[555c7f8] | 1 | #! /bin/bash |
---|
| 2 | |
---|
| 3 | no_of_parts=0 |
---|
| 4 | |
---|
| 5 | while [ $# -gt 2 ] |
---|
| 6 | do |
---|
| 7 | case $1 |
---|
| 8 | in |
---|
| 9 | -p) |
---|
| 10 | no_of_parts=$2 |
---|
| 11 | shift 2 |
---|
| 12 | ;; |
---|
| 13 | |
---|
| 14 | *) |
---|
| 15 | echo "The arguments to use are" |
---|
| 16 | echo "-p: number of parts" |
---|
| 17 | shift 1 |
---|
| 18 | ;; |
---|
| 19 | esac |
---|
| 20 | done |
---|
| 21 | |
---|
| 22 | if [ $# -lt 2 ] |
---|
| 23 | then |
---|
| 24 | echo "Usage:" |
---|
| 25 | echo " compdic [-p <parts>] <sourcefile> <fst>" |
---|
| 26 | echo "where" |
---|
| 27 | echo " <sourcefile> - file containig a list of words, one per line, iso-8859-2 encoded" |
---|
| 28 | echo " <dict> - file to which the compiled automaton in openfst format will be written" |
---|
| 29 | exit 0 |
---|
| 30 | fi |
---|
| 31 | |
---|
| 32 | |
---|
| 33 | source=$1 |
---|
| 34 | fst=$2 |
---|
| 35 | |
---|
| 36 | |
---|
| 37 | if [ $no_of_parts -eq 0 ] |
---|
| 38 | then |
---|
| 39 | no_of_parts=$(( `cat $1 | wc -l` / 75000 + 1 )) |
---|
| 40 | fi |
---|
| 41 | |
---|
| 42 | |
---|
| 43 | echo number of parts: $no_of_parts |
---|
| 44 | |
---|
| 45 | |
---|
| 46 | tempdir=`mktemp -d /tmp/compdic.XXXXXX` |
---|
| 47 | |
---|
| 48 | alphabet=`tempfile -d $tempdir` |
---|
| 49 | |
---|
| 50 | cat <<EOF > $alphabet |
---|
| 51 | <eps> 0 |
---|
| 52 | a 1 |
---|
| 53 | A 2 |
---|
| 54 | ä 3 |
---|
| 55 | ± 4 |
---|
| 56 | ¡ 5 |
---|
| 57 | b 6 |
---|
| 58 | B 7 |
---|
| 59 | c 8 |
---|
| 60 | C 9 |
---|
| 61 | æ 10 |
---|
| 62 | Æ 11 |
---|
| 63 | d 12 |
---|
| 64 | D 13 |
---|
| 65 | e 14 |
---|
| 66 | E 15 |
---|
| 67 | é 16 |
---|
| 68 | ê 17 |
---|
| 69 | Ê 18 |
---|
| 70 | f 19 |
---|
| 71 | F 20 |
---|
| 72 | g 21 |
---|
| 73 | G 22 |
---|
| 74 | h 23 |
---|
| 75 | H 24 |
---|
| 76 | i 25 |
---|
| 77 | I 26 |
---|
| 78 | j 27 |
---|
| 79 | J 28 |
---|
| 80 | k 29 |
---|
| 81 | K 30 |
---|
| 82 | l 31 |
---|
| 83 | L 32 |
---|
| 84 | ³ 33 |
---|
| 85 | £ 34 |
---|
| 86 | m 35 |
---|
| 87 | M 36 |
---|
| 88 | n 37 |
---|
| 89 | N 38 |
---|
| 90 | ñ 39 |
---|
| 91 | Ñ 40 |
---|
| 92 | o 41 |
---|
| 93 | O 42 |
---|
| 94 | ö 43 |
---|
| 95 | ó 44 |
---|
| 96 | Ó 45 |
---|
| 97 | p 46 |
---|
| 98 | P 47 |
---|
| 99 | q 48 |
---|
| 100 | Q 49 |
---|
| 101 | r 50 |
---|
| 102 | R 51 |
---|
| 103 | s 52 |
---|
| 104 | S 53 |
---|
| 105 | ¶ 54 |
---|
| 106 | Š 55 |
---|
| 107 | t 56 |
---|
| 108 | T 57 |
---|
| 109 | u 58 |
---|
| 110 | U 59 |
---|
| 111 | ü 60 |
---|
| 112 | v 61 |
---|
| 113 | V 62 |
---|
| 114 | w 63 |
---|
| 115 | W 64 |
---|
| 116 | x 65 |
---|
| 117 | X 66 |
---|
| 118 | y 67 |
---|
| 119 | Y 68 |
---|
| 120 | z 69 |
---|
| 121 | Z 70 |
---|
| 122 | Œ 71 |
---|
| 123 | ¬ 72 |
---|
| 124 | ¿ 73 |
---|
| 125 | ¯ 74 |
---|
| 126 | 0 75 |
---|
| 127 | 1 76 |
---|
| 128 | 2 77 |
---|
| 129 | 3 78 |
---|
| 130 | 4 79 |
---|
| 131 | 5 80 |
---|
| 132 | 6 81 |
---|
| 133 | 7 82 |
---|
| 134 | 8 83 |
---|
| 135 | 9 84 |
---|
| 136 | _ 85 |
---|
| 137 | - 86 |
---|
| 138 | ? 87 |
---|
| 139 | ! 88 |
---|
| 140 | ~ 89 |
---|
| 141 | ; 90 |
---|
| 142 | , 91 |
---|
| 143 | / 92 |
---|
| 144 | * 93 |
---|
| 145 | + 94 |
---|
[f600a02] | 146 | Ö 95 |
---|
[555c7f8] | 147 | EOF |
---|
| 148 | |
---|
| 149 | |
---|
| 150 | no_of_lines=$(( (`cat $source | wc -l` / $no_of_parts) + 1 )) |
---|
| 151 | |
---|
| 152 | split -l $no_of_lines $source $tempdir/part. |
---|
| 153 | |
---|
| 154 | automaton=$tempdir/output.fst |
---|
| 155 | |
---|
| 156 | cat <<EOF | fstcompile --acceptor --isymbols=$alphabet > $automaton |
---|
| 157 | EOF |
---|
| 158 | |
---|
| 159 | n=0 |
---|
| 160 | |
---|
| 161 | for f in $tempdir/part.* |
---|
| 162 | do |
---|
| 163 | temp1=`tempfile -d $tempdir` |
---|
| 164 | temp2=`tempfile -d $tempdir` |
---|
| 165 | temp3=`tempfile -d $tempdir` |
---|
| 166 | |
---|
| 167 | n=$(( $n + 1 )) |
---|
| 168 | echo processing part $n |
---|
| 169 | |
---|
| 170 | cat $f |\ |
---|
| 171 | lst2fstext |\ |
---|
| 172 | fstcompile --acceptor --isymbols=$alphabet |\ |
---|
| 173 | fstrmepsilon |\ |
---|
| 174 | fstdeterminize > $temp1 |
---|
| 175 | fstminimize $temp1 $temp2 |
---|
| 176 | |
---|
| 177 | fstunion $automaton $temp2 | fstrmepsilon | fstdeterminize > $temp3 |
---|
| 178 | fstminimize $temp3 $automaton |
---|
| 179 | done |
---|
| 180 | |
---|
| 181 | echo generating binary automaton file ... |
---|
| 182 | |
---|
| 183 | cat $automaton | fsttopsort > $fst |
---|
| 184 | rm -r $tempdir |
---|
| 185 | |
---|
| 186 | #echo generating cats file ... |
---|
| 187 | |
---|
| 188 | #cat $1 | cut -d ',' -f 2 | sort -u > $1.cats |
---|