projects.mako.cc - wikiq/blob - wikiq.cpp

   1 /*
   2  * An XML parser for Wikipedia Data dumps.
   3  * Converts XML files to tab-separated values files readable by spreadsheets
   4  * and statistical packages.
   5  */
   6
   7 #include <stdio.h>
   8 #include <iostream>
   9 #include <string.h>
  10 #include <ctype.h>
  11 #include <stdlib.h>
  12 #include "expat.h"
  13 #include <getopt.h>
  14 #include "disorder.h"
  15 #include "md5.h"
  16 #include "dtl/dtl.hpp"
  17 #include <vector>
  18 #include <map>
  19 #include <pcrecpp.h>
  20
  21
  22 using namespace std;
  23
  24 // timestamp of the form 2003-11-07T00:43:23Z
  25 #define DATE_LENGTH 10
  26 #define TIME_LENGTH 8
  27 #define TIMESTAMP_LENGTH 20
  28
  29 #define MEGABYTE 1048576
  30 #define FIELD_BUFFER_SIZE 1024
  31
  32 // this can be changed at runtime if we encounter an article larger than 10mb
  33 size_t text_buffer_size = 10 * MEGABYTE;
  34
  35 enum elements {
  36     TITLE, ARTICLEID, REVISION, REVID, TIMESTAMP, CONTRIBUTOR,
  37     EDITOR, EDITORID, MINOR, COMMENT, UNUSED, TEXT
  38 };
  39
  40 enum block { TITLE_BLOCK, REVISION_BLOCK, CONTRIBUTOR_BLOCK, SKIP };
  41
  42 enum outtype { FULL, SIMPLE };
  43
  44 typedef struct {
  45
  46     // pointers to once-allocated buffers
  47     char *title;
  48     char *articleid;
  49     char *revid;
  50     char *date;
  51     char *time;
  52     char *timestamp;
  53     char *anon;
  54     char *editor;
  55     char *editorid;
  56     char *comment;
  57     char *text;
  58     vector<string> last_text_tokens;
  59     vector<pcrecpp::RE> regexes;
  60     vector<pcrecpp::RE> wp_namespace_res;
  61     vector<string> regex_names;
  62     map<string, string> revision_md5; // used for detecting reversions
  63
  64     // track string size of the elements, to prevent O(N^2) processing in charhndl
  65     // when we have to take strlen for every character which we append to the buffer
  66     size_t title_size;
  67     size_t articleid_size;
  68     size_t revid_size;
  69     size_t date_size;
  70     size_t time_size;
  71     size_t timestamp_size;
  72     size_t anon_size;
  73     size_t editor_size;
  74     size_t editorid_size;
  75     size_t comment_size;
  76     size_t text_size;
  77
  78     bool minor;
  79
  80     enum elements element;
  81     enum block position;
  82     enum outtype output_type;
  83
  84 } revisionData;
  85
  86
  87 /* free_data and clean_data
  88  * Takes a pointer to the data struct and an integer {0,1} indicating if the
  89  * title data needs to be cleared as well.
  90  * Also, frees memory dynamically allocated to store data.
  91  */
  92 static void
  93 clean_data(revisionData *data, int title)
  94 {
  95     // reset title (if we are switching articles)
  96     if (title) {
  97         data->title[0] = '\0';
  98         data->articleid[0] = '\0';
  99         data->title_size = 0;
 100         data->articleid_size = 0;
 101     }
 102
 103     // reset text fields
 104     data->revid[0] = '\0';
 105     data->date[0] = '\0';
 106     data->time[0] = '\0';
 107     data->timestamp[0] = '\0';
 108     data->anon[0] = '\0';
 109     data->editor[0] = '\0';
 110     data->editorid[0] = '\0';
 111     data->comment[0] = '\0';
 112     data->text[0] = '\0';
 113
 114     // reset length tracking
 115     data->revid_size = 0;
 116     data->date_size = 0;
 117     data->time_size = 0;
 118     data->timestamp_size = 0;
 119     data->anon_size = 0;
 120     data->editor_size = 0;
 121     data->editorid_size = 0;
 122     data->comment_size = 0;
 123     data->text_size = 0;
 124
 125     // reset flags and element type info
 126     data->minor = false;
 127     data->element = UNUSED;
 128
 129 }
 130
 131 // presently unused
 132 static void
 133 free_data(revisionData *data, int title)
 134 {
 135     if (title) {
 136         //printf("freeing article\n");
 137         free(data->title);
 138         free(data->articleid);
 139     }
 140     free(data->revid);
 141     free(data->date);
 142     free(data->time);
 143     free(data->timestamp);
 144     free(data->anon);
 145     free(data->editor);
 146     free(data->editorid);
 147     free(data->comment);
 148     free(data->text);
 149     data->last_text_tokens.clear();
 150 }
 151
 152 void cleanup_revision(revisionData *data) {
 153     clean_data(data, 0);
 154 }
 155
 156 void cleanup_article(revisionData *data) {
 157     clean_data(data, 1);
 158     data->last_text_tokens.clear();
 159     data->revision_md5.clear();
 160 }
 161
 162
 163 static void
 164 init_data(revisionData *data, outtype output_type)
 165 {
 166     data->text = (char*) malloc(text_buffer_size);
 167     data->comment = (char*) malloc(FIELD_BUFFER_SIZE);
 168     data->title = (char*) malloc(FIELD_BUFFER_SIZE);
 169     data->articleid = (char*) malloc(FIELD_BUFFER_SIZE);
 170     data->revid = (char*) malloc(FIELD_BUFFER_SIZE);
 171     data->date = (char*) malloc(FIELD_BUFFER_SIZE);
 172     data->time = (char*) malloc(FIELD_BUFFER_SIZE);
 173     data->timestamp = (char*) malloc(FIELD_BUFFER_SIZE);
 174     data->anon = (char*) malloc(FIELD_BUFFER_SIZE);
 175     data->editor = (char*) malloc(FIELD_BUFFER_SIZE);
 176     data->editorid = (char*) malloc(FIELD_BUFFER_SIZE);
 177     data->minor = false;
 178
 179     // resets the data fields, null terminates strings, sets lengths
 180     clean_data(data, 1);
 181
 182     data->output_type = output_type;
 183 }
 184
 185 /* for debugging only, prints out the state of the data struct
 186  */
 187 static void
 188 print_state(revisionData *data)
 189 {
 190     printf("element = %i\n", data->element);
 191     printf("output_type = %i\n", data->output_type);
 192     printf("title = %s\n", data->title);
 193     printf("articleid = %s\n", data->articleid);
 194     printf("revid = %s\n", data->revid);
 195     printf("date = %s\n", data->date);
 196     printf("time = %s\n", data->time);
 197     printf("anon = %s\n", data->anon);
 198     printf("editor = %s\n", data->editor);
 199     printf("editorid = %s\n", data->editorid);
 200     printf("minor = %s\n", (data->minor ? "1" : "0"));
 201     printf("comment = %s\n", data->comment);
 202     printf("text = %s\n", data->text);
 203     printf("\n");
 204
 205 }
 206
 207
 208 /*
 209  * write a line of comma-separated value formatted data to standard out
 210  * follows the form:
 211  * title,articleid,revid,date,time,anon,editor,editorid,minor,comment
 212  * (str)  (int)    (int) (str)(str)(bin)(str)   (int)   (bin) (str)
 213  *
 214  * it is called right before cleanup_revision() and cleanup_article()
 215  */
 216 static void
 217 write_row(revisionData *data)
 218 {
 219
 220     // get md5sum
 221     md5_state_t state;
 222     md5_byte_t digest[16];
 223     char md5_hex_output[2 * 16 + 1];
 224     md5_init(&state);
 225     md5_append(&state, (const md5_byte_t *)data->text, data->text_size);
 226     md5_finish(&state, digest);
 227     int di;
 228     for (di = 0; di < 16; ++di) {
 229         sprintf(md5_hex_output + di * 2, "%02x", digest[di]);
 230     }
 231
 232     string reverted_to;
 233     map<string, string>::iterator prev_revision = data->revision_md5.find(md5_hex_output);
 234     if (prev_revision != data->revision_md5.end()) {
 235         reverted_to = prev_revision->second; // id of previous revision
 236     }
 237     data->revision_md5[md5_hex_output] = data->revid;
 238
 239     string text = string(data->text, data->text_size);
 240     vector<string> text_tokens;
 241     size_t pos = 0;
 242     size_t start = 0;
 243     while ((pos = text.find_first_of(" \n\t\r", pos)) != string::npos) {
 244         //cout << "\"\"\"" << text.substr(start, pos - start) << "\"\"\"" << endl;
 245         text_tokens.push_back(text.substr(start, pos - start));
 246         start = pos;
 247         ++pos;
 248     }
 249
 250     // skip this if the wp_namespace is not in the proscribed list of
 251     // namespaces
 252     bool wp_namespace_found = false;
 253     if (!data->wp_namespace_res.empty()) {
 254         for (vector<pcrecpp::RE>::iterator r = data->wp_namespace_res.begin(); r != data->wp_namespace_res.end(); ++r) {
 255             pcrecpp::RE& wp_namespace_re = *r;
 256             if (wp_namespace_re.PartialMatch(data->title)) {
 257                 wp_namespace_found = true;
 258                 break;
 259             }
 260         }
 261         if (!wp_namespace_found) {
 262             return;
 263         }
 264     }
 265
 266     //vector<string> additions;
 267     //vector<string> deletions;
 268     string additions;
 269     string deletions;
 270
 271     vector<bool> regex_matches_adds;
 272     vector<bool> regex_matches_dels;
 273
 274     if (data->last_text_tokens.empty()) {
 275         additions = data->text;
 276     } else {
 277         // do the diff
 278
 279         dtl::Diff< string, vector<string> > d(data->last_text_tokens, text_tokens);
 280         //d.onOnlyEditDistance();
 281         d.compose();
 282
 283         vector<pair<string, dtl::elemInfo> > ses_v = d.getSes().getSequence();
 284         for (vector<pair<string, dtl::elemInfo> >::iterator sit=ses_v.begin(); sit!=ses_v.end(); ++sit) {
 285             switch (sit->second.type) {
 286             case dtl::SES_ADD:
 287                 //cout << "ADD: \"" << sit->first << "\"" << endl;
 288                 additions += sit->first;
 289                 break;
 290             case dtl::SES_DELETE:
 291                 //cout << "DEL: \"" << sit->first << "\"" << endl;
 292                 deletions += sit->first;
 293                 break;
 294             }
 295         }
 296     }
 297
 298     if (!additions.empty()) {
 299         //cout << "ADD: " << additions << endl;
 300         for (vector<pcrecpp::RE>::iterator r = data->regexes.begin(); r != data->regexes.end(); ++r) {
 301             pcrecpp::RE& regex = *r;
 302             regex_matches_adds.push_back(regex.PartialMatch(additions));
 303         }
 304     }
 305
 306     if (!deletions.empty()) {
 307         //cout << "DEL: " << deletions << endl;
 308         for (vector<pcrecpp::RE>::iterator r = data->regexes.begin(); r != data->regexes.end(); ++r) {
 309             pcrecpp::RE& regex = *r;
 310             regex_matches_dels.push_back(regex.PartialMatch(deletions));
 311         }
 312     }
 313
 314     data->last_text_tokens = text_tokens;
 315
 316
 317     // print line of tsv output
 318     cout
 319         << data->title << "\t"
 320         << data->articleid << "\t"
 321         << data->revid << "\t"
 322         << data->date << " "
 323         << data->time << "\t"
 324         << ((data->editor[0] != '\0') ? "FALSE" : "TRUE") << "\t"
 325         << data->editor << "\t"
 326         << data->editorid << "\t"
 327         << ((data->minor) ? "TRUE" : "FALSE") << "\t"
 328         << (unsigned int) data->text_size << "\t"
 329         << shannon_H(data->text, data->text_size) << "\t"
 330         << md5_hex_output << "\t"
 331         << reverted_to << "\t"
 332         << (int) additions.size() << "\t"
 333         << (int) deletions.size();
 334
 335     for (int n = 0; n < data->regex_names.size(); ++n) {
 336         cout << "\t" << ((!regex_matches_adds.empty() && regex_matches_adds.at(n)) ? "TRUE" : "FALSE")
 337              << "\t" << ((!regex_matches_dels.empty() && regex_matches_dels.at(n)) ? "TRUE" : "FALSE");
 338     }
 339     cout << endl;
 340
 341     //
 342     if (data->output_type == FULL) {
 343         cout << "comment:" << data->comment << endl
 344              << "text:" << endl << data->text << endl;
 345     }
 346
 347 }
 348
 349 void
 350 split_timestamp(revisionData *data)
 351 {
 352     char *t = data->timestamp;
 353     strncpy(data->date, data->timestamp, DATE_LENGTH);
 354     char *timeinstamp = &data->timestamp[DATE_LENGTH+1];
 355     strncpy(data->time, timeinstamp, TIME_LENGTH);
 356 }
 357
 358 // like strncat but with previously known length
 359 char*
 360 strlcatn(char *dest, const char *src, size_t dest_len, size_t n)
 361 {
 362    size_t i;
 363
 364    for (i = 0 ; i < n && src[i] != '\0' ; i++)
 365        dest[dest_len + i] = src[i];
 366    dest[dest_len + i] = '\0';
 367
 368    return dest;
 369 }
 370
 371 static void
 372 charhndl(void* vdata, const XML_Char* s, int len)
 373 {
 374     revisionData* data = (revisionData*) vdata;
 375     size_t bufsz;
 376     if (data->element != UNUSED && data->position != SKIP) {
 377         switch (data->element) {
 378             case TEXT:
 379                     // check if we'd overflow our buffer
 380                     bufsz = data->text_size + len;
 381                     if (bufsz + 1 > text_buffer_size) {
 382                         data->text = (char*) realloc(data->text, bufsz + 1);
 383                         text_buffer_size = bufsz + 1;
 384                     }
 385                     strlcatn(data->text, s, data->text_size, len);
 386                     data->text_size = bufsz;
 387                     break;
 388             case COMMENT:
 389                     strlcatn(data->comment, s, data->comment_size, len);
 390                     data->comment_size += len;
 391                     break;
 392             case TITLE:
 393                     strlcatn(data->title, s, data->title_size, len);
 394                     data->title_size += len;
 395                     break;
 396             case ARTICLEID:
 397                    // printf("articleid = %s\n", t);
 398                     strlcatn(data->articleid, s, data->articleid_size, len);
 399                     data->articleid_size += len;
 400                     break;
 401             case REVID:
 402                    // printf("revid = %s\n", t);
 403                     strlcatn(data->revid, s, data->revid_size, len);
 404                     data->revid_size += len;
 405                     break;
 406             case TIMESTAMP:
 407                     strlcatn(data->timestamp, s, data->timestamp_size, len);
 408                     data->timestamp_size += len;
 409                     if (strlen(data->timestamp) == TIMESTAMP_LENGTH)
 410                         split_timestamp(data);
 411                     break;
 412             case EDITOR:
 413                     strlcatn(data->editor, s, data->editor_size, len);
 414                     data->editor_size += len;
 415                     break;
 416             case EDITORID:
 417                     //printf("editorid = %s\n", t);
 418                     strlcatn(data->editorid, s, data->editorid_size, len);
 419                     data->editorid_size += len;
 420                     break;
 421             /* the following are implied or skipped:
 422             case MINOR:
 423                     printf("found minor element\n");  doesn't work
 424                     break;                   minor tag is just a tag
 425             case UNUSED:
 426             */
 427             default: break;
 428         }
 429     }
 430 }
 431
 432 static void
 433 start(void* vdata, const XML_Char* name, const XML_Char** attr)
 434 {
 435     revisionData* data = (revisionData*) vdata;
 436
 437     if (strcmp(name,"title") == 0) {
 438         cleanup_article(data); // cleans up data from last article
 439         data->element = TITLE;
 440         data->position = TITLE_BLOCK;
 441     } else if (data->position != SKIP) {
 442         if (strcmp(name,"revision") == 0) {
 443             data->element = REVISION;
 444             data->position = REVISION_BLOCK;
 445         } else if (strcmp(name, "contributor") == 0) {
 446             data->element = CONTRIBUTOR;
 447             data->position = CONTRIBUTOR_BLOCK;
 448         } else if (strcmp(name,"id") == 0)
 449             switch (data->position) {
 450                 case TITLE_BLOCK:
 451                     data->element = ARTICLEID;
 452                     break;
 453                 case REVISION_BLOCK:
 454                     data->element = REVID;
 455                     break;
 456                 case CONTRIBUTOR_BLOCK:
 457                     data->element = EDITORID;
 458                     break;
 459             }
 460
 461         // minor tag has no character data, so we parse here
 462         else if (strcmp(name,"minor") == 0) {
 463             data->element = MINOR;
 464             data->minor = true;
 465         }
 466         else if (strcmp(name,"timestamp") == 0)
 467             data->element = TIMESTAMP;
 468
 469         else if (strcmp(name, "username") == 0)
 470             data->element = EDITOR;
 471
 472         else if (strcmp(name,"ip") == 0)
 473             data->element = EDITORID;
 474
 475         else if (strcmp(name,"comment") == 0)
 476             data->element = COMMENT;
 477
 478         else if (strcmp(name,"text") == 0)
 479             data->element = TEXT;
 480
 481         else if (strcmp(name,"page") == 0
 482                 || strcmp(name,"mediawiki") == 0
 483                 || strcmp(name,"restrictions") == 0
 484                 || strcmp(name,"siteinfo") == 0)
 485             data->element = UNUSED;
 486     }
 487
 488 }
 489
 490
 491 static void
 492 end(void* vdata, const XML_Char* name)
 493 {
 494     revisionData* data = (revisionData*) vdata;
 495     if (strcmp(name, "revision") == 0 && data->position != SKIP) {
 496         write_row(data); // crucial... :)
 497         cleanup_revision(data);  // also crucial
 498     } else {
 499         data->element = UNUSED; // sets our state to "not-in-useful"
 500     }                           // thus avoiding unpleasant character data
 501                                 // b/w tags (newlines etc.)
 502 }
 503
 504 void print_usage(char* argv[]) {
 505     cerr << "usage: <wikimedia dump xml> | " << argv[0] << "[options]" << endl
 506          << endl
 507          << "options:" << endl
 508          << "  -v   verbose mode prints text and comments after each line of tab separated data" << endl
 509          << "  -n   name of the following regex (e.g. -n name -r \"...\")" << endl
 510          << "  -r   regex to check against additions and deletions" << endl
 511          << "  -t   regex(es) to check title against as a way of limiting output to specific namespaces" << endl
 512          << endl
 513          << "Takes a wikimedia data dump XML stream on standard in, and produces" << endl
 514          << "a tab-separated stream of revisions on standard out:" << endl
 515          << endl
 516          << "title, articleid, revid, timestamp, anon, editor, editorid, minor," << endl
 517          << "text_length, text_entropy, text_md5, reversion, additions_size, deletions_size" << endl
 518          << ".... and additional fields for each regex executed against add/delete diffs" << endl
 519          << endl
 520          << "Boolean fields are TRUE/FALSE except in the case of reversion, which is blank" << endl
 521          << "unless the article is a revert to a previous revision, in which case, it" << endl
 522          << "contains the revision ID of the revision which was reverted to." << endl
 523          << endl
 524          << "author: Erik Garrison <erik@hypervolu.me>" << endl;
 525 }
 526
 527
 528 int
 529 main(int argc, char *argv[])
 530 {
 531
 532     enum outtype output_type;
 533     int dry_run = 0;
 534     // in "simple" output, we don't print text and comments
 535     output_type = SIMPLE;
 536     char c;
 537     string regex_name;
 538
 539     // the user data struct which is passed to callback functions
 540     revisionData data;
 541
 542     while ((c = getopt(argc, argv, "hvn:r:t:")) != -1)
 543         switch (c)
 544         {
 545             case 'd':
 546                 dry_run = 1;
 547                 break;
 548             case 'v':
 549                 output_type = FULL;
 550                 break;
 551             case 'n':
 552                 regex_name = optarg;
 553                 break;
 554             case 'r':
 555                 data.regexes.push_back(pcrecpp::RE(optarg, pcrecpp::UTF8()));
 556                 data.regex_names.push_back(regex_name);
 557                 if (!regex_name.empty()) {
 558                     regex_name.clear();
 559                 }
 560                 break;
 561             case 'h':
 562                 print_usage(argv);
 563                 exit(0);
 564                 break;
 565             case 't':
 566                 data.wp_namespace_res.push_back(pcrecpp::RE(optarg, pcrecpp::UTF8()));
 567                 break;
 568         }
 569
 570     if (dry_run) { // lets us print initialization options
 571         printf("simple_output = %i\n", output_type);
 572         exit(1);
 573     }
 574
 575     // create a new instance of the expat parser
 576     XML_Parser parser = XML_ParserCreate("UTF-8");
 577
 578     // initialize the elements of the struct to default values
 579     init_data(&data, output_type);
 580
 581
 582     // makes the parser pass "data" as the first argument to every callback
 583     XML_SetUserData(parser, &data);
 584     void (*startFnPtr)(void*, const XML_Char*, const XML_Char**) = start;
 585     void (*endFnPtr)(void*, const XML_Char*) = end;
 586     void (*charHandlerFnPtr)(void*, const XML_Char*, int) = charhndl;
 587
 588     // sets start and end to be the element start and end handlers
 589     XML_SetElementHandler(parser, startFnPtr, endFnPtr);
 590     // sets charhndl to be the callback for character data
 591     XML_SetCharacterDataHandler(parser, charHandlerFnPtr);
 592
 593     bool done;
 594     char buf[BUFSIZ];
 595
 596     // write header
 597
 598     cout << "title" << "\t"
 599         << "articleid" << "\t"
 600         << "revid" << "\t"
 601         << "date" << " "
 602         << "time" << "\t"
 603         << "anon" << "\t"
 604         << "editor" << "\t"
 605         << "editor_id" << "\t"
 606         << "minor" << "\t"
 607         << "text_size" << "\t"
 608         << "text_entropy" << "\t"
 609         << "text_md5" << "\t"
 610         << "reversion" << "\t"
 611         << "additions_size" << "\t"
 612         << "deletions_size";
 613
 614     int n = 0;
 615     if (!data.regexes.empty()) {
 616         for (vector<pcrecpp::RE>::iterator r = data.regexes.begin(); r != data.regexes.end(); ++r, ++n) {
 617             if (data.regex_names.at(n).empty()) {
 618                 cout << "\t" << "regex_" << n << "_add"
 619                      << "\t" << "regex_" << n << "_del";
 620             } else {
 621                 cout << "\t" << data.regex_names.at(n) << "_add"
 622                      << "\t" << data.regex_names.at(n) << "_del";
 623             }
 624         }
 625     }
 626     cout << endl;
 627
 628     // shovel data into the parser
 629     do {
 630
 631         // read into buf a bufferfull of data from standard input
 632         size_t len = fread(buf, 1, BUFSIZ, stdin);
 633         done = len < BUFSIZ; // checks if we've got the last bufferfull
 634
 635         // passes the buffer of data to the parser and checks for error
 636         //   (this is where the callbacks are invoked)
 637         if (XML_Parse(parser, buf, len, done) == XML_STATUS_ERROR) {
 638             cerr << "XML ERROR: " << XML_ErrorString(XML_GetErrorCode(parser)) << " at line "
 639                  << (int) XML_GetCurrentLineNumber(parser) << endl;
 640             return 1;
 641         }
 642     } while (!done);
 643
 644
 645     XML_ParserFree(parser);
 646
 647     return 0;
 648 }