parse-common.lisp

   1 ;;;; -*- Mode: Lisp; Syntax: ANSI-Common-Lisp; Base: 10; Package: umlisp -*-
   2 ;;;; *************************************************************************
   3 ;;;; FILE IDENTIFICATION
   4 ;;;;
   5 ;;;; Name:     parse-common.lisp
   6 ;;;; Purpose:  Common, stable parsing routines for UMLisp
   7 ;;;; Author:   Kevin M. Rosenberg
   8 ;;;; Created:  Apr 2000
   9 ;;;;
  10 ;;;; $Id$
  11 ;;;;
  12 ;;;; This file, part of UMLisp, is
  13 ;;;;    Copyright (c) 2000-2006 by Kevin M. Rosenberg, M.D.
  14 ;;;;
  15 ;;;; UMLisp users are granted the rights to distribute and use this software
  16 ;;;; as governed by the terms of the GNU General Public License.
  17 ;;;; *************************************************************************
  18
  19 (in-package #:umlisp)
  20
  21 (defun ensure-ucols+ufiles (&optional (alwaysclear nil))
  22   "Initialize all UMLS file and column structures if not already initialized"
  23   (handler-case
  24       (when (or alwaysclear (null *umls-files*))
  25         (setf *umls-cols* nil *umls-files* nil)
  26         (gen-ufiles)
  27         (gen-ucols)
  28         (set-ucols-for-ufiles *umls-files*)
  29         (ensure-field-lengths))
  30       (error (e)
  31              (warn "Error reading ucols+ufiles: ~A." e)
  32              (setf *umls-cols* nil *umls-files* nil)
  33              nil))
  34   t)
  35
  36
  37 (defun add-ucols (ucols)
  38   "Adds a ucol or list of ucols to *umls-cols*. Returns input value."
  39   (setq *umls-cols* (append (mklist ucols) *umls-cols*))
  40   ucols)
  41
  42 (defun add-ufiles (ufiles)
  43   "Adds a ufile or list of ufiles to *umls-filess*. Returns input value."
  44   (setq *umls-files* (append (mklist ufiles) *umls-files*))
  45   ufiles)
  46
  47 (defun ufile-pathname (ufile &optional (extension ""))
  48   "Return pathname for a umls filename with an optional extension"
  49   (assert (typep ufile 'ufile))
  50   (let* ((dirs (append (list (dir ufile))
  51                        (awhen (subdir ufile) (list it))))
  52          (name-list (delimited-string-to-list (fil ufile) #\.))
  53          (name (if (second name-list)
  54                    (first name-list)
  55                    (concatenate 'string (first name-list) (or extension ""))))
  56          (type (when (second name-list)
  57                  (concatenate 'string (second name-list) (or extension "")))))
  58      (merge-pathnames
  59       (make-pathname :name name :type type
  60                      :directory (cons :relative dirs))
  61       *umls-path*)))
  62
  63 (defun umls-pathname (filename &optional (extension ""))
  64 "Return pathname for a umls filename with an optional extension"
  65   (etypecase filename
  66     (string
  67      (let* ((name-list (delimited-string-to-list filename #\.))
  68             (name (if (second name-list)
  69                       (first name-list)
  70                       (concatenate 'string (first name-list) (or extension ""))))
  71             (type (when (second name-list)
  72                     (concatenate 'string (second name-list) (or extension "")))))
  73      (merge-pathnames
  74       (make-pathname :name name :type type)
  75       (case (schar filename 0)
  76         ((#\M #\m)
  77          *meta-path*)
  78         ((#\L #\l)
  79          *lex-path*)
  80         ((#\S #\s)
  81          *net-path*)
  82         (t
  83          *umls-path*)))))
  84     (pathname
  85      filename)))
  86
  87
  88 ;;; Find field lengths for LEX and NET files
  89
  90 (defun ensure-field-lengths ()
  91   "Initial colstruct field lengths for files that don't have a measurement.
  92 Currently, these are the LEX and NET files."
  93   (dolist (length-list (ufiles-field-lengths (ufiles-to-measure)))
  94     (destructuring-bind (filename fields-max fields-av) length-list
  95       (let ((file (find-ufile filename)))
  96         (unless file
  97           (error "Can't find ~A filename in ufiles" filename))
  98         (unless (= (length fields-max) (length (fields file)))
  99           (error
 100            "Number of file fields ~A not equal to field count in ufile ~S"
 101            fields-max file))
 102         (dotimes (i (length (fields file)))
 103           (declare (fixnum i))
 104           (let* ((field (nth i (fields file)))
 105                  (col (find-ucol field filename)))
 106             (unless col
 107                 (error "can't find column ~A" field))
 108             (setf (cmax col) (aref fields-max i))
 109             (setf (av col) (aref fields-av i))
 110             (ensure-ucol-datatype col (datatype-for-colname (col col)))))))))
 111
 112 (defun ufiles-to-measure ()
 113   "Returns a list of ufiles to measure"
 114   (loop for ufile in *umls-files*
 115         unless (or (char= #\M (schar (fil ufile) 0))
 116                    (char= #\m (schar (fil ufile) 0)))
 117       collect ufile))
 118
 119
 120 (defun ufiles-field-lengths (ufiles)
 121   "Returns a list of lists of containing (FILE MAX AV)"
 122   (loop for ufile in ufiles collect (file-field-lengths ufile)))
 123
 124 (defun file-field-lengths (ufile)
 125   "Returns a list of FILENAME MAX AV"
 126   (declare (optimize (speed 3) (safety 0)))
 127   (let (fields-max fields-av num-fields (count-lines 0))
 128     (declare (fixnum count-lines))
 129     (with-umls-ufile (line ufile)
 130       (unless num-fields
 131         (setq num-fields (length line))
 132         (setq fields-max (make-array num-fields :element-type 'fixnum
 133                                      :initial-element 0))
 134         (setq fields-av (make-array num-fields :element-type '(or integer float)
 135                                     :initial-element 0)))
 136       (dotimes (i num-fields)
 137         (declare (fixnum i))
 138         (let* ((str (nth i line))
 139                (len (length #-(and clisp unicode) str
 140                             #+(and clisp unicode)
 141                             (if *octet-sql-storage*
 142                                 (ext:convert-string-to-bytes str charset:utf-8)
 143                               str))))
 144           #-(and clisp unicode) (declare (string str))
 145           (declare (type (integer 0 10000000) len))
 146           (incf (aref fields-av i) len)
 147           (when (> len (aref fields-max i))
 148             (setf (aref fields-max i) len))))
 149       (incf count-lines))
 150     (dotimes (i num-fields)
 151       (setf (aref fields-av i) (float (/ (aref fields-av i) count-lines))))
 152     (list (fil ufile) fields-max fields-av)))
 153
 154 ;;; UMLS column/file functions
 155
 156 (defun find-ucol-of-colname (colname filename ucols)
 157 "Returns list of umls-col structure for a column name and a filename"
 158   (dolist (ucol ucols nil)
 159     (when (and (string-equal filename (fil ucol))
 160                (string-equal colname (col ucol)))
 161       (return-from find-ucol-of-colname ucol))))
 162
 163 (defun ensure-col-in-columns (colname filename ucols)
 164   (aif (find-ucol-of-colname colname filename ucols)
 165        it
 166        (add-ucols (make-ucol-for-column colname filename ucols))))
 167
 168 (defun make-ucol-for-column (colname filename ucols)
 169   ;; try to find column name without a terminal digit
 170   (let* ((len (length colname))
 171          (last-digit? (digit-char-p (schar colname (1- len))))
 172          (base-colname (if last-digit?
 173                            (subseq colname 0 (1- len))
 174                            colname))
 175          (ucol (when last-digit?
 176                  (find-ucol-of-colname base-colname filename ucols))))
 177     (when (and last-digit? (null ucol))
 178       (error "Couldn't find a base column for col ~A in file ~A"
 179              colname filename))
 180     (copy-or-new-ucol colname filename ucol)))
 181
 182 (defun copy-or-new-ucol (colname filename ucol)
 183   (if ucol
 184       (make-instance
 185        'ucol
 186        :col (copy-seq colname) :des (copy-seq (des ucol)) :ref (copy-seq (ref ucol))
 187        :min (cmin ucol) :max (cmax ucol) :fil (copy-seq (fil ucol))
 188        :sqltype (copy-seq (sqltype ucol)) :dty (copy-seq (dty ucol))
 189        :parse-fun (parse-fun ucol) :quote-str (copy-seq (quote-str ucol))
 190        :datatype (datatype ucol) :custom-value-fun (custom-value-fun ucol))
 191       (make-empty-ucol colname filename)))
 192
 193 (defun ensure-compiled-fun (fun)
 194   "Ensure that a function is compiled"
 195   (etypecase fun
 196     (null
 197      nil)
 198     (function
 199      (if (compiled-function-p fun)
 200          fun
 201          (compile nil fun)))
 202     (list
 203      (compile nil fun))))
 204
 205 (defun make-ucol (col des ref min av max fil dty
 206                   &key (sqltype "VARCHAR") (parse-fun #'add-sql-quotes)
 207                   (quote-str "'") (custom-value-fun))
 208   (let ((ucol (make-instance
 209                'ucol
 210                :col col :des des :ref ref :min min :av av
 211                :max (if (eql max 0) 1 max) ;; ensure at least one char wide
 212                :fil fil
 213                :dty dty
 214                :sqltype sqltype
 215                :quote-str quote-str
 216                :parse-fun (ensure-compiled-fun parse-fun)
 217                :custom-value-fun (ensure-compiled-fun custom-value-fun))))
 218     (ensure-ucol-datatype ucol (datatype-for-colname col))
 219     ucol))
 220
 221 (defun make-empty-ucol (colname filename)
 222   ;;(format "call in make-empty-ucol: ~A/~A" colname filename)
 223   (make-ucol (copy-seq colname) "Unknown" "" nil nil nil filename nil))
 224
 225 (defun find-ucol (colname filename)
 226   "Returns list of umls-col structure for a column name and a filename"
 227   (ensure-col-in-columns colname filename *umls-cols*))
 228
 229 (defun find-ufile (filename)
 230   "Returns umls-file structure for a filename"
 231   (find-if #'(lambda (f) (string= filename (fil f))) *umls-files*))
 232
 233 (defvar *position-hash* (make-hash-table :test 'equal))
 234
 235 (defun position-field-file (filename fieldname)
 236   "Returns the position of a field in a file"
 237   (let ((key (cons filename fieldname)))
 238     (multiple-value-bind (pos found) (gethash key *position-hash*)
 239       (if found
 240           (return-from position-field-file pos)))
 241
 242     (let ((ufile (find-ufile filename)))
 243       (unless ufile
 244         (warn "Unable to find ufile for filename ~A." filename)
 245         (return-from position-field-file nil))
 246       (let ((pos (position fieldname (fields ufile) :test #'string=)))
 247         (unless pos
 248           (warn "Unable to find field ~A in ufile ~S." fieldname ufile)
 249           (return-from position-field-file nil))
 250         (setf (gethash key *position-hash*) pos)
 251         pos))))
 252
 253 (defun find-ucols-for-ufile (ufile)
 254   "Returns list of umls-cols for a file structure"
 255   (loop for colname in (fields ufile)
 256       collect (find-ucol colname
 257                          (if (subdir ufile)
 258                              (concatenate 'string (subdir ufile) "/" (fil ufile))
 259                            (fil ufile)))))
 260
 261 (defun umls-field-string-to-list (fmt)
 262   "Converts a comma delimited list of fields into a list of field names. Will
 263 append a unique number (starting at 2) onto a column name that is repeated in the list"
 264   (let ((col-counts (make-hash-table :test 'equal)))
 265     (loop for colname in (delimited-string-to-list (escape-column-name fmt) #\,)
 266           collect
 267           (multiple-value-bind (value found) (gethash colname col-counts)
 268             (cond
 269               (found
 270                 (incf (gethash colname col-counts))
 271                 (concatenate 'string colname (write-to-string (1+ value))))
 272               (t
 273                (setf (gethash colname col-counts) 1)
 274                colname))))))
 275
 276 (defun decompose-fil (fil)
 277   (if fil
 278       (let ((pos (position #\/ fil)))
 279         (if pos
 280             (values (subseq fil (1+ pos)) (subseq fil 0 pos))
 281           (values fil nil)))
 282     (values nil nil)))
 283
 284 (defun filename-to-tablename (file)
 285   (let ((pos (search ".RRF" file)))
 286     (when pos
 287       (setf file (subseq file 0 pos))))
 288   (substitute #\_ #\. file))
 289
 290 (defun make-ufile (dir fil des cls rws bts fields)
 291   (multiple-value-bind (file subdir) (decompose-fil fil)
 292     (let ((ufile (make-instance 'ufile :dir dir :fil file :subdir subdir
 293                                 :des des :cls cls
 294                                 :rws rws :bts bts :fields fields
 295                                 :table (filename-to-tablename file))))
 296       ufile)))
 297
 298 (defun set-ucols-for-ufiles (ufiles)
 299   (dolist (ufile ufiles)
 300     (setf (ucols ufile) (find-ucols-for-ufile ufile))))
 301
 302 (defun datatype-for-colname (colname)
 303 "Return datatype for column name"
 304   (second (find colname +col-datatypes+ :key #'car :test #'string-equal)))
 305
 306 (defun canonicalize-column-type (type)
 307   (cond
 308    ((string-equal type "TINYINT")
 309     (case *umls-sql-type*
 310       (:mysql "TINYINT")
 311       ((:postgresql :postgresql-socket) "INT1")
 312       (:oracle "NUMBER(3,0)")
 313       (t "INTEGER")))
 314    ((string-equal type "SMALLINT")
 315     (case *umls-sql-type*
 316       (:mysql "SMALLINT")
 317       ((:postgresql :postgresql-socket) "INT2")
 318       (:oracle "NUMBER(5,0)")
 319       (t "INTEGER")))
 320    ((string-equal type "INTEGER")
 321     (case *umls-sql-type*
 322       (:mysql "INTEGER")
 323       ((:postgresql :postgresql-socket) "INT4")
 324       (:oracle "NUMBER(9,0)")
 325       (t "INTEGER")))
 326    ((string-equal type "BIGINT")
 327     (case *umls-sql-type*
 328       (:mysql "BIGINT")
 329       ((:postgresql :postgresql-socket) "INT8")
 330       (:oracle "NUMBER(38,0)")
 331       (t "INTEGER")))
 332    ((string-equal type "TEXT")
 333     (case *umls-sql-type*
 334       (:mysql "TEXT")
 335       ((:postgresql :postgresql-socket) "TEXT")
 336       (:oracle "VARCHAR2(3000)")
 337       (t "VARCHAR(3000)")))
 338    ((string-equal type "VARCHAR")
 339     (case *umls-sql-type*
 340       (:mysql "VARCHAR")
 341       ((:postgresql :postgresql-socket) "VARCHAR")
 342       (:oracle "VARCHAR2")
 343       (t "VARCHAR")))
 344    ((string-equal type "NUMERIC")
 345     (case *umls-sql-type*
 346       (:mysql "NUMERIC")
 347       ((:postgresql :postgresql-socket) "NUMERIC")
 348       (:oracle "NUMBER")
 349       (t "NUMERIC")))
 350    (t
 351     type)))
 352
 353 (defun ensure-ucol-datatype (col datatype)
 354   "Add data type information to column"
 355   (setf (datatype col) datatype)
 356   (case datatype
 357     (sql-u (setf (sqltype col) (canonicalize-column-type "INTEGER")
 358                  (parse-fun col) #'parse-ui
 359                  (quote-str col) ""))
 360     (sql-s (setf (sqltype col) (canonicalize-column-type "SMALLINT")
 361                  (parse-fun col) #'parse-integer
 362                  (quote-str col) ""))
 363     (sql-l (setf (sqltype col)  (canonicalize-column-type "BIGINT")
 364                  (parse-fun col) #'parse-integer
 365                  (quote-str col) ""))
 366     (sql-i (setf (sqltype col)  (canonicalize-column-type "INTEGER")
 367                  (parse-fun col) #'parse-integer
 368                  (quote-str col) ""))
 369     (sql-t (setf (sqltype col)  (canonicalize-column-type "TINYINT")
 370                  (parse-fun col) #'parse-integer
 371                  (quote-str col) ""))
 372     (sql-f (setf (sqltype col)  (canonicalize-column-type "NUMERIC")
 373                  (parse-fun col) #'read-from-string
 374                  (quote-str col) ""))
 375     (t                                  ; Default column type, optimized text storage
 376      (setf (parse-fun col) #'add-sql-quotes
 377            (quote-str col) "'")
 378      (when (and (cmax col) (av col))
 379        (if (> (cmax col) 255)
 380            (setf (sqltype col) (canonicalize-column-type "TEXT"))
 381          (setf (sqltype col) (canonicalize-column-type "VARCHAR")))))))
 382
 383 (defun escape-column-name (name)
 384   (substitute #\_ #\/ name))