source: src/compdic_utf8/compdic

Last change on this file was e7de6cc, checked in by Tomasz Obrebski <to@…>, 13 years ago

new version of dgp
added dgc, tre and compdic components
compiledic renamed to compdic_utf8
./configure updated

  • Property mode set to 100755
File size: 5.2 KB
Line 
1#! /usr/bin/env perl
2
3#package:       UAM Text Tools
4#component:     compiledic
5#version:       1.3
6#author:        Tomasz Obrebski
7#author:        Krzysztof Szarzyñski (2012 migration to OpenFST format)
8
9use utf8;
10
11use strict;
12use locale;
13use File::HomeDir;
14use File::Basename;
15use File::Temp;
16use File::Copy;
17use Getopt::Long;
18
19
20
21my $linesPerFile = 20000;
22
23
24
25Getopt::Long::Configure('no_ignore_case_always');
26my $help=0;
27GetOptions("help|h" => \$help);
28
29if($help)
30{
31    print <<'END'
32Usage: compiledic dictionaryfile.dic
33
34The dictionary file must be UTF8 without Byte Order Mark (BOM).
35To remove BOM see removeBom.sh
36
37Options:
38   --help -h                      Help.
39END
40;
41    exit 0;
42}
43
44##################################################
45
46@ARGV > 0   or die("Source dictionary not given.\n");
47
48my $file = shift;
49
50-f $file or die("Source dictionary not found.\n");
51
52$file =~ /(.*)\.dic/ or die("The input file must have .dic extension.\n");
53
54my $filenameprefix = $1;
55
56##################################################
57
58# Tworzymy katalog tymczasowy, gdzie wszystko bedzie umieszczane.
59my $tmp_root = File::Temp::tempdir( CLEANUP => 1 );
60print "Using temp dir: $tmp_root\n";
61
62
63##################################################
64# Tworzymy tabele symboli:
65print "Generating the symbols table\t\t";
66`python ./symbols.py > $tmp_root/symbols`;# or die "Failed!\n";
67print "OK\n";
68
69
70##################################################
71# Dzielenie pliku slownika:
72print "Dividing the dictionary file\t\t";
73
74open(IN, $file);
75
76my $lineCount = 0;
77my $fileCount = 0;
78
79open(FILE, ">$tmp_root/slo_$fileCount");
80
81while (<IN>) {
82    if (++$lineCount >= $linesPerFile) {
83        $fileCount++;
84        $lineCount = 0;
85        close(FILE);
86        open(FILE, ">$tmp_root/slo_".$fileCount);
87    }
88    print(FILE $_);
89}
90print "OK\n";
91
92##################################################
93# Budujemy male automaty:
94print "Building partial automata";
95
96#32 kropki, fileCount plikow
97my $filesPerDot = $fileCount/32;
98my $files=$filesPerDot;
99my $dots=0;
100
101for (my $i=0; $i<=$fileCount; $i++) {
102
103    if ($files >= $filesPerDot) {
104        $files = 0;
105        print ".";
106        $dots++;
107    }
108    $files++;
109    `python text2fst.py < $tmp_root/slo_$i > $tmp_root/slownik_$i.fst`;
110     #`fstcompile --acceptor $tmp_root/slownik_$i.fst $tmp_root/slownikC_$i.fst`;
111     `fstcompile --acceptor --isymbols=$tmp_root/symbols $tmp_root/slownik_$i.fst $tmp_root/slownikC_$i.fst`;
112     move("$tmp_root/slownikC_$i.fst", "$tmp_root/slownik_$i.bin") or die "Cant create slownik_$i.bin\n";
113}
114if ($dots < 32) {
115    for (my $i=0; $i<32 - $dots; $i++) {
116        print ".";
117    }
118}
119
120print "OK\n";
121
122##################################################
123# Usuwamy czesci slownika:
124print "Deleteing $tmp_root/slo_ text files\t\t";
125unlink <$tmp_root/slo_*> or die "Faiiled\n";
126print "OK\n";
127
128
129##################################################
130# Budowanie koncowego automatu:
131print "Building final automaton";
132
133#35 kropek...
134my $ndots=33;
135$filesPerDot = $fileCount/$ndots;
136$files=$filesPerDot;
137$dots=0;
138
139
140my $out_fst = "slownik.bin";
141my $tmp_fst = "slownik_T.bin";
142
143
144######################################################################
145# Budowanie jednego automatu
146######################################################################
147move("$tmp_root/slownik_0.bin", "$tmp_root/$out_fst") or die "Failed to move slownik_0.bin -> $out_fst\n";
148for (my $i=1; $i<=$fileCount; $i++) {
149
150    if ($files >= $filesPerDot) {
151        $files = 0;
152        print ".";
153        $dots++;
154    }
155    $files++;
156    `fstunion $tmp_root/$out_fst $tmp_root/slownik_$i.bin $tmp_root/$tmp_fst`;
157    move("$tmp_root/$tmp_fst", "$tmp_root/$out_fst") or die "Failed at union: slownik_$i\n";
158    `fstrmepsilon $tmp_root/$out_fst $tmp_root/$tmp_fst`;
159    move("$tmp_root/$tmp_fst", "$tmp_root/$out_fst") or die "Failed at rmepsilon: slownik_$i\n";
160    `fstdeterminize $tmp_root/$out_fst $tmp_root/$tmp_fst`;
161    move("$tmp_root/$tmp_fst", "$tmp_root/$out_fst") or die "Failed at minimization: slownik_$i\n";
162    `fstminimize $tmp_root/$out_fst $tmp_root/$tmp_fst`;
163   
164
165    move("$tmp_root/$tmp_fst", "$tmp_root/$out_fst") || die "Unable to move $tmp_root/$tmp_fst -> $out_fst!\n";
166 
167}
168
169if ($dots < $ndots) {
170    for (my $i=0; $i<$ndots - $dots; $i++) {
171        print ".";
172    }
173}
174
175print "OK\n";
176
177
178
179######################################################################
180# Minimalizacja automatu:
181######################################################################
182print "removing epsilon-transitions\t\t";
183`fstrmepsilon $tmp_root/$out_fst $tmp_root/$tmp_fst`;
184move("$tmp_root/$tmp_fst", "$tmp_root/$out_fst") or die "Failed\n";
185print "OK\n";
186
187print "determinizing automaton\t\t";
188`fstdeterminize $tmp_root/$out_fst $tmp_root/$tmp_fst`;
189move("$tmp_root/$tmp_fst", "$tmp_root/$out_fst") or die "Failed\n";
190print "OK\n";
191
192print "minimizing automaton\t\t";
193`fstminimize $tmp_root/$out_fst $tmp_root/$tmp_fst`;
194move("$tmp_root/$tmp_fst", "$tmp_root/$out_fst") or die "Failed\n";
195print "OK\n";
196
197
198
199
200print "moving the FST to compiledic directory\t\t";
201use Cwd;
202my $workdir = getcwd($0);
203move("$tmp_root/$out_fst", "$workdir/dictionary.bin") or die "Failed\n";
204print "OK\n";
205
206########################################################
207# Sprzatanie:
208print "removing temporary files\t\t";
209
210unlink <$tmp_root/*> or die "Failed\nCan't delete contents of $tmp_root \n";
211unlink ($tmp_root);
212print "OK\n";
213
214print "Finished!\n";
Note: See TracBrowser for help on using the repository browser.