o 41 |
---|
| 94 | O 42 |
---|
| 95 | ö 43 |
---|
| 96 | ó 44 |
---|
| 97 | Ó 45 |
---|
| 98 | p 46 |
---|
| 99 | P 47 |
---|
| 100 | q 48 |
---|
| 101 | Q 49 |
---|
| 102 | r 50 |
---|
| 103 | R 51 |
---|
| 104 | s 52 |
---|
| 105 | S 53 |
---|
| 106 | ¶ 54 |
---|
| 107 | Š 55 |
---|
| 108 | t 56 |
---|
| 109 | T 57 |
---|
| 110 | u 58 |
---|
| 111 | U 59 |
---|
| 112 | ü 60 |
---|
| 113 | v 61 |
---|
| 114 | V 62 |
---|
| 115 | w 63 |
---|
| 116 | W 64 |
---|
| 117 | x 65 |
---|
| 118 | X 66 |
---|
| 119 | y 67 |
---|
| 120 | Y 68 |
---|
| 121 | z 69 |
---|
| 122 | Z 70 |
---|
| 123 | Œ 71 |
---|
| 124 | ¬ 72 |
---|
| 125 | ¿ 73 |
---|
| 126 | ¯ 74 |
---|
| 127 | 0 75 |
---|
| 128 | 1 76 |
---|
| 129 | 2 77 |
---|
| 130 | 3 78 |
---|
| 131 | 4 79 |
---|
| 132 | 5 80 |
---|
| 133 | 6 81 |
---|
| 134 | 7 82 |
---|
| 135 | 8 83 |
---|
| 136 | 9 84 |
---|
| 137 | _ 85 |
---|
| 138 | - 86 |
---|
| 139 | ? 87 |
---|
| 140 | ! 88 |
---|
| 141 | ~ 89 |
---|
| 142 | ; 90 |
---|
| 143 | , 91 |
---|
| 144 | / 92 |
---|
| 145 | * 93 |
---|
| 146 | + 94 |
---|
[f600a02] | 147 | Ö 95 |
---|
[555c7f8] | 148 | EOF |
---|
| 149 | |
---|
| 150 | |
---|
| 151 | no_of_lines=$(( (`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 |
---|