add text_languagedetect to guess article language for better hyphenation
(bump schema)
This commit is contained in:
parent
f035e6dc82
commit
6b4617970f
|
@ -621,7 +621,7 @@ class Feeds extends Handler_Protected {
|
||||||
}
|
}
|
||||||
$reply['content'] .= "</div>";
|
$reply['content'] .= "</div>";
|
||||||
|
|
||||||
$reply['content'] .= "<div class=\"cdmContentInner\" lang=\"en\">";
|
$reply['content'] .= "<div class=\"cdmContentInner\" lang=\"".$line['lang']."\">";
|
||||||
|
|
||||||
if ($line["orig_feed_id"]) {
|
if ($line["orig_feed_id"]) {
|
||||||
|
|
||||||
|
|
|
@ -1,6 +1,6 @@
|
||||||
<?php
|
<?php
|
||||||
define('EXPECTED_CONFIG_VERSION', 26);
|
define('EXPECTED_CONFIG_VERSION', 26);
|
||||||
define('SCHEMA_VERSION', 121);
|
define('SCHEMA_VERSION', 122);
|
||||||
|
|
||||||
define('LABEL_BASE_INDEX', -1024);
|
define('LABEL_BASE_INDEX', -1024);
|
||||||
define('PLUGIN_FEED_BASE_INDEX', -128);
|
define('PLUGIN_FEED_BASE_INDEX', -128);
|
||||||
|
@ -87,6 +87,7 @@
|
||||||
require_once "lib/accept-to-gettext.php";
|
require_once "lib/accept-to-gettext.php";
|
||||||
require_once "lib/gettext/gettext.inc";
|
require_once "lib/gettext/gettext.inc";
|
||||||
|
|
||||||
|
require_once "lib/languagedetect/LanguageDetect.php";
|
||||||
|
|
||||||
function startup_gettext() {
|
function startup_gettext() {
|
||||||
|
|
||||||
|
@ -2650,6 +2651,7 @@
|
||||||
comments,
|
comments,
|
||||||
int_id,
|
int_id,
|
||||||
uuid,
|
uuid,
|
||||||
|
lang,
|
||||||
hide_images,
|
hide_images,
|
||||||
unread,feed_id,marked,published,link,last_read,orig_feed_id,
|
unread,feed_id,marked,published,link,last_read,orig_feed_id,
|
||||||
last_marked, last_published,
|
last_marked, last_published,
|
||||||
|
@ -2692,6 +2694,7 @@
|
||||||
"tag_cache," .
|
"tag_cache," .
|
||||||
"label_cache," .
|
"label_cache," .
|
||||||
"link," .
|
"link," .
|
||||||
|
"lang," .
|
||||||
"uuid," .
|
"uuid," .
|
||||||
"last_read," .
|
"last_read," .
|
||||||
"(SELECT hide_images FROM ttrss_feeds WHERE id = feed_id) AS hide_images," .
|
"(SELECT hide_images FROM ttrss_feeds WHERE id = feed_id) AS hide_images," .
|
||||||
|
@ -3118,7 +3121,7 @@
|
||||||
ccache_update($feed_id, $owner_uid);
|
ccache_update($feed_id, $owner_uid);
|
||||||
}
|
}
|
||||||
|
|
||||||
$result = db_query("SELECT id,title,link,content,feed_id,comments,int_id,
|
$result = db_query("SELECT id,title,link,content,feed_id,comments,int_id,lang,
|
||||||
".SUBSTRING_FOR_DATE."(updated,1,16) as updated,
|
".SUBSTRING_FOR_DATE."(updated,1,16) as updated,
|
||||||
(SELECT site_url FROM ttrss_feeds WHERE id = feed_id) as site_url,
|
(SELECT site_url FROM ttrss_feeds WHERE id = feed_id) as site_url,
|
||||||
(SELECT hide_images FROM ttrss_feeds WHERE id = feed_id) as hide_images,
|
(SELECT hide_images FROM ttrss_feeds WHERE id = feed_id) as hide_images,
|
||||||
|
@ -3290,7 +3293,7 @@
|
||||||
}
|
}
|
||||||
$rv['content'] .= "</div>";
|
$rv['content'] .= "</div>";
|
||||||
|
|
||||||
$rv['content'] .= "<div class=\"postContent\" lang=\"en\">";
|
$rv['content'] .= "<div class=\"postContent\" lang=\"".$line['lang']."\">";
|
||||||
|
|
||||||
$rv['content'] .= $line["content"];
|
$rv['content'] .= $line["content"];
|
||||||
$rv['content'] .= format_article_enclosures($id,
|
$rv['content'] .= format_article_enclosures($id,
|
||||||
|
|
|
@ -354,6 +354,11 @@
|
||||||
$rss->init();
|
$rss->init();
|
||||||
}
|
}
|
||||||
|
|
||||||
|
require_once "lib/languagedetect/LanguageDetect.php";
|
||||||
|
|
||||||
|
$lang = new Text_LanguageDetect();
|
||||||
|
$lang->setNameMode(2);
|
||||||
|
|
||||||
// print_r($rss);
|
// print_r($rss);
|
||||||
|
|
||||||
$feed = db_escape_string($feed);
|
$feed = db_escape_string($feed);
|
||||||
|
@ -565,6 +570,15 @@
|
||||||
print "\n";
|
print "\n";
|
||||||
}
|
}
|
||||||
|
|
||||||
|
$entry_language = $lang->detect($entry_content, 1);
|
||||||
|
|
||||||
|
if (count($entry_language) > 0) {
|
||||||
|
$entry_language = array_keys($entry_language);
|
||||||
|
$entry_language = db_escape_string($entry_language[0]);
|
||||||
|
|
||||||
|
_debug("detected language: $entry_language", $debug_enabled);
|
||||||
|
}
|
||||||
|
|
||||||
$entry_comments = $item->get_comments_url();
|
$entry_comments = $item->get_comments_url();
|
||||||
$entry_author = $item->get_author();
|
$entry_author = $item->get_author();
|
||||||
|
|
||||||
|
@ -677,6 +691,7 @@
|
||||||
comments,
|
comments,
|
||||||
num_comments,
|
num_comments,
|
||||||
plugin_data,
|
plugin_data,
|
||||||
|
lang,
|
||||||
author)
|
author)
|
||||||
VALUES
|
VALUES
|
||||||
('$entry_title',
|
('$entry_title',
|
||||||
|
@ -691,6 +706,7 @@
|
||||||
'$entry_comments',
|
'$entry_comments',
|
||||||
'$num_comments',
|
'$num_comments',
|
||||||
'$entry_plugin_data',
|
'$entry_plugin_data',
|
||||||
|
'$entry_language',
|
||||||
'$entry_author')");
|
'$entry_author')");
|
||||||
|
|
||||||
$article_labels = array();
|
$article_labels = array();
|
||||||
|
|
File diff suppressed because it is too large
Load Diff
|
@ -0,0 +1,57 @@
|
||||||
|
<?php
|
||||||
|
class Text_LanguageDetect_Exception extends Exception
|
||||||
|
{
|
||||||
|
/**
|
||||||
|
* Database file could not be found
|
||||||
|
*/
|
||||||
|
const DB_NOT_FOUND = 10;
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Database file found, but not readable
|
||||||
|
*/
|
||||||
|
const DB_NOT_READABLE = 11;
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Database file is empty
|
||||||
|
*/
|
||||||
|
const DB_EMPTY = 12;
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Database contents is not a PHP array
|
||||||
|
*/
|
||||||
|
const DB_NOT_ARRAY = 13;
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Magic quotes are activated
|
||||||
|
*/
|
||||||
|
const MAGIC_QUOTES = 14;
|
||||||
|
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Parameter of invalid type passed to method
|
||||||
|
*/
|
||||||
|
const PARAM_TYPE = 20;
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Character in parameter is invalid
|
||||||
|
*/
|
||||||
|
const INVALID_CHAR = 21;
|
||||||
|
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Language is not in the database
|
||||||
|
*/
|
||||||
|
const UNKNOWN_LANGUAGE = 30;
|
||||||
|
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Error during block detection
|
||||||
|
*/
|
||||||
|
const BLOCK_DETECTION = 40;
|
||||||
|
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Error while clustering languages
|
||||||
|
*/
|
||||||
|
const NO_HIGHEST_KEY = 50;
|
||||||
|
}
|
|
@ -0,0 +1,341 @@
|
||||||
|
<?php
|
||||||
|
/**
|
||||||
|
* Part of Text_LanguageDetect
|
||||||
|
*
|
||||||
|
* PHP version 5
|
||||||
|
*
|
||||||
|
* @category Text
|
||||||
|
* @package Text_LanguageDetect
|
||||||
|
* @author Christian Weiske <cweiske@php.net>
|
||||||
|
* @copyright 2011 Christian Weiske <cweiske@php.net>
|
||||||
|
* @license http://www.debian.org/misc/bsd.license BSD
|
||||||
|
* @version SVN: $Id$
|
||||||
|
* @link http://pear.php.net/package/Text_LanguageDetect/
|
||||||
|
*/
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Provides a mapping between the languages from lang.dat and the
|
||||||
|
* ISO 639-1 and ISO-639-2 codes.
|
||||||
|
*
|
||||||
|
* Note that this class contains only languages that exist in lang.dat.
|
||||||
|
*
|
||||||
|
* @category Text
|
||||||
|
* @package Text_LanguageDetect
|
||||||
|
* @author Christian Weiske <cweiske@php.net>
|
||||||
|
* @copyright 2011 Christian Weiske <cweiske@php.net>
|
||||||
|
* @license http://www.debian.org/misc/bsd.license BSD
|
||||||
|
* @link http://www.loc.gov/standards/iso639-2/php/code_list.php
|
||||||
|
*/
|
||||||
|
class Text_LanguageDetect_ISO639
|
||||||
|
{
|
||||||
|
/**
|
||||||
|
* Maps all language names from the language database to the
|
||||||
|
* ISO 639-1 2-letter language code.
|
||||||
|
*
|
||||||
|
* NULL indicates that there is no 2-letter code.
|
||||||
|
*
|
||||||
|
* @var array
|
||||||
|
*/
|
||||||
|
public static $nameToCode2 = array(
|
||||||
|
'albanian' => 'sq',
|
||||||
|
'arabic' => 'ar',
|
||||||
|
'azeri' => 'az',
|
||||||
|
'bengali' => 'bn',
|
||||||
|
'bulgarian' => 'bg',
|
||||||
|
'cebuano' => null,
|
||||||
|
'croatian' => 'hr',
|
||||||
|
'czech' => 'cs',
|
||||||
|
'danish' => 'da',
|
||||||
|
'dutch' => 'nl',
|
||||||
|
'english' => 'en',
|
||||||
|
'estonian' => 'et',
|
||||||
|
'farsi' => 'fa',
|
||||||
|
'finnish' => 'fi',
|
||||||
|
'french' => 'fr',
|
||||||
|
'german' => 'de',
|
||||||
|
'hausa' => 'ha',
|
||||||
|
'hawaiian' => null,
|
||||||
|
'hindi' => 'hi',
|
||||||
|
'hungarian' => 'hu',
|
||||||
|
'icelandic' => 'is',
|
||||||
|
'indonesian' => 'id',
|
||||||
|
'italian' => 'it',
|
||||||
|
'kazakh' => 'kk',
|
||||||
|
'kyrgyz' => 'ky',
|
||||||
|
'latin' => 'la',
|
||||||
|
'latvian' => 'lv',
|
||||||
|
'lithuanian' => 'lt',
|
||||||
|
'macedonian' => 'mk',
|
||||||
|
'mongolian' => 'mn',
|
||||||
|
'nepali' => 'ne',
|
||||||
|
'norwegian' => 'no',
|
||||||
|
'pashto' => 'ps',
|
||||||
|
'pidgin' => null,
|
||||||
|
'polish' => 'pl',
|
||||||
|
'portuguese' => 'pt',
|
||||||
|
'romanian' => 'ro',
|
||||||
|
'russian' => 'ru',
|
||||||
|
'serbian' => 'sr',
|
||||||
|
'slovak' => 'sk',
|
||||||
|
'slovene' => 'sl',
|
||||||
|
'somali' => 'so',
|
||||||
|
'spanish' => 'es',
|
||||||
|
'swahili' => 'sw',
|
||||||
|
'swedish' => 'sv',
|
||||||
|
'tagalog' => 'tl',
|
||||||
|
'turkish' => 'tr',
|
||||||
|
'ukrainian' => 'uk',
|
||||||
|
'urdu' => 'ur',
|
||||||
|
'uzbek' => 'uz',
|
||||||
|
'vietnamese' => 'vi',
|
||||||
|
'welsh' => 'cy',
|
||||||
|
);
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Maps all language names from the language database to the
|
||||||
|
* ISO 639-2 3-letter language code.
|
||||||
|
*
|
||||||
|
* @var array
|
||||||
|
*/
|
||||||
|
public static $nameToCode3 = array(
|
||||||
|
'albanian' => 'sqi',
|
||||||
|
'arabic' => 'ara',
|
||||||
|
'azeri' => 'aze',
|
||||||
|
'bengali' => 'ben',
|
||||||
|
'bulgarian' => 'bul',
|
||||||
|
'cebuano' => 'ceb',
|
||||||
|
'croatian' => 'hrv',
|
||||||
|
'czech' => 'ces',
|
||||||
|
'danish' => 'dan',
|
||||||
|
'dutch' => 'nld',
|
||||||
|
'english' => 'eng',
|
||||||
|
'estonian' => 'est',
|
||||||
|
'farsi' => 'fas',
|
||||||
|
'finnish' => 'fin',
|
||||||
|
'french' => 'fra',
|
||||||
|
'german' => 'deu',
|
||||||
|
'hausa' => 'hau',
|
||||||
|
'hawaiian' => 'haw',
|
||||||
|
'hindi' => 'hin',
|
||||||
|
'hungarian' => 'hun',
|
||||||
|
'icelandic' => 'isl',
|
||||||
|
'indonesian' => 'ind',
|
||||||
|
'italian' => 'ita',
|
||||||
|
'kazakh' => 'kaz',
|
||||||
|
'kyrgyz' => 'kir',
|
||||||
|
'latin' => 'lat',
|
||||||
|
'latvian' => 'lav',
|
||||||
|
'lithuanian' => 'lit',
|
||||||
|
'macedonian' => 'mkd',
|
||||||
|
'mongolian' => 'mon',
|
||||||
|
'nepali' => 'nep',
|
||||||
|
'norwegian' => 'nor',
|
||||||
|
'pashto' => 'pus',
|
||||||
|
'pidgin' => 'crp',
|
||||||
|
'polish' => 'pol',
|
||||||
|
'portuguese' => 'por',
|
||||||
|
'romanian' => 'ron',
|
||||||
|
'russian' => 'rus',
|
||||||
|
'serbian' => 'srp',
|
||||||
|
'slovak' => 'slk',
|
||||||
|
'slovene' => 'slv',
|
||||||
|
'somali' => 'som',
|
||||||
|
'spanish' => 'spa',
|
||||||
|
'swahili' => 'swa',
|
||||||
|
'swedish' => 'swe',
|
||||||
|
'tagalog' => 'tgl',
|
||||||
|
'turkish' => 'tur',
|
||||||
|
'ukrainian' => 'ukr',
|
||||||
|
'urdu' => 'urd',
|
||||||
|
'uzbek' => 'uzb',
|
||||||
|
'vietnamese' => 'vie',
|
||||||
|
'welsh' => 'cym',
|
||||||
|
);
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Maps ISO 639-1 2-letter language codes to the language names
|
||||||
|
* in the language database
|
||||||
|
*
|
||||||
|
* Not all languages have a 2 letter code, so some are missing
|
||||||
|
*
|
||||||
|
* @var array
|
||||||
|
*/
|
||||||
|
public static $code2ToName = array(
|
||||||
|
'ar' => 'arabic',
|
||||||
|
'az' => 'azeri',
|
||||||
|
'bg' => 'bulgarian',
|
||||||
|
'bn' => 'bengali',
|
||||||
|
'cs' => 'czech',
|
||||||
|
'cy' => 'welsh',
|
||||||
|
'da' => 'danish',
|
||||||
|
'de' => 'german',
|
||||||
|
'en' => 'english',
|
||||||
|
'es' => 'spanish',
|
||||||
|
'et' => 'estonian',
|
||||||
|
'fa' => 'farsi',
|
||||||
|
'fi' => 'finnish',
|
||||||
|
'fr' => 'french',
|
||||||
|
'ha' => 'hausa',
|
||||||
|
'hi' => 'hindi',
|
||||||
|
'hr' => 'croatian',
|
||||||
|
'hu' => 'hungarian',
|
||||||
|
'id' => 'indonesian',
|
||||||
|
'is' => 'icelandic',
|
||||||
|
'it' => 'italian',
|
||||||
|
'kk' => 'kazakh',
|
||||||
|
'ky' => 'kyrgyz',
|
||||||
|
'la' => 'latin',
|
||||||
|
'lt' => 'lithuanian',
|
||||||
|
'lv' => 'latvian',
|
||||||
|
'mk' => 'macedonian',
|
||||||
|
'mn' => 'mongolian',
|
||||||
|
'ne' => 'nepali',
|
||||||
|
'nl' => 'dutch',
|
||||||
|
'no' => 'norwegian',
|
||||||
|
'pl' => 'polish',
|
||||||
|
'ps' => 'pashto',
|
||||||
|
'pt' => 'portuguese',
|
||||||
|
'ro' => 'romanian',
|
||||||
|
'ru' => 'russian',
|
||||||
|
'sk' => 'slovak',
|
||||||
|
'sl' => 'slovene',
|
||||||
|
'so' => 'somali',
|
||||||
|
'sq' => 'albanian',
|
||||||
|
'sr' => 'serbian',
|
||||||
|
'sv' => 'swedish',
|
||||||
|
'sw' => 'swahili',
|
||||||
|
'tl' => 'tagalog',
|
||||||
|
'tr' => 'turkish',
|
||||||
|
'uk' => 'ukrainian',
|
||||||
|
'ur' => 'urdu',
|
||||||
|
'uz' => 'uzbek',
|
||||||
|
'vi' => 'vietnamese',
|
||||||
|
);
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Maps ISO 639-2 3-letter language codes to the language names
|
||||||
|
* in the language database.
|
||||||
|
*
|
||||||
|
* @var array
|
||||||
|
*/
|
||||||
|
public static $code3ToName = array(
|
||||||
|
'ara' => 'arabic',
|
||||||
|
'aze' => 'azeri',
|
||||||
|
'ben' => 'bengali',
|
||||||
|
'bul' => 'bulgarian',
|
||||||
|
'ceb' => 'cebuano',
|
||||||
|
'ces' => 'czech',
|
||||||
|
'crp' => 'pidgin',
|
||||||
|
'cym' => 'welsh',
|
||||||
|
'dan' => 'danish',
|
||||||
|
'deu' => 'german',
|
||||||
|
'eng' => 'english',
|
||||||
|
'est' => 'estonian',
|
||||||
|
'fas' => 'farsi',
|
||||||
|
'fin' => 'finnish',
|
||||||
|
'fra' => 'french',
|
||||||
|
'hau' => 'hausa',
|
||||||
|
'haw' => 'hawaiian',
|
||||||
|
'hin' => 'hindi',
|
||||||
|
'hrv' => 'croatian',
|
||||||
|
'hun' => 'hungarian',
|
||||||
|
'ind' => 'indonesian',
|
||||||
|
'isl' => 'icelandic',
|
||||||
|
'ita' => 'italian',
|
||||||
|
'kaz' => 'kazakh',
|
||||||
|
'kir' => 'kyrgyz',
|
||||||
|
'lat' => 'latin',
|
||||||
|
'lav' => 'latvian',
|
||||||
|
'lit' => 'lithuanian',
|
||||||
|
'mkd' => 'macedonian',
|
||||||
|
'mon' => 'mongolian',
|
||||||
|
'nep' => 'nepali',
|
||||||
|
'nld' => 'dutch',
|
||||||
|
'nor' => 'norwegian',
|
||||||
|
'pol' => 'polish',
|
||||||
|
'por' => 'portuguese',
|
||||||
|
'pus' => 'pashto',
|
||||||
|
'rom' => 'romanian',
|
||||||
|
'rus' => 'russian',
|
||||||
|
'slk' => 'slovak',
|
||||||
|
'slv' => 'slovene',
|
||||||
|
'som' => 'somali',
|
||||||
|
'spa' => 'spanish',
|
||||||
|
'sqi' => 'albanian',
|
||||||
|
'srp' => 'serbian',
|
||||||
|
'swa' => 'swahili',
|
||||||
|
'swe' => 'swedish',
|
||||||
|
'tgl' => 'tagalog',
|
||||||
|
'tur' => 'turkish',
|
||||||
|
'ukr' => 'ukrainian',
|
||||||
|
'urd' => 'urdu',
|
||||||
|
'uzb' => 'uzbek',
|
||||||
|
'vie' => 'vietnamese',
|
||||||
|
);
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Returns the 2-letter ISO 639-1 code for the given language name.
|
||||||
|
*
|
||||||
|
* @param string $lang English language name like "swedish"
|
||||||
|
*
|
||||||
|
* @return string Two-letter language code (e.g. "sv") or NULL if not found
|
||||||
|
*/
|
||||||
|
public static function nameToCode2($lang)
|
||||||
|
{
|
||||||
|
$lang = strtolower($lang);
|
||||||
|
if (!isset(self::$nameToCode2[$lang])) {
|
||||||
|
return null;
|
||||||
|
}
|
||||||
|
return self::$nameToCode2[$lang];
|
||||||
|
}
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Returns the 3-letter ISO 639-2 code for the given language name.
|
||||||
|
*
|
||||||
|
* @param string $lang English language name like "swedish"
|
||||||
|
*
|
||||||
|
* @return string Three-letter language code (e.g. "swe") or NULL if not found
|
||||||
|
*/
|
||||||
|
public static function nameToCode3($lang)
|
||||||
|
{
|
||||||
|
$lang = strtolower($lang);
|
||||||
|
if (!isset(self::$nameToCode3[$lang])) {
|
||||||
|
return null;
|
||||||
|
}
|
||||||
|
return self::$nameToCode3[$lang];
|
||||||
|
}
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Returns the language name for the given 2-letter ISO 639-1 code.
|
||||||
|
*
|
||||||
|
* @param string $code Two-letter language code (e.g. "sv")
|
||||||
|
*
|
||||||
|
* @return string English language name like "swedish"
|
||||||
|
*/
|
||||||
|
public static function code2ToName($code)
|
||||||
|
{
|
||||||
|
$lang = strtolower($code);
|
||||||
|
if (!isset(self::$code2ToName[$code])) {
|
||||||
|
return null;
|
||||||
|
}
|
||||||
|
return self::$code2ToName[$code];
|
||||||
|
}
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Returns the language name for the given 3-letter ISO 639-2 code.
|
||||||
|
*
|
||||||
|
* @param string $code Three-letter language code (e.g. "swe")
|
||||||
|
*
|
||||||
|
* @return string English language name like "swedish"
|
||||||
|
*/
|
||||||
|
public static function code3ToName($code)
|
||||||
|
{
|
||||||
|
$lang = strtolower($code);
|
||||||
|
if (!isset(self::$code3ToName[$code])) {
|
||||||
|
return null;
|
||||||
|
}
|
||||||
|
return self::$code3ToName[$code];
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
?>
|
|
@ -0,0 +1,349 @@
|
||||||
|
<?php
|
||||||
|
|
||||||
|
/**
|
||||||
|
* This class represents a text sample to be parsed.
|
||||||
|
*
|
||||||
|
* @category Text
|
||||||
|
* @package Text_LanguageDetect
|
||||||
|
* @author Nicholas Pisarro
|
||||||
|
* @copyright 2006
|
||||||
|
* @license BSD
|
||||||
|
* @version CVS: $Id: Parser.php 322327 2012-01-15 17:55:59Z cweiske $
|
||||||
|
* @link http://pear.php.net/package/Text_LanguageDetect/
|
||||||
|
* @link http://langdetect.blogspot.com/
|
||||||
|
*/
|
||||||
|
|
||||||
|
/**
|
||||||
|
* This class represents a text sample to be parsed.
|
||||||
|
*
|
||||||
|
* This separates the analysis of a text sample from the primary LanguageDetect
|
||||||
|
* class. After a new profile has been built, the data can be retrieved using
|
||||||
|
* the accessor functions.
|
||||||
|
*
|
||||||
|
* This class is intended to be used by the Text_LanguageDetect class, not
|
||||||
|
* end-users.
|
||||||
|
*
|
||||||
|
* @category Text
|
||||||
|
* @package Text_LanguageDetect
|
||||||
|
* @author Nicholas Pisarro
|
||||||
|
* @copyright 2006
|
||||||
|
* @license BSD
|
||||||
|
* @version release: 0.3.0
|
||||||
|
*/
|
||||||
|
class Text_LanguageDetect_Parser extends Text_LanguageDetect
|
||||||
|
{
|
||||||
|
/**
|
||||||
|
* the piece of text being parsed
|
||||||
|
*
|
||||||
|
* @access private
|
||||||
|
* @var string
|
||||||
|
*/
|
||||||
|
var $_string;
|
||||||
|
|
||||||
|
/**
|
||||||
|
* stores the trigram frequencies of the sample
|
||||||
|
*
|
||||||
|
* @access private
|
||||||
|
* @var string
|
||||||
|
*/
|
||||||
|
var $_trigrams = array();
|
||||||
|
|
||||||
|
/**
|
||||||
|
* stores the trigram ranks of the sample
|
||||||
|
*
|
||||||
|
* @access private
|
||||||
|
* @var array
|
||||||
|
*/
|
||||||
|
var $_trigram_ranks = array();
|
||||||
|
|
||||||
|
/**
|
||||||
|
* stores the unicode blocks of the sample
|
||||||
|
*
|
||||||
|
* @access private
|
||||||
|
* @var array
|
||||||
|
*/
|
||||||
|
var $_unicode_blocks = array();
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Whether the parser should compile the unicode ranges
|
||||||
|
*
|
||||||
|
* @access private
|
||||||
|
* @var bool
|
||||||
|
*/
|
||||||
|
var $_compile_unicode = false;
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Whether the parser should compile trigrams
|
||||||
|
*
|
||||||
|
* @access private
|
||||||
|
* @var bool
|
||||||
|
*/
|
||||||
|
var $_compile_trigram = false;
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Whether the trigram parser should pad the beginning of the string
|
||||||
|
*
|
||||||
|
* @access private
|
||||||
|
* @var bool
|
||||||
|
*/
|
||||||
|
var $_trigram_pad_start = false;
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Whether the unicode parser should skip non-alphabetical ascii chars
|
||||||
|
*
|
||||||
|
* @access private
|
||||||
|
* @var bool
|
||||||
|
*/
|
||||||
|
var $_unicode_skip_symbols = true;
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Constructor
|
||||||
|
*
|
||||||
|
* @access private
|
||||||
|
* @param string $string string to be parsed
|
||||||
|
*/
|
||||||
|
function Text_LanguageDetect_Parser($string) {
|
||||||
|
$this->_string = $string;
|
||||||
|
}
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Returns true if a string is suitable for parsing
|
||||||
|
*
|
||||||
|
* @param string $str input string to test
|
||||||
|
* @return bool true if acceptable, false if not
|
||||||
|
*/
|
||||||
|
public static function validateString($str) {
|
||||||
|
if (!empty($str) && strlen($str) > 3 && preg_match('/\S/', $str)) {
|
||||||
|
return true;
|
||||||
|
} else {
|
||||||
|
return false;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
/**
|
||||||
|
* turn on/off trigram counting
|
||||||
|
*
|
||||||
|
* @access public
|
||||||
|
* @param bool $bool true for on, false for off
|
||||||
|
*/
|
||||||
|
function prepareTrigram($bool = true)
|
||||||
|
{
|
||||||
|
$this->_compile_trigram = $bool;
|
||||||
|
}
|
||||||
|
|
||||||
|
/**
|
||||||
|
* turn on/off unicode block counting
|
||||||
|
*
|
||||||
|
* @access public
|
||||||
|
* @param bool $bool true for on, false for off
|
||||||
|
*/
|
||||||
|
function prepareUnicode($bool = true)
|
||||||
|
{
|
||||||
|
$this->_compile_unicode = $bool;
|
||||||
|
}
|
||||||
|
|
||||||
|
/**
|
||||||
|
* turn on/off padding the beginning of the sample string
|
||||||
|
*
|
||||||
|
* @access public
|
||||||
|
* @param bool $bool true for on, false for off
|
||||||
|
*/
|
||||||
|
function setPadStart($bool = true)
|
||||||
|
{
|
||||||
|
$this->_trigram_pad_start = $bool;
|
||||||
|
}
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Should the unicode block counter skip non-alphabetical ascii chars?
|
||||||
|
*
|
||||||
|
* @access public
|
||||||
|
* @param bool $bool true for on, false for off
|
||||||
|
*/
|
||||||
|
function setUnicodeSkipSymbols($bool = true)
|
||||||
|
{
|
||||||
|
$this->_unicode_skip_symbols = $bool;
|
||||||
|
}
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Returns the trigram ranks for the text sample
|
||||||
|
*
|
||||||
|
* @access public
|
||||||
|
* @return array trigram ranks in the text sample
|
||||||
|
*/
|
||||||
|
function &getTrigramRanks()
|
||||||
|
{
|
||||||
|
return $this->_trigram_ranks;
|
||||||
|
}
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Return the trigram freqency table
|
||||||
|
*
|
||||||
|
* only used in testing to make sure the parser is working
|
||||||
|
*
|
||||||
|
* @access public
|
||||||
|
* @return array trigram freqencies in the text sample
|
||||||
|
*/
|
||||||
|
function &getTrigramFreqs()
|
||||||
|
{
|
||||||
|
return $this->_trigram;
|
||||||
|
}
|
||||||
|
|
||||||
|
/**
|
||||||
|
* returns the array of unicode blocks
|
||||||
|
*
|
||||||
|
* @access public
|
||||||
|
* @return array unicode blocks in the text sample
|
||||||
|
*/
|
||||||
|
function &getUnicodeBlocks()
|
||||||
|
{
|
||||||
|
return $this->_unicode_blocks;
|
||||||
|
}
|
||||||
|
|
||||||
|
/**
|
||||||
|
* Executes the parsing operation
|
||||||
|
*
|
||||||
|
* Be sure to call the set*() functions to set options and the
|
||||||
|
* prepare*() functions first to tell it what kind of data to compute
|
||||||
|
*
|
||||||
|
* Afterwards the get*() functions can be used to access the compiled
|
||||||
|
* information.
|
||||||
|
*
|
||||||
|
* @access public
|
||||||
|
*/
|
||||||
|
function analyze()
|
||||||
|
{
|
||||||
|
$len = strlen($this->_string);
|
||||||
|
$byte_counter = 0;
|
||||||
|
|
||||||
|
|
||||||
|
// unicode startup
|
||||||
|
if ($this->_compile_unicode) {
|
||||||
|
$blocks = $this->_read_unicode_block_db();
|
||||||
|
$block_count = count($blocks);
|
||||||
|
|
||||||
|
$skipped_count = 0;
|
||||||
|
$unicode_chars = array();
|
||||||
|
}
|
||||||
|
|
||||||
|
// trigram startup
|
||||||
|
if ($this->_compile_trigram) {
|
||||||
|
// initialize them as blank so the parser will skip the first two
|
||||||
|
// (since it skips trigrams with more than 2 contiguous spaces)
|
||||||
|
$a = ' ';
|
||||||
|
$b = ' ';
|
||||||
|
|
||||||
|
// kludge
|
||||||
|
// if it finds a valid trigram to start and the start pad option is
|
||||||
|
// off, then set a variable that will be used to reduce this
|
||||||
|
// trigram after parsing has finished
|
||||||
|
if (!$this->_trigram_pad_start) {
|
||||||
|
$a = $this->_next_char($this->_string, $byte_counter, true);
|
||||||
|
|
||||||
|
if ($a != ' ') {
|
||||||
|
$b = $this->_next_char($this->_string, $byte_counter, true);
|
||||||
|
$dropone = " $a$b";
|
||||||
|
}
|
||||||
|
|
||||||
|
$byte_counter = 0;
|
||||||
|
$a = ' ';
|
||||||
|
$b = ' ';
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
while ($byte_counter < $len) {
|
||||||
|
$char = $this->_next_char($this->_string, $byte_counter, true);
|
||||||
|
|
||||||
|
|
||||||
|
// language trigram detection
|
||||||
|
if ($this->_compile_trigram) {
|
||||||
|
if (!($b == ' ' && ($a == ' ' || $char == ' '))) {
|
||||||
|
if (!isset($this->_trigram[$a . $b . $char])) {
|
||||||
|
$this->_trigram[$a . $b . $char] = 1;
|
||||||
|
} else {
|
||||||
|
$this->_trigram[$a . $b . $char]++;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
$a = $b;
|
||||||
|
$b = $char;
|
||||||
|
}
|
||||||
|
|
||||||
|
// unicode block detection
|
||||||
|
if ($this->_compile_unicode) {
|
||||||
|
if ($this->_unicode_skip_symbols
|
||||||
|
&& strlen($char) == 1
|
||||||
|
&& ($char < 'A' || $char > 'z'
|
||||||
|
|| ($char > 'Z' && $char < 'a'))
|
||||||
|
&& $char != "'") { // does not skip the apostrophe
|
||||||
|
// since it's included in the language
|
||||||
|
// models
|
||||||
|
|
||||||
|
$skipped_count++;
|
||||||
|
continue;
|
||||||
|
}
|
||||||
|
|
||||||
|
// build an array of all the characters
|
||||||
|
if (isset($unicode_chars[$char])) {
|
||||||
|
$unicode_chars[$char]++;
|
||||||
|
} else {
|
||||||
|
$unicode_chars[$char] = 1;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
// todo: add byte detection here
|
||||||
|
}
|
||||||
|
|
||||||
|
// unicode cleanup
|
||||||
|
if ($this->_compile_unicode) {
|
||||||
|
foreach ($unicode_chars as $utf8_char => $count) {
|
||||||
|
$search_result = $this->_unicode_block_name(
|
||||||
|
$this->_utf8char2unicode($utf8_char), $blocks, $block_count);
|
||||||
|
|
||||||
|
if ($search_result != -1) {
|
||||||
|
$block_name = $search_result[2];
|
||||||
|
} else {
|
||||||
|
$block_name = '[Malformatted]';
|
||||||
|
}
|
||||||
|
|
||||||
|
if (isset($this->_unicode_blocks[$block_name])) {
|
||||||
|
$this->_unicode_blocks[$block_name] += $count;
|
||||||
|
} else {
|
||||||
|
$this->_unicode_blocks[$block_name] = $count;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
// trigram cleanup
|
||||||
|
if ($this->_compile_trigram) {
|
||||||
|
// pad the end
|
||||||
|
if ($b != ' ') {
|
||||||
|
if (!isset($this->_trigram["$a$b "])) {
|
||||||
|
$this->_trigram["$a$b "] = 1;
|
||||||
|
} else {
|
||||||
|
$this->_trigram["$a$b "]++;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
// perl compatibility; Language::Guess does not pad the beginning
|
||||||
|
// kludge
|
||||||
|
if (isset($dropone)) {
|
||||||
|
if ($this->_trigram[$dropone] == 1) {
|
||||||
|
unset($this->_trigram[$dropone]);
|
||||||
|
} else {
|
||||||
|
$this->_trigram[$dropone]--;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
if (!empty($this->_trigram)) {
|
||||||
|
$this->_trigram_ranks = $this->_arr_rank($this->_trigram);
|
||||||
|
} else {
|
||||||
|
$this->_trigram_ranks = array();
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
/* vim: set expandtab tabstop=4 shiftwidth=4 softtabstop=4: */
|
||||||
|
|
||||||
|
?>
|
File diff suppressed because one or more lines are too long
File diff suppressed because one or more lines are too long
|
@ -163,6 +163,7 @@ create table ttrss_entries (id integer not null primary key auto_increment,
|
||||||
date_updated datetime not null,
|
date_updated datetime not null,
|
||||||
num_comments integer not null default 0,
|
num_comments integer not null default 0,
|
||||||
plugin_data longtext,
|
plugin_data longtext,
|
||||||
|
lang varchar(2),
|
||||||
comments varchar(250) not null default '',
|
comments varchar(250) not null default '',
|
||||||
author varchar(250) not null default '') ENGINE=InnoDB DEFAULT CHARSET=UTF8;
|
author varchar(250) not null default '') ENGINE=InnoDB DEFAULT CHARSET=UTF8;
|
||||||
|
|
||||||
|
@ -301,7 +302,7 @@ create table ttrss_tags (id integer primary key auto_increment,
|
||||||
|
|
||||||
create table ttrss_version (schema_version int not null) ENGINE=InnoDB DEFAULT CHARSET=UTF8;
|
create table ttrss_version (schema_version int not null) ENGINE=InnoDB DEFAULT CHARSET=UTF8;
|
||||||
|
|
||||||
insert into ttrss_version values (121);
|
insert into ttrss_version values (122);
|
||||||
|
|
||||||
create table ttrss_enclosures (id integer primary key auto_increment,
|
create table ttrss_enclosures (id integer primary key auto_increment,
|
||||||
content_url text not null,
|
content_url text not null,
|
||||||
|
|
|
@ -144,6 +144,7 @@ create table ttrss_entries (id serial not null primary key,
|
||||||
num_comments integer not null default 0,
|
num_comments integer not null default 0,
|
||||||
comments varchar(250) not null default '',
|
comments varchar(250) not null default '',
|
||||||
plugin_data text,
|
plugin_data text,
|
||||||
|
lang varchar(2),
|
||||||
author varchar(250) not null default '');
|
author varchar(250) not null default '');
|
||||||
|
|
||||||
create index ttrss_entries_guid_index on ttrss_entries(guid);
|
create index ttrss_entries_guid_index on ttrss_entries(guid);
|
||||||
|
@ -259,7 +260,7 @@ create index ttrss_tags_post_int_id_idx on ttrss_tags(post_int_id);
|
||||||
|
|
||||||
create table ttrss_version (schema_version int not null);
|
create table ttrss_version (schema_version int not null);
|
||||||
|
|
||||||
insert into ttrss_version values (121);
|
insert into ttrss_version values (122);
|
||||||
|
|
||||||
create table ttrss_enclosures (id serial not null primary key,
|
create table ttrss_enclosures (id serial not null primary key,
|
||||||
content_url text not null,
|
content_url text not null,
|
||||||
|
|
|
@ -0,0 +1,7 @@
|
||||||
|
begin;
|
||||||
|
|
||||||
|
alter table ttrss_entries add column lang varchar(2);
|
||||||
|
|
||||||
|
update ttrss_version set schema_version = 122;
|
||||||
|
|
||||||
|
commit;
|
|
@ -0,0 +1,7 @@
|
||||||
|
begin;
|
||||||
|
|
||||||
|
alter table ttrss_entries add column lang varchar(2);
|
||||||
|
|
||||||
|
update ttrss_version set schema_version = 122;
|
||||||
|
|
||||||
|
commit;
|
Loading…
Reference in New Issue