-
-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathNodoTrieS.cpp
693 lines (644 loc) · 24.7 KB
/
NodoTrieS.cpp
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
// vim: set expandtab tabstop=8 shiftwidth=8 foldmethod=marker:
/** @file NodoTrieS.cpp
* TrieS en RAM.
* Basado en http://www.pasosdejesus.org/vtamara/estinf2006-1/proy-s/index.html
* Dominio público. 2008. [email protected]
*
* Diseño:
* Se intenta por sugerencia de ... que en eficiencia para indices invertidos
* es mejor tablas de hashing que tries normales, excepto tries especiales.
*
* Estrategia para búsquedas tras ver doc. lucene es mantener varios indices
* en disco con facilidad para mezclarlos en disco y cuyas búsquedas en
* disco sean muy rápidas.
*
* Construir índices se facilita entonces porque se hace en memoria hasta
* que quepa, cuando no se agota memoria RAM se escribe índice en disco y
* se comienza uno nuevo y así sucesivamente hasta que todos los documentos
* son indexados. Entonces se mezclan todos los índices producidos.
*
* Para disminuir problemas de bloqueos, los indices no se sobreescriben
* (excepto cuando esté terminado un procesamiento).
*
* 2 índices grandes por sitio: local, todo. El local es enviado a los demás
* nodos. El de todo se construye localmente después de traer de todos los
* nodos.
*
* Tras revisar ... mejor mantener posicion(es) dentro del documento de cada
* ocurrencia para poder buscar varias palabras consecutivas.
*
* Implementación:
* 4 fases imp: memoria, disco en formato extra-simple, disco en formato binario , disco en formato binario comprimido
*
*
* Suponemos que las cadenas ya viene en un formato estándar, por ejemplo
* mayúsculas sin signos de puntuación.
*
* @package Mt77
* @author Vladimir Támara Patiño. [email protected]
* Dominio público. 2009. Sin garantías
* http://creativecommons.org/licenses/publicdomain/
* @version $Id: NodoTrieS.cpp,v 1.19 2010/01/18 16:12:50 vtamara Exp $
*/
#include <iostream>
#include <iomanip>
#include <list>
#include <vector>
#include <set>
#include <fstream>
#include <istream>
#include <sstream>
#include <stdint.h>
using namespace std;
#include "Pos.hpp"
#include "NodoTrieS.hpp"
NodoTrieS::NodoTrieS(string cad, NodoTrieS *hijo_menor,
NodoTrieS *hermano_mayor, set<Pos> cpos)
{
ASSERT(cad.size() <= MAXCAD);
this->cad = cad;
this->hijo_menor = hijo_menor;
this->hermano_mayor = hermano_mayor;
this->cpos = cpos;
}
/**
* p es una posición por insertar
* Convención: Si p tien algún componente negativo no lo inserta en
* conjunto cpos
**/
NodoTrieS::NodoTrieS(string cad, NodoTrieS *hijo_menor,
NodoTrieS *hermano_mayor, Pos p)
{
ASSERT(cad.size() <= MAXCAD);
this->cad = cad;
this->hijo_menor = hijo_menor;
this->hermano_mayor = hermano_mayor;
if (p.numd >= 0 && p.numb >= 0) {
cpos.insert(p);
}
}
NodoTrieS::~NodoTrieS()
{
//cerr << "Elimina cad=" << cad <<endl;
cad.clear();
delete hijo_menor;
delete hermano_mayor;
cpos.clear();
}
/** Apuntador retornado es a información del árbol.
* OJO al borrar.
**/
set<Pos>
NodoTrieS::busca(string pal)
{
if (cad.size()==pal.size() && cad == pal) {
return cpos;
} else if (cad.size()<pal.size() &&
pal.substr(0, cad.size())==cad
&& hijo_menor!=NULL) {
return hijo_menor->busca(pal.substr(cad.size()));
} else if (cad < pal && hermano_mayor!=NULL) {
return hermano_mayor->busca(pal);
}
return set<Pos>();
}
/** Retorna nueva raíz tras insertar pal (posiblemente ya normalizada en UTF-8).
* Pensando en siguiente arbol
* BUEN -> PODEROSO
* |
* O
* |
* S
* Se han considerado estos casos:
* En lista de hermanos:
* insertar A
* insertar C
* Igual:
* insertar BUEN
* Cambiando hijos:
* insertar BUENA
* insertar BUENO
* insertar BUENZ
* insertar BU
* insertar BUS
*/
void
NodoTrieS::inserta(string pal, Pos p)
{
ASSERT(pal != "");
ASSERT(pal.size() <= MAXCAD);
ASSERT(p.numd >= 0 && p.numb >= 0);
set<Pos> *npos = new set<Pos>();
npos->insert(p);
inserta(pal, npos);
delete npos;
}
/** Retorna nueva raíz tras insertar pal (posiblemente ya normalizada en UTF-8).
* Pensando en siguiente arbol
* BUEN -> PODEROSO
* |
* O
* |
* S
* Se han considerado estos casos:
* En lista de hermanos:
* insertar A
* insertar C
* Igual:
* insertar BUEN
* Cambiando hijos:
* insertar BUENA
* insertar BUENO
* insertar BUENZ
* insertar BU
* insertar BUS
*/
void
NodoTrieS::inserta(string pal, set<Pos> *npos)
{
// clog << "insertando la palabra: " << pal << std::endl;
//cerr << "OJO " << "inserta("<< pal << ", "<< p << ")" << endl;
if (pal == cad) {
//cerr << " OJO pal == cad"<<endl;
set<Pos>::iterator si;
for(si = npos->begin(); si != npos->end(); si++) {
cpos.insert(*si);
}
return;
}
string pcml = prefijo_comun_mas_largo(pal, cad);
if (pcml != "") {
string rcad = cad.substr(pcml.size());
string rpal = pal.substr(pcml.size());
//cerr << " OJO pcml=" << pcml << ", rcad=" << rcad << ", rpal=" << rpal << endl;
if (rcad == "") {
//cerr << " OJO rcad == ''" << endl;
if (hijo_menor==NULL) {
hijo_menor = new
NodoTrieS(rpal, NULL, NULL, *npos);
} else {
hijo_menor->inserta(rpal, npos);
}
return;
} else if (rpal == "") {
//cerr << " OJO rpal == ''" << endl;
NodoTrieS *nhijo = new NodoTrieS(rcad, hijo_menor,
NULL, cpos);
cad = pcml;
hijo_menor = nhijo;
/* hermano_mayor igual */
cpos.clear();
set<Pos>::iterator si;
for(si = npos->begin(); si != npos->end(); si++) {
cpos.insert(*si);
}
return;
} else if (rcad < rpal) {
//cerr << " OJO rcad<rpal" << endl;
NodoTrieS *nh2=new NodoTrieS(rpal, NULL, NULL, *npos);
NodoTrieS *nh1=new NodoTrieS(rcad, hijo_menor,
nh2, cpos);
cad = pcml;
hijo_menor = nh1;
/* hermano_mayor igual */
cpos.clear();
return;
} else { /* rpal<rcad */
//cerr << " OJO rpal<rcad" << endl;
NodoTrieS *nh2=new NodoTrieS(rcad, hijo_menor,
NULL, cpos);
NodoTrieS *nh1=new NodoTrieS(rpal, NULL, nh2, *npos);
cad = pcml;
hijo_menor = nh1;
/* hermano_mayor igual */
cpos.clear();
return;
}
} else { /* pcml == "" */
//cerr << " OJO pcml == ''" << endl;
if (pal < cad) {
//cerr << " OJO pal<cad" << endl;
NodoTrieS *nh = new NodoTrieS(cad, hijo_menor,
hermano_mayor, cpos);
cad = pal;
hijo_menor = NULL;
hermano_mayor = nh;
cpos.clear();
set<Pos>::iterator si;
for(si = npos->begin(); si != npos->end(); si++) {
cpos.insert(*si);
}
return;
}
/* cad<pal */
else if (hermano_mayor==NULL) {
//cerr << " OJO cad<pal y h_m==NULL" << endl;
if (cad == "") {
ASSERT(hijo_menor==NULL);
/* Primer nodo del árbol después de crear
* con constructora por defecto.
*/
//cerr << " OJO estaba vacío" << endl;
cad = pal;
set<Pos>::iterator si;
for(si = npos->begin(); si != npos->end(); si++) {
cpos.insert(*si);
}
return;
}
NodoTrieS *nh = new NodoTrieS(pal, NULL, NULL, *npos);
hermano_mayor = nh;
return;
} else { /* cad<pal y hermano_mayor!=NULL */
//cerr << " OJO cad<pal y h_m!=NULL" << endl;
hermano_mayor->inserta(pal, npos);
return;
}
}
}
void
NodoTrieS::aDotty(std::ostream &os, string pref, bool primero, bool mayor)
noexcept(false)
{
static int numcluster = 0;
if (primero) {
os << "digraph \"rdsgc\" {" << endl << endl;
os << " rankdir=LR;" << endl;
}
if (cad != "") {
if (mayor) {
NodoTrieS *n = this;
while (n!=NULL) {
os << '"' << pref << n->cad
<< "\" [label=\"" << n->cad
<< " " << n->cpos << "\"]" << endl;
n = n->hermano_mayor;
}
n = this->hermano_mayor;
if (n!=NULL) {
numcluster++;
os << "subgraph cluster" << numcluster
<< " {"<<endl;
NodoTrieS *a = this;
while (n!=NULL) {
os << '"' << pref << a->cad <<
"\" -> \"" << pref
<< n->cad << "\" [color=\"red\"]"
<< endl;
a = n;
n = n->hermano_mayor;
}
os << "}" << endl << endl;
}
}
if (hijo_menor!=NULL) {
os << '"' << pref << cad << "\" -> \""
<< pref << cad << hijo_menor->cad
<< '"' << endl;
hijo_menor->aDotty(os, pref+cad, false, true);
}
if (hermano_mayor!=NULL) {
hermano_mayor->aDotty(os, pref, false, false);
}
} else {
throw string(" # Nodo con cadena vacía no procesado");
}
if (primero) {
os << "}" << endl;
}
}
void
NodoTrieS::aDotty2(std::ostream &os, string pref, bool primero)
{
NodoTrieS *n = this;
if (primero) {
os << "digraph \"Mt77\" {" << endl << endl;
}
if (n != NULL && n->cad != "") {
os << '"' << pref << n->cad
<< "\" [label=\"" << n->cad
<< " " << n->cpos << "\"]" << endl;
if (pref != "") {
os << '"' << pref << "\" -> \""
<< pref << n->cad << "\"" << endl;
}
if (n->hijo_menor != NULL) {
n->hijo_menor->aDotty2(os, pref+n->cad, false);
}
if (n->hermano_mayor != NULL) {
n->hermano_mayor->aDotty2(os, pref, false);
}
}
if (primero) {
os << "}" << endl;
}
}
void
NodoTrieS::aDotty2()
{
aDotty2(cout, "", true);
}
string
NodoTrieS::preorden()
{
string r = cad;
if (hijo_menor!=NULL) {
r+=hijo_menor->preorden();
}
if (hermano_mayor!=NULL) {
r+=hermano_mayor->preorden();
}
return r;
}
/**
* Mezcla dos tries retornando un tercero con el resultado.
* memoria: a1 y a2 son destruidos, la memoria que debían liberar
* ahora es responsabilidad del nuevo árbol retornado.
* Debería llamarse así:
* r = mezcla(a1, a2); a1=NULL; a2=NULL;
*/
NodoTrieS *
mezcla(NodoTrieS *a1, NodoTrieS *a2)
{
NodoTrieS *n1, *n2, *t;
NodoTrieS *res = NULL;
NodoTrieS **r=&res;
string c;
while (a1!=NULL || a2!=NULL) {
c = "";
if (a1!=NULL && a2!=NULL) {
c = prefijo_comun_mas_largo(a1->cad, a2->cad);
}
//cerr << " prefijo c="<<c<<endl;
if (c == "") {
if (a2==NULL || (a1!=NULL && a1->cad<a2->cad)) {
//cerr << "a1 primero" <<endl;
*r = new NodoTrieS(a1->cad, a1->hijo_menor,
NULL, a1->cpos);
r=&((*r)->hermano_mayor);
t = a1;
a1=a1->hermano_mayor;
t->hijo_menor = NULL;
t->hermano_mayor = NULL;
delete t;
} else { /*a2!=NULL && (a1==NULL || a2->cad < a1->cad) */
//cerr << "a2 primero" <<endl;
*r = new NodoTrieS(a2->cad, a2->hijo_menor,
NULL, a2->cpos);
r=&((*r)->hermano_mayor);
t = a2;
a2=a2->hermano_mayor;
t->hijo_menor = NULL;
t->hermano_mayor = NULL;
delete t;
}
} else if (a1->cad == a2->cad) { // c != "" && a1!=NULL && a2!=NULL
//cerr << "iguales" <<endl;
set<Pos> cpos;
insert_iterator<set<Pos> >
cpos_ins(cpos, cpos.begin());
NodoTrieS *m = mezcla(a1->hijo_menor, a2->hijo_menor);
a1->hijo_menor = NULL;
a2->hijo_menor = NULL;
set_union(a1->cpos.begin(), a1->cpos.end(),
a2->cpos.begin(), a2->cpos.end(),
cpos_ins);
/* http://h30097.www3.hp.com/cplus/set_union_3c__std.htm*/
*r = new NodoTrieS(a1->cad, m, NULL, cpos);
r=&((*r)->hermano_mayor);
t = a1;
a1=a1->hermano_mayor;
t->hermano_mayor = NULL;
delete t;
t = a2;
a2=a2->hermano_mayor;
t->hermano_mayor = NULL;
delete t;
} else { // c != "" && a1!=NULL && a2!=NULL && a1->cad != a2->cad
string r1=a1->cad.substr(c.size());
string r2=a2->cad.substr(c.size());
ASSERT(r1!="" || r2!="");
//cerr << "hay posfijo r1="<<r1<<" r2="<<r2<<endl;
if (r1=="") {
//cerr << "r1 vacio"<<endl;
a2->cad = r2;
n2=a2;
a2=a2->hermano_mayor;
n2->hermano_mayor = NULL;
NodoTrieS *m = mezcla(a1->hijo_menor, n2);
a1->hijo_menor = NULL;
n2=NULL;
*r = new NodoTrieS(c, m, NULL, a1->cpos);
r=&((*r)->hermano_mayor);
t = a1;
a1=a1->hermano_mayor;
t->hermano_mayor = NULL;
t->hijo_menor = NULL;
delete t;
} else if (r2=="") {
//cerr << "r2 vacio"<<endl;
n1=a1;
a1=a1->hermano_mayor;
n1->cad = r1;
n1->hermano_mayor = NULL;
NodoTrieS *m = mezcla(n1, a2->hijo_menor);
n1=NULL;
a2->hijo_menor = NULL;
*r = new NodoTrieS(c, m, NULL, a2->cpos);
r=&((*r)->hermano_mayor);
t = a2;
a2=a2->hermano_mayor;
t->hermano_mayor = NULL;
t->hijo_menor = NULL;
delete t;
} else if (r1 < r2) {
//cerr << "r1<r2"<<endl;
a1->cad = r1;
a2->cad = r2;
n1=a1;
a1=a1->hermano_mayor;
n2=a2;
a2=a2->hermano_mayor;
n2->hermano_mayor = NULL;
n1->hermano_mayor = n2;
*r = new NodoTrieS(c, n1, NULL, set<Pos>());
r=&((*r)->hermano_mayor);
} else { /* r2<r1 */
//cerr << "r2<r1"<<endl;
a1->cad = r1;
a2->cad = r2;
n1=a1;
a1=a1->hermano_mayor;
n2=a2;
a2=a2->hermano_mayor;
n2->hermano_mayor = n1;
n1->hermano_mayor = NULL;
*r = new NodoTrieS(c, n2, NULL, set<Pos>());
r=&((*r)->hermano_mayor);
}
}
}
/*cerr << "Sale de función con trie iniciado con ";
if (res!=NULL) {
cerr <<"res="<<res<<"("<<res->cad<<")"<<endl;
long p = 0;
res->escribePlanoStream(cerr, p) ;
cerr << endl;
} */
return res;
}
void
NodoTrieS::renumeraDocs(vector<int64_t> renum)
{
set<Pos>::iterator i;
set<Pos> opos(cpos);
cpos.clear();
for (i = opos.begin(); i != opos.end(); i++) {
ASSERT(i->numd > 0);
ASSERT((uint32_t)i->numd <= renum.size());
cpos.insert(Pos(renum[i->numd - 1] + 1, i->numb));
}
if (hermano_mayor != NULL) {
hermano_mayor->renumeraDocs(renum);
}
if (hijo_menor != NULL) {
hijo_menor->renumeraDocs(renum);
}
}
/** Construye un trieS a partir de un texto plano */
void leeTexto(const char *na, uint32_t ndoc, NodoTrieS &t, bool normalizaPal,
bool latin1)
{
ASSERT(na!=NULL && na[0] != '\0' && strlen(na)<FILENAME_MAX);
ASSERT(ndoc >= 0);
string pal;
// clog<<"Leyendo de "<<na<<endl;
//
// Error si no existe
ifstream fs(na);
if (!fs.is_open()) {
return;
}
uint32_t p;
do {
p = fs.tellg();
// clog << "OJO p=" << p << endl;
fs >> pal;
if (pal.size() >= MAXCAD) {
pal = pal.substr(0, MAXCAD);
}
if (!fs.eof()) {
// clog<<"Leida "<<pal<<endl;
if (p >= 0) {
// tellg comienza en 0 toca + 1
t.insertaNormalizando(pal, ndoc, p + 1,
normalizaPal, latin1);
}
}
} while (!fs.eof());
fs.close();
}
/**
* La función estádnar ispunct considera que las tildes son signos
* de puntuación por eso no se usa.
*/
bool es_signo_punt(unsigned char c)
{
if (c < '0' || (c > '9' && c < 'A') || (c > 'Z' && c < 'a')) {
// clog << c << "si es signo de puntuación" << endl;
return true;
}
return false;
}
/**
* Inserta una palabra normalizandola antes si normaliza es true
* @param pal Palabra por insertar
* @param numdoc Numero de documento en el que insertará
* @param pini Posición inicial donde insertará
* @param normaliza Indica si debe o no normalizar
* @param latin1 Indica si pal está en codificación LATIN1
*/
void
NodoTrieS::insertaNormalizando(string pal, uint32_t numdoc, uint32_t p, bool
normalizaPal, bool latin1)
{
string r;
if (normalizaPal) {
r = normaliza(pal, latin1);
} else {
r = pal;
}
if (r.size()>0) {
inserta(r, Pos(numdoc, p));
// clog<<" Insertada"<<endl;
}
}
/**
* Divide la cadena c en palabras e inserta cada una con la etiqueta
* dada en el árbol, referenciando el documento numdoc desde la
* posición inicial posini.
* @param c Cadena con palabras por insertar
* @param etiqueta Por agregar a cada palabra
* @param numdoc Número de documento del cual provienen
* @param pini Posición inicial en documento de la cadena c
* @param latin1 Lo que se agregará está en codificacíon LATIN1
*/
void
NodoTrieS::insertaConEtiqueta(string c, string etiqueta,
uint32_t numdoc, uint32_t pini, bool latin1)
{
ASSERT(c != "");
ASSERT(etiqueta != "");
int i;
string o = "";
int p, inio;
for (p = pini, inio = 0, i = 0; i < c.length(); p++ , i++) {
// clog << "insertaConEtiqueta: " << c[i] << endl;
if (c[i] == '.') {
// clog << "OJO Punto: " << c[i] << endl;
if (o.length() > 0) {
string ot = normaliza(etiqueta, latin1) + string(":") + o;
if (ot.length() >= MAXCAD) {
ot = ot.substr(0, MAXCAD);
// clog << "OJO Cortamos 1" << endl;
}
// clog << o << endl;
inserta(ot, Pos(numdoc, p));
}
o += ".";
//inio = p + 1;
//o = "";
} else if (isspace(c[i]) || es_signo_punt(c[i])) {
// clog << "Espacio o punct: " << *i << ", o.length()=" << o.length() << endl;
if (o.length() > 0) {
o = normaliza(etiqueta, latin1) + string(":") + o;
// clog << "tras unidr o.length()=" << o.length() << " y MAXCAD=" << MAXCAD << endl;
if (o.length() >= MAXCAD) {
o = o.substr(0, MAXCAD);
// clog << "OJO Cortamos" << endl;
}
// clog << o << endl;
inserta(o, Pos(numdoc, p));
}
inio = p + 1;
o = "";
} else if (o.length() < (MAXCAD - etiqueta.length() -1)) {
// clog << o << endl;
std::string temps;
temps = c.substr(i);
int inc = 0;
o += normalizaCaracter(temps, inc);
i += (inc - 1);
// clog << o << endl;
}
}
if (o.length() > 0) {
// Insertar palabra anterior si hay
o = normaliza(etiqueta, latin1) + string(":") + o;
if (o.length() >= MAXCAD) {
o = o.substr(0, MAXCAD);
}
// clog << o << endl;
inserta(o, Pos(numdoc, p));
}
}