Subversion Repositories mkgmap

Rev

Rev 3408 | Blame | Compare with Previous | Last modification | View Log | RSS feed

/*
 * Copyright (C) 2010, 2011.
 *
 * This program is free software; you can redistribute it and/or modify
 * it under the terms of the GNU General Public License version 3 or
 * version 2 as published by the Free Software Foundation.
 *
 * This program is distributed in the hope that it will be useful, but
 * WITHOUT ANY WARRANTY; without even the implied warranty of
 * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
 * General Public License for more details.
 */


package uk.me.parabola.imgfmt.app.srt;

import java.nio.ByteBuffer;
import java.nio.CharBuffer;
import java.nio.charset.CharacterCodingException;
import java.nio.charset.Charset;
import java.nio.charset.CharsetEncoder;
import java.nio.charset.CodingErrorAction;
import java.text.CollationKey;
import java.text.Collator;
import java.util.ArrayList;
import java.util.Iterator;
import java.util.List;
import java.util.Map;

import uk.me.parabola.imgfmt.ExitException;
import uk.me.parabola.imgfmt.app.Label;

/**
 * Represents the sorting positions for all the characters in a codepage.
 *
 * A map contains a file that determines how the characters are to be sorted. So we
 * have to have to be able to create such a file and sort with exactly the same rules
 * as is contained in it.
 *
 * What about the java {@link java.text.RuleBasedCollator}? It turns out that it is possible to
 * make it work in the way we need it to, although it doesn't help with creating the srt file.
 * Also it is significantly slower than this implementation, so this one is staying. I also
 * found that sorting with the sort keys and the collator gave different results in some
 * cases. This implementation does not.
 *
 * Be careful when benchmarking. With small lists (< 10000 entries) repeated runs cause some
 * pretty aggressive optimisation to kick in. This tends to favour this implementation which has
 * much tighter loops that the java7 or ICU implementations, but this may not be realised with
 * real workloads.
 *
 * @author Steve Ratcliffe
 */

public class Sort {
        private static final byte[] ZERO_KEY = new byte[4];
        private static final Integer NO_ORDER = 0;

        private int codepage;
        private int id1; // Unknown - identifies the sort
        private int id2; // Unknown - identifies the sort

        private String description;
        private Charset charset;

        private final Page[] pages = new Page[256];

        private final List<CodePosition> expansions = new ArrayList<>();
        private int maxExpSize = 1;

        private CharsetEncoder encoder;
        private boolean multi;
        private int maxPage;

        public Sort() {
                pages[0] = new Page();
        }

        public void add(int ch, int primary, int secondary, int tertiary, int flags) {
                ensurePage(ch >>> 8);
                if (getPrimary(ch) != 0)
                        throw new ExitException(String.format("Repeated primary index 0x%x", ch & 0xff));
                setPrimary (ch, primary);
                setSecondary(ch, secondary);
                setTertiary( ch, tertiary);

                setFlags(ch, flags);
        }

        /**
         * Run after all sorting order points have been added.
         *
         * Make sure that all tertiary values of secondary ignorable are greater
         * than any normal tertiary value.
         *
         * And the same for secondaries on primary ignorable.
         */

        public void finish() {
                int maxSecondary = 0;
                int maxTertiary = 0;
                for (Page p : pages) {
                        if (p == null)
                                continue;

                        for (int i = 0; i < 256; i++) {
                                if (((p.flags[i] >>> 4) & 0x3) == 0) {
                                        if (p.getPrimary(i) != 0) {
                                                byte second = p.getSecondary(i);
                                                maxSecondary = Math.max(maxSecondary, second);
                                                if (second != 0) {
                                                        maxTertiary = Math.max(maxTertiary, p.getTertiary(i));
                                                }
                                        }
                                }
                        }
                }

                for (Page p : pages) {
                        if (p == null)
                                continue;

                        for (int i = 0; i < 256; i++) {
                                if (((p.flags[i] >>> 4) & 0x3) != 0) continue;

                                if (p.getPrimary(i) == 0) {
                                        if (p.getSecondary(i) == 0) {
                                                if (p.getTertiary(i) != 0) {
                                                        p.setTertiary(i, p.getTertiary(i) + maxTertiary);
                                                }
                                        } else {
                                                p.setSecondary(i, p.getSecondary(i) + maxSecondary);
                                        }
                                }
                        }
                }
        }

        /**
         * Return a table indexed by a character value in the target codepage, that gives the complete sort
         * position of the character.
         *
         * This is only used for testing.
         *
         * @return A table of sort positions.
         */

        public char[] getSortPositions() {
                char[] tab = new char[256];

                for (int i = 1; i < 256; i++) {
                        tab[i] = (char) (((getPrimary(i) << 8) & 0xff00) | ((getSecondary(i) << 4) & 0xf0) | (getTertiary(i) & 0xf));
                }

                return tab;
        }

        /**
         * Create a sort key for a given unicode string.  The sort key can be compared instead of the original strings
         * and will compare based on the sorting represented by this Sort class.
         *
         * Using a sort key is more efficient if many comparisons are being done (for example if you are sorting a
         * list of strings).
         *
         * @param object This is saved in the sort key for later retrieval and plays no part in the sorting.
         * @param s The string for which the sort key is to be created.
         * @param second Secondary sort key.
         * @param cache A cache for the created keys. This is for saving memory so it is essential that this
         * is managed by the caller.
         * @return A sort key.
         */

        public <T> SortKey<T> createSortKey(T object, String s, int second, Map<String, byte[]> cache) {
                // If there is a cache then look up and return the key.
                // This is primarily for memory management, not for speed.
                byte[] key;
                if (cache != null) {
                        key = cache.get(s);
                        if (key != null)
                                return new SrtSortKey<>(object, key, second);
                }

                try {
                        char[] chars;
                        if (isMulti()) {
                                chars = s.toCharArray();
                        } else {
                                ByteBuffer out = encoder.encode(CharBuffer.wrap(s));
                                byte[] bval = out.array();
                                chars = new char[bval.length];
                                for (int i = 0; i < bval.length; i++)
                                        chars[i] = (char) (bval[i] & 0xff);
                        }

                        // In theory you could have a string where every character expands into maxExpSize separate characters
                        // in the key.  However if we allocate enough space to deal with the worst case, then we waste a
                        // vast amount of memory. So allocate a minimal amount of space, try it and if it fails reallocate the
                        // maximum amount.
                        //
                        // We need +1 for the null bytes, we also +2 for a couple of expanded characters. For a complete
                        // german map this was always enough in tests.
                        key = new byte[(chars.length + 1 + 2) * 4];
                        try {
                                fillCompleteKey(chars, key);
                        } catch (ArrayIndexOutOfBoundsException e) {
                                // Ok try again with the max possible key size allocated.
                                key = new byte[(chars.length+1) * 4 * maxExpSize];
                                fillCompleteKey(chars, key);
                        }

                        if (cache != null)
                                cache.put(s, key);

                        return new SrtSortKey<>(object, key, second);
                } catch (CharacterCodingException e) {
                        return new SrtSortKey<>(object, ZERO_KEY);
                }
        }

        /**
         * Create a sort key based on a Label.
         *
         * The label will contain the actual characters (after transliteration for example)
         * @param object This is saved in the sort key for later retrieval and plays no part in the sorting.
         * @param label The label, the actual written bytes/chars will be used as input to the sort.
         * @param second Secondary sort key.
         * @param cache A cache for the created keys. This is for saving memory so it is essential that this
         * is managed by the caller.
         * @return A sort key.
         */

        public <T> SortKey<T> createSortKey(T object, Label label, int second, Map<Label, byte[]> cache) {
                byte[] key;
                if (cache != null) {
                        key = cache.get(label);
                        if (key != null)
                                return new SrtSortKey<>(object, key, second);
                }

                char[] encText = label.getEncText();

                // In theory you could have a string where every character expands into maxExpSize separate characters
                // in the key.  However if we allocate enough space to deal with the worst case, then we waste a
                // vast amount of memory. So allocate a minimal amount of space, try it and if it fails reallocate the
                // maximum amount.
                //
                // We need +1 for the null bytes, we also +2 for a couple of expanded characters. For a complete
                // german map this was always enough in tests.
                key = new byte[(encText.length + 1 + 2) * 4];
                try {
                        fillCompleteKey(encText, key);
                } catch (ArrayIndexOutOfBoundsException e) {
                        // Ok try again with the max possible key size allocated.
                        key = new byte[encText.length * 4 * maxExpSize + 4];
                        fillCompleteKey(encText, key);
                }

                if (cache != null)
                        cache.put(label, key);

                return new SrtSortKey<>(object, key, second);
        }

        /**
         * Convenient version of create sort key method.
         * @see #createSortKey(Object, String, int, Map)
         */

        public <T> SortKey<T> createSortKey(T object, String s, int second) {
                return createSortKey(object, s, second, null);
        }

        /**
         * Convenient version of create sort key method.
         *
         * @see #createSortKey(Object, String, int, Map)
         */

        public <T> SortKey<T> createSortKey(T object, String s) {
                return createSortKey(object, s, 0, null);
        }

        public <T> SortKey<T> createSortKey(T object, Label label) {
                return createSortKey(object, label, 0, null);
        }

        public <T> SortKey<T> createSortKey(T object, Label label, int second) {
                return createSortKey(object, label, second, null);
        }

        /**
         * Fill in the key from the given byte string.
         *
         * @param bVal The string for which we are creating the sort key.
         * @param key The sort key. This will be filled in.
         */

        private void fillCompleteKey(char[] bVal, byte[] key) {
                int start = fillKey(Collator.PRIMARY, bVal, key, 0);
                start = fillKey(Collator.SECONDARY, bVal, key, start);
                fillKey(Collator.TERTIARY, bVal, key, start);
        }

        /**
         * Fill in the output key for a given strength.
         *
         * @param input The input string in a particular 8 bit codepage.
         * @param outKey The output sort key.
         * @param start The index into the output key to start at.
         * @return The next position in the output key.
         */

        private int fillKey(int type, char[] input, byte[] outKey, int start) {
                int index = start;
                for (char c : input) {

                        if (!hasPage(c >>> 8))
                                continue;

                        int exp = (getFlags(c) >> 4) & 0x3;
                        if (exp == 0) {
                                index = writePos(type, c, outKey, index);
                        } else {
                                // now have to redirect to a list of input chars, get the list via the primary value always.
                                int idx = getPrimary(c);
                                for (int i = idx - 1; i < idx + exp; i++) {
                                        int pos = expansions.get(i).getPosition(type);
                                        if (pos != 0) {
                                                if (type == Collator.PRIMARY)
                                                        outKey[index++] = (byte) ((pos >>> 8) & 0xff);
                                                outKey[index++] = (byte) pos;
                                        }
                                }
                        }
                }

                if (type == Collator.PRIMARY)
                        outKey[index++] = '\0';
                outKey[index++] = '\0';
                return index;
        }

        public int getPrimary(int ch) {
                return this.pages[ch >>> 8].getPrimary(ch);
        }

        public int getSecondary(int ch) {
                return this.pages[ch >>> 8].getSecondary(ch);
        }

        public int getTertiary(int ch) {
                return this.pages[ch >>> 8].getTertiary(ch);
        }

        public byte getFlags(int ch) {
                assert ch >= 0;
                return this.pages[ch >>> 8].flags[ch & 0xff];
        }

        public int getCodepage() {
                return codepage;
        }

        public Charset getCharset() {
                return charset;
        }

        public int getId1() {
                return id1;
        }

        public void setId1(int id1) {
                this.id1 = id1;
        }

        public int getId2() {
                return id2;
        }

        public void setId2(int id2) {
                this.id2 = id2 & 0x7fff;
        }

        /**
         * Get the sort order as a single integer.
         * A combination of id1 and id2. I think that they are arbitrary so may as well treat them as one.
         *
         * @return id1 and id2 as if they were a little endian 2 byte integer.
         */

        public int getSortOrderId() {
                return (this.id2 << 16) + (this.id1 & 0xffff);
        }

        /**
         * Set the sort order as a single integer.
         * @param id The sort order id.
         */

        public void setSortOrderId(int id) {
                id1 = id & 0xffff;
                id2 = (id >>> 16) & 0x7fff;
        }

        public void setCodepage(int codepage) {
                this.codepage = codepage;
                charset = charsetFromCodepage(codepage);

                encoder = charset.newEncoder();
                encoder.onUnmappableCharacter(CodingErrorAction.REPLACE);
        }

        public String getDescription() {
                return description;
        }

        public void setDescription(String description) {
                this.description = description;
        }

        /**
         * Add an expansion to the sort.
         * An expansion is a letter that sorts as if it were two separate letters.
         *
         * The case were two letters sort as if the were just one (and more complex cases) are
         * not supported or are unknown to us.
         *
         * @param ch The code point of this letter in the code page.
         * @param inFlags The initial flags, eg if it is a letter or not.
         * @param expansionList The letters that this letter sorts as, as code points in the codepage.
         */

        public void addExpansion(int ch, int inFlags, List<Integer> expansionList) {
                ensurePage(ch >>> 8);
                setFlags(ch, (byte) ((inFlags & 0xf) | (((expansionList.size()-1) << 4) & 0xf0)));

                // Check for repeated definitions
                if (getPrimary(ch) != 0)
                        throw new ExitException(String.format("repeated code point %x", ch));

                setPrimary(ch, (expansions.size() + 1));
                setSecondary(ch,  0);
                setTertiary(ch, 0);
                maxExpSize = Math.max(maxExpSize, expansionList.size());

                for (Integer b : expansionList) {
                        CodePosition cp = new CodePosition();
                        cp.setPrimary((char) getPrimary(b & 0xff));

                        // Currently sort without secondary or tertiary differences to the base letters.
                        cp.setSecondary((byte) getSecondary(b & 0xff));
                        cp.setTertiary((byte) getTertiary(b & 0xff));
                        expansions.add(cp);
                }
        }

        /**
         * Get the expansion with the given index, one based.
         * @param val The one-based index number of the extension.
         */

        public CodePosition getExpansion(int val) {
                return expansions.get(val - 1);
        }

        public Collator getCollator() {
                return new SrtCollator(codepage);
        }

        public int getExpansionSize() {
                return expansions.size();
        }

        public String toString() {
                return String.format("sort cp=%d order=%08x", codepage, getSortOrderId());
        }

        private void setPrimary(int ch, int val) {
                this.pages[ch >>> 8].setPrimary(ch, val);
        }

        private void setSecondary(int ch, int val) {
                this.pages[ch >>> 8].setSecondary(ch, val);
        }

        private void setTertiary(int ch, int val) {
                this.pages[ch >>> 8].setTertiary(ch, val);
        }

        private void setFlags(int ch, int val) {
                this.pages[ch >>> 8].flags[ch & 0xff] = (byte) val;
        }

        public static Charset charsetFromCodepage(int codepage) {
                Charset charset;
                switch (codepage) {
                case 0:
                        charset = Charset.forName("ascii");
                        break;
                case 65001:
                        charset = Charset.forName("UTF-8");
                        break;
                case 932:
                        // Java uses "ms932" for code page 932
                        // (Windows-31J, Shift-JIS + MS extensions)
                        charset = Charset.forName("ms932");
                        break;
                default:
                        charset = Charset.forName("cp" + codepage);
                        break;
                }
                return charset;
        }

        public void setMulti(boolean multi) {
                this.multi = multi;
        }

        public boolean isMulti() {
                return multi;
        }

        public int getPos(int type, int ch) {
                return pages[ch >>> 8].getPos(type, ch);
        }

        public int writePos(int type, int ch, byte[] outkey, int start) {
                return pages[ch >>> 8].writePos(type, ch, outkey, start);
        }

        /**
         * Ensure that the given page exists in the page array.
         *
         * @param n The page index.
         */

        private void ensurePage(int n) {
                assert n == 0 || isMulti();
                if (this.pages[n] == null) {
                        this.pages[n] = new Page();
                        if (n > maxPage)
                                maxPage = n;
                }
        }

        /**
         * The max page, top 8+ bits of the character that we have information on.
         */

        public int getMaxPage() {
                return maxPage;
        }

        /**
         * @return True if there is at least one character with the given page/block number.
         */

        public boolean hasPage(int p) {
                return pages[p] != null;
        }

        /**
         * Holds the sort positions of a 256 character block.
         */

        private static class Page {
                private final char[] primary = new char[256];
                private final byte[] secondary = new byte[256];
                private final byte[] tertiary = new byte[256];
                private final byte[] flags = new byte[256];

                char getPrimary(int ch) {
                        return primary[ch & 0xff];
                }

                void setPrimary(int ch, int val) {
                        primary[ch & 0xff] = (char) val;
                }

                byte getSecondary(int ch) {
                        return secondary[ch & 0xff];
                }

                void setSecondary(int ch, int val) {
                        secondary[ch & 0xff] = (byte) val;
                }

                byte getTertiary(int ch) {
                        return tertiary[ch & 0xff];
                }

                void setTertiary(int ch, int val) {
                        tertiary[ch & 0xff] = (byte) val;
                }

                /**
                 * Get the sort position data for a given strength for a character.
                 * @param type The collation strength PRIMARY, SECONDARY etc.
                 * @param ch The character.
                 * @return The sorting weight for the given character.
                 */

                public int getPos(int type, int ch) {
                        switch (type) {
                        case Collator.PRIMARY:
                                return getPrimary(ch) & 0xffff;
                        case Collator.SECONDARY:
                                return getSecondary(ch) & 0xff;
                        case Collator.TERTIARY:
                                return getTertiary(ch) & 0xff;
                        default:
                                assert false : "bad collation type passed";
                                return 0;
                        }
                }

                /**
                 * Write a sort position for a given character to a sort key.
                 * @param strength The sort strength type.
                 * @param ch The character.
                 * @param outKey The output key.
                 * @param start The offset into outKey, the new position is written here.
                 * @return The new start offset, after the key information has been written.
                 */

                public int writePos(int strength, int ch, byte[] outKey, int start) {
                        int pos = getPos(strength, ch);
                        if (pos != 0) {
                                if (strength == Collator.PRIMARY)
                                        outKey[start++] = (byte) ((pos >> 8) & 0xff); // for 2 byte charsets
                                outKey[start++] = (byte) (pos & 0xff);
                        }
                        return start;
                }
        }

        /**
         * A collator that works with this sort. This should be used if you just need to compare two
         * strings against each other once.
         *
         * The sort key is better when the comparison must be done several times as in a sort operation.
         *
         * This implementation has the same effect when used for sorting as the sort keys.
         */

        private class SrtCollator extends Collator {
                private final int codepage;

                private SrtCollator(int codepage) {
                        this.codepage = codepage;
                }

                public int compare(String source, String target) {
                        char[] chars1;
                        char[] chars2;
                        if (isMulti()) {
                                chars1 = source.toCharArray();
                                chars2 = target.toCharArray();
                        } else {
                                CharBuffer in1 = CharBuffer.wrap(source);
                                CharBuffer in2 = CharBuffer.wrap(target);
                                try {
                                        byte[] bytes1 = encoder.encode(in1).array();
                                        byte[] bytes2 = encoder.encode(in2).array();
                                        chars1 = new char[bytes1.length];
                                        for (int i = 0; i < bytes1.length; i++)
                                                chars1[i] = (char) (bytes1[i] & 0xff);
                                        chars2 = new char[bytes2.length];
                                        for (int i = 0; i < bytes2.length; i++)
                                                chars2[i] = (char) (bytes2[i] & 0xff);
                                } catch (CharacterCodingException e) {
                                        throw new ExitException("character encoding failed unexpectedly", e);
                                }
                        }

                        int strength = getStrength();
                        int res = compareOneStrength(chars1, chars2, Collator.PRIMARY);

                        if (res == 0 && strength != PRIMARY) {
                                res = compareOneStrength(chars1, chars2, Collator.SECONDARY);
                                if (res == 0 && strength != SECONDARY) {
                                        res = compareOneStrength(chars1, chars2, Collator.TERTIARY);
                                }
                        }

                        return res;
                }

                /**
                 * Compare the bytes against primary, secondary or tertiary arrays.
                 * @param char1 Bytes for the first string in the codepage encoding.
                 * @param char2 Bytes for the second string in the codepage encoding.
                 * @return Comparison result -1, 0 or 1.
                 */

                private int compareOneStrength(char[] char1, char[] char2, int type) {
                        int res = 0;

                        PositionIterator it1 = new PositionIterator(char1, type);
                        PositionIterator it2 = new PositionIterator(char2, type);

                        while (it1.hasNext() || it2.hasNext()) {
                                int p1 = it1.next();
                                int p2 = it2.next();

                                if (p1 < p2) {
                                        res = -1;
                                        break;
                                } else if (p1 > p2) {
                                        res = 1;
                                        break;
                                }
                        }

                        return res;
                }

                public CollationKey getCollationKey(String source) {
                        throw new UnsupportedOperationException("use Sort.createSortKey() instead");
                }

                public boolean equals(Object o) {
                        if (this == o) return true;
                        if (o == null || getClass() != o.getClass()) return false;

                        SrtCollator that = (SrtCollator) o;

                        if (codepage != that.codepage) return false;
                        return true;
                }

                public int hashCode() {
                        return codepage;
                }

                class PositionIterator implements Iterator<Integer> {
                        private final char[] chars;
                        private final int len;
                        private final int type;

                        private int pos;

                        private int expStart;
                        private int expEnd;
                        private int expPos;

                        PositionIterator(char[] chars, int type) {
                                this.chars = chars;
                                this.len = chars.length;
                                this.type = type;
                        }

                        public boolean hasNext() {
                                return pos < len || expPos != 0;
                        }

                        /**
                         * Get the next sort order value for the input string. Does not ever return values
                         * that are ignorable. Returns NO_ORDER at (and beyond) the end of the string, this
                         * value sorts less than any other and so makes shorter strings sort first.
                         * @return The next non-ignored sort position. At the end of the string it returns
                         * NO_ORDER.
                         */

                        public Integer next() {
                                int next;
                                if (expPos == 0) {

                                        do {
                                                if (pos >= len) {
                                                        next = NO_ORDER;
                                                        break;
                                                }

                                                // Get the first non-ignorable at this level
                                                int c = chars[(pos++ & 0xff)];
                                                if (!hasPage(c >>> 8)) {
                                                        next = 0;
                                                        continue;
                                                }

                                                int nExpand = (getFlags(c) >> 4) & 0x3;
                                                // Check if this is an expansion.
                                                if (nExpand > 0) {
                                                        expStart = getPrimary(c) - 1;
                                                        expEnd = expStart + nExpand;
                                                        expPos = expStart;
                                                        next = expansions.get(expPos).getPosition(type);

                                                        if (++expPos > expEnd)
                                                                expPos = 0;
                                                } else {
                                                        next = getPos(type, c);
                                                }

                                        } while (next == 0);
                                } else {
                                        next = expansions.get(expPos).getPosition(type);
                                        if (++expPos > expEnd)
                                                expPos = 0;
                                }

                                return next;
                        }

                        public void remove() {
                                throw new UnsupportedOperationException("remove not supported");
                        }
                }
        }
}