void Solarix::PrintTags( SG_TagsList tags, lem::UFString &str, SynGram &sg )
{
str.clear();
if( tags!=NULL )
{
for( lem::Container::size_type i=0; i<tags->size(); ++i )
{
const int itag = (*tags)[i].first;
const int ival = (*tags)[i].second;
const ThesaurusTag &tag = sg.Get_Net().GetTagDefs()[itag];
if( !str.empty() ) str += L' ';
str += tag.GetName().c_str();
if( ival!=UNKNOWN )
{
const lem::UCString &val = tag[ival];
str += L'=';
str += val.c_str();
}
}
}
return;
}
bool SentenceBroker::Fetch(lem::UFString &line, int & line_paragraph_id)
{
line.clear();
line_paragraph_id = cur_paragraph_id;
if (eof)
return false;
int n_quote = 0; // для учета символов "
// Пропустим начальные пробелы.
while (!eof)
{
wchar_t c = GetChar();
if (c == WEOF)
{
break;
}
if (!lem::is_uspace(c) || IsEndOfSentenceMarker(c))
{
UngetChar(c);
break;
}
}
while (!eof || !chars.empty())
{
wchar_t c = GetChar();
if (c == WEOF)
{
eof = true;
return true;
}
else if (c == L' ')
{
line += c;
continue;
}
else if (IsEndOfSentenceMarker(c))
{
line += c;
break;
}
bool line_ready = false;
if (
(line.empty() || IsTokenDelimiter(line.back()) || IsTokenDelimiter(c)) &&
tokenizer.NotNull() && tokenizer->IsUnbreakableFront(c)
)
{
// Возможно далее идет исключительный случай. Выбираем символы из входного потока в
// попытке сконструировать максимально длинное исключение.
lem::UCString substr;
substr = c;
while (!eof)
{
wchar_t c2 = GetChar();
if (c2 == WEOF)
{
// Достигли конца файла. Считали полный исключительный случай?
if (tokenizer->IsMatched(substr))
{
// Да!
line += substr.c_str();
c = c2;
// Считанный токен является разделителем предложений (типа ...)
if (sent_delims.find(substr) != UNKNOWN)
{
line.trim();
if (!line.empty() && (n_quote % 2) == 0)
{
count++;
return true;
}
}
}
else
{
// нет - вернем накопленные символы в поток чтения
for (int k = substr.length() - 1; k >= 0; --k)
UngetChar(substr[k]);
c = GetChar();
}
break;
}
substr += c2; // добавили еще один символ.
// С символов substr начинается хоть одно исключение?
if (!tokenizer->IsUnbreakableFront(substr) || substr.length() == lem::UCString::max_len)
{
// Нет.
// Возможно, предыдущая подстрока является исключительной ситуацией.
UCString substr1 = lem::left(substr, substr.length() - 1);
if (tokenizer->IsMatched(substr1) && IsTokenDelimiter(substr.back()))
{
// Да!
line += substr1.c_str();
// Считанный токен является разделителем предложений (типа ...)
if (sent_delims.find(substr1) != UNKNOWN)
{
if ((n_quote % 2) == 0)
{
line.trim();
if (!line.empty())
{
UngetChar(c2);
count++;
return true;
}
}
else
{
if (c2 == L'"')
{
// Ситуация типа Кошка говорит "Мяу!" Собака говорит "Гав!"
bool continuation_found = true;
lem::MCollect<wchar_t> tmp_chars;
while (!eof || !chars.empty())
{
const wchar_t c4 = GetChar();
tmp_chars.push_back(c4);
if (!lem::is_uspace(c4))
{
if (IsUpperChar(c4))
{
continuation_found = false;
}
break;
}
}
for (int k = CastSizeToInt(tmp_chars.size()) - 1; k >= 0; --k)
UngetChar(tmp_chars[k]);
if (!continuation_found)
{
line += c2;
return true;
}
}
}
}
#if defined SOL_CAA
// Если считанный токен делит предложения в случае, когда за ним
// идет слово с первой заглавной буквой.
if (use_lexicon && casing_sent_delim.find(to_lower(substr1)) != UNKNOWN && CharCasingCoord != UNKNOWN && LowerCasingState != UNKNOWN)
{
Lexem next_token = PickNextToken();
if (IsUpperChar(next_token.front()))
{
la->TranslateLexem(next_token);
int ie = UNKNOWN;
if (seeker != NULL)
{
ie = seeker->Find(next_token, false);
}
else
{
MCollect<Word_Coord> found_list;
la->ProjectWord(next_token, found_list, LanguageID);
if (!found_list.empty())
ie = found_list.front().GetEntry();
}
if (ie != UNKNOWN)
{
const Solarix::SG_Entry &e = sg->GetEntry(ie);
const int casing = e.attrs().FindOnce(Solarix::GramCoordAdr(CharCasingCoord));
if (casing == LowerCasingState || casing == UNKNOWN)
{
UngetChar(c2);
count++;
return true;
}
}
}
}
#endif
c = c2;
}
else
{
// Возвращаем все загруженные символы обратно в поток.
for (int k = substr.length() - 1; k >= 0; --k)
UngetChar(substr[k]);
c = GetChar();
}
break;
}
}
}
if (c == WEOF)
{
// закончился исходный текст, принудительно прерываем текущее предложение.
eof = true;
return true;
}
const bool ItIsSentDelim = sent_delims1.find(c) != UNKNOWN;
if (ItIsSentDelim)
{
if (IsEndOfSentenceMarker(c))
break;
// Обычный конец предложения. Для точки надо проверять, если сразу после точки идет цифра
// или символ в нижнем регистре, то это НЕ конец предложения.
bool breaker = false;
bool add_char = true;
// Если у нас есть незакрытая пара ", то проверим следующий непустой символ.
if ((n_quote % 2) != 0)
{
const wchar_t c2 = GetChar();
// Если это закрывающая "
if (c2 == L'"')
{
n_quote++;
line += c;
line += c2;
const wchar_t c4 = GetChar();
if (sent_delims1.find(c4) != UNKNOWN)
{
line += c4;
count++;
return true;
}
else
{
UngetChar(c4);
}
// если дальше - пробел, и после него идет символ в нижнем регистре, то это не конец предложения.
bool continuation_found = true;
UFString tmp_chars;
while (!eof)
{
const wchar_t c5 = GetChar();
if (c5 == WEOF)
{
break;
}
tmp_chars += c5;
if (!lem::is_uspace(c5))
{
// найден не-пробельный символ.
if (IsUpperChar(c5))
{
continuation_found = false;
}
break;
}
}
// возвращаем все символы обратно
for (int i = CastSizeToInt(tmp_chars.size()) - 1; i >= 0; --i)
UngetChar(tmp_chars[i]);
if (!continuation_found)
{
// обрываем предложение.
line.trim();
count++;
return true;
}
}
else
{
// нет - продолжим считывание символов предложения.
line += c;
line += c2;
}
}
else
{
#if defined SOL_CAA
if (tokenizer.NotNull() && seeker.NotNull() && use_lexicon && c == L'.')
{
// надо выделить слово, предшествующее точке. идем влево до разделителя токенов.
int icur = line.length() - 1;
while (icur >= 0)
{
if (tokenizer->IsTokenDelimiter(line[icur]))
break; // нашли начало последнего слова
else
icur--; // сдвигаемся влево
}
Solarix::Lexem last_word;
for (int j = icur + 1; j < line.length(); ++j)
last_word.Add_Dirty(line[j]);
last_word.calc_hash();
la->TranslateLexem(last_word);
if (seeker->Find(last_word, false) != UNKNOWN)
{
breaker = true;
}
}
#endif
if (!breaker)
{
breaker = true;
wchar_t c2 = PeekChar();
if (c == L'.')
{
if (lem::is_udigit(c2))
{
breaker = false;
}
else if (IsLowerChar(c2))
{
breaker = false;
}
else if (c2 == L',')
{
breaker = false;
}
else if (lem::is_uspace(c2))
{
// Дойдем до первого не-пробельного символа.
line += c;
add_char = false;
while (c != WEOF)
{
c = GetChar();
line += c;
if (IsEndOfSentenceMarker(c))
break;
c = PeekChar();
if (!lem::is_uspace(c))
{
if (IsLowerChar(c))
{
breaker = false;
}
break;
}
}
c = L'.';
}
wchar_t c0 = c;
c2 = PeekChar();
if (c2 == c0)
{
line += c;
add_char = false;
while (c != WEOF && c == c0)
{
c = GetChar();
line += c;
c = PeekChar();
}
}
}
else if (c == '!' || c == '?')
{
wchar_t c0 = c;
c2 = PeekChar();
if (c2 == L'?' || c2 == L'!') // То есть токены типа !!! и !?
{
line += c;
add_char = false;
while (c != WEOF && (c == L'!' || c == L'?'))
{
c = GetChar();
line += c;
c = PeekChar();
}
}
}
}
if (c == WEOF)
{
eof = true;
add_char = false;
}
if (breaker)
{
line_ready = true;
}
if (add_char)
line += c;
}
}
else if (line.length() > max_sentence_length && (lem::is_uspace(c) || c == L',' || c == L'-' || c == L';' || c == L':'))
{
// Слишком длинные предложения обрываем на безопасных символах.
line_ready = true;
line += c;
}
else if (c == L'\r' || c == L'\n' || c == L'\t' || c == L'\b')
{
// некоторые управляющие символы заменяем пробелами
line += L' ';
}
else
{
line += c;
if (c == L'"')
n_quote++;
else if (c == L'(')
{
// если предложение начинается с (, то надо смотреть, какой токен будет перед ), и если это терминатор - обрывать предложение.
if (line.size() == 1)
{
if (ReadCharsUntilClosingParen(line))
{
line.trim();
return true;
}
}
else
{
ReadCharsUntilClosingParen(line);
}
}
}
if (line_ready)
{
if (line.length() > 0 && IsEndOfParagraphMarker(line.last_char()))
{
line.remove(line.length() - 1);
cur_paragraph_id++;
}
line.trim();
if (!line.empty())
count++;
return true;
}
}
if (line.length() > 0 && IsEndOfParagraphMarker(line.last_char()))
{
line.remove(line.length() - 1);
cur_paragraph_id++;
}
line.trim();
if (!line.empty())
count++;
return true;
}