00001
00002
00003
00004
00005
00006
00007
00008
00009
00010
00011
00012
00013
00014
00015
00016
00017
00018
00019
00020 #include <config.h>
00021
00022 #include "index_utils.h"
00023
00024 #include "stringutils.h"
00025
00026 #include <algorithm>
00027 #include <cstring>
00028 #include <fstream>
00029
00030 #include "safeerrno.h"
00031
00032 using namespace std;
00033
00035 static string
00036 get_paragraph(istream &input)
00037 {
00038 string para, line;
00039 while (true) {
00040 getline(input, line);
00041 if (find_if(line.begin(), line.end(), C_isnotspace) == line.end())
00042 return para;
00043 para += line;
00044 para += '\n';
00045 }
00046 }
00047
00048 Xapian::Document
00049 FileIndexer::next()
00050 {
00051 if (input.eof()) next_file();
00052
00053 Xapian::Stem stemmer("english");
00054
00055 Xapian::Document doc;
00056 string para = get_paragraph(input);
00057 doc.set_data(para);
00058
00059
00060
00061 string value0("X\0\0\0 \1\t"
00062 "\x00\x01\x02\x03\x04\x05\x06\x07\x08\x09\x0a\x0b\x0c\x0d\x0e\x0f"
00063 "\x10\x11\x12\x13\x14\x15\x16\x17\x18\x19\x1a\x1b\x1c\x1d\x1e\x1f"
00064 "\x20\x21\x22\x23\x24\x25\x26\x27\x28\x29\x2a\x2b\x2c\x2d\x2e\x2f"
00065 "\x30\x31\x32\x33\x34\x35\x36\x37\x38\x39\x3a\x3b\x3c\x3d\x3e\x3f"
00066 "\x40\x41\x42\x43\x44\x45\x46\x47\x48\x49\x4a\x4b\x4c\x4d\x4e\x4f"
00067 "\x50\x51\x52\x53\x54\x55\x56\x57\x58\x59\x5a\x5b\x5c\x5d\x5e\x5f"
00068 "\x60\x61\x62\x63\x64\x65\x66\x67\x68\x69\x6a\x6b\x6c\x6d\x6e\x6f"
00069 "\x70\x71\x72\x73\x74\x75\x76\x77\x78\x79\x7a\x7b\x7c\x7d\x7e\x7f"
00070 "\x80\x81\x82\x83\x84\x85\x86\x87\x88\x89\x8a\x8b\x8c\x8d\x8e\x8f"
00071 "\x90\x91\x92\x93\x94\x95\x96\x97\x98\x99\x9a\x9b\x9c\x9d\x9e\x9f"
00072 "\xa0\xa1\xa2\xa3\xa4\xa5\xa6\xa7\xa8\xa9\xaa\xab\xac\xad\xae\xaf"
00073 "\xb0\xb1\xb2\xb3\xb4\xb5\xb6\xb7\xb8\xb9\xba\xbb\xbc\xbd\xbe\xbf"
00074 "\xc0\xc1\xc2\xc3\xc4\xc5\xc6\xc7\xc8\xc9\xca\xcb\xcc\xcd\xce\xcf"
00075 "\xd0\xd1\xd2\xd3\xd4\xd5\xd6\xd7\xd8\xd9\xda\xdb\xdc\xdd\xde\xdf"
00076 "\xe0\xe1\xe2\xe3\xe4\xe5\xe6\xe7\xe8\xe9\xea\xeb\xec\xed\xee\xef"
00077 "\xf0\xf1\xf2\xf3\xf4\xf5\xf6\xf7\xf8\xf9\xfa\xfb\xfc\xfd\xfe\xff",
00078 7 + 256);
00079 if (para.size() > 2) value0[0] = para[2];
00080 value0 += para;
00081 doc.add_value(0, value0);
00082
00083 for (Xapian::valueno i = min(para.length(), size_t(10)); i >= 1; --i) {
00084 doc.add_value(i, para.substr(i, 1));
00085 }
00086
00087 doc.add_value(11, Xapian::sortable_serialise(para.size()));
00088
00089
00090 doc.add_value(12, Xapian::sortable_serialise(para.size() % 5));
00091
00092
00093 doc.add_value(13, para.substr(0, 3));
00094
00095 Xapian::termcount pos = 0;
00096 string::const_iterator word_end = para.begin();
00097
00098 const string::const_iterator para_end = para.end();
00099 while (word_end != para_end) {
00100 string::const_iterator word_start;
00101 word_start = find_if(word_end, para_end, C_isnotspace);
00102 word_end = find_if(word_start, para_end, C_isspace);
00103 string word = stemmer(munge_term(string(word_start, word_end)));
00104 if (!word.empty()) doc.add_posting(word, ++pos);
00105 }
00106
00107 return doc;
00108 }
00109
00110
00111 string
00112 munge_term(const string &term)
00113 {
00114 string result;
00115 for (string::const_iterator i = term.begin(); i != term.end(); ++i) {
00116 char ch = *i;
00117 if (C_isalnum(ch))
00118 result += C_tolower(ch);
00119 else if (ch == '\\') {
00120 ++i;
00121 if (i != term.end()) {
00122 switch (*i) {
00123 case '\\': ch = '\\'; break;
00124 case '0': ch = '\0'; break;
00125 case 'n': ch = '\n'; break;
00126 case 'r': ch = '\r'; break;
00127 case 't': ch = '\t'; break;
00128 case 'x': {
00129
00130 if (size_t(i - term.begin()) >= term.size() - 2) {
00131 --i;
00132 break;
00133 }
00134 string::const_iterator j = i;
00135 char b = *++i;
00136 char c = *++i;
00137 if (!C_isxdigit(b) || !C_isxdigit(c)) {
00138 i = j - 1;
00139 break;
00140 }
00141 if (C_isdigit(b)) {
00142 ch = b - '0';
00143 } else {
00144 ch = C_tolower(b) - 'a' + 10;
00145 }
00146 ch *= 16;
00147 if (C_isdigit(c)) {
00148 ch |= c - '0';
00149 } else {
00150 ch |= C_tolower(c) - 'a' + 10;
00151 }
00152 break;
00153 }
00154 }
00155 }
00156 result += ch;
00157 }
00158 }
00159 return result;
00160 }
00161
00162 void
00163 FileIndexer::next_file()
00164 {
00165 if (input.is_open()) {
00166 input.close();
00167
00168 input.clear();
00169 }
00170
00171
00172 while (file != end && (*file).empty()) {
00173 ++file;
00174 }
00175 if (file == end) return;
00176
00177 string filename;
00178 if (!datadir.empty()) {
00179 filename = datadir;
00180 if (!endswith(datadir, '/')) filename += '/';
00181 }
00182 filename += *file++;
00183 filename += ".txt";
00184
00185 input.open(filename.c_str());
00186
00187 if (!input.is_open()) {
00188 string msg = "Can't read file '";
00189 msg += filename;
00190 msg += "' for indexing (";
00191 msg += strerror(errno);
00192 msg += ')';
00193 throw msg;
00194 }
00195 }