src/nominatim_db/tokenizer/factory.py

   1 # SPDX-License-Identifier: GPL-3.0-or-later
   2 #
   3 # This file is part of Nominatim. (https://nominatim.org)
   4 #
   5 # Copyright (C) 2024 by the Nominatim developer community.
   6 # For a full list of authors see the git log.
   7 """
   8 Functions for creating a tokenizer or initialising the right one for an
   9 existing database.
  10
  11 A tokenizer is something that is bound to the lifetime of a database. It
  12 can be chosen and configured before the initial import but then needs to
  13 be used consistently when querying and updating the database.
  14
  15 This module provides the functions to create and configure a new tokenizer
  16 as well as instantiating the appropriate tokenizer for updating an existing
  17 database.
  18 """
  19 from typing import Optional
  20 import logging
  21 import importlib
  22 from pathlib import Path
  23
  24 from ..errors import UsageError
  25 from ..db import properties
  26 from ..db.connection import connect
  27 from ..config import Configuration
  28 from ..tokenizer.base import AbstractTokenizer, TokenizerModule
  29
  30 LOG = logging.getLogger()
  31
  32 def _import_tokenizer(name: str) -> TokenizerModule:
  33     """ Load the tokenizer.py module from project directory.
  34     """
  35     src_file = Path(__file__).parent / (name + '_tokenizer.py')
  36     if not src_file.is_file():
  37         LOG.fatal("No tokenizer named '%s' available. "
  38                   "Check the setting of NOMINATIM_TOKENIZER.", name)
  39         raise UsageError('Tokenizer not found')
  40
  41     return importlib.import_module('nominatim_db.tokenizer.' + name + '_tokenizer')
  42
  43
  44 def create_tokenizer(config: Configuration, init_db: bool = True,
  45                      module_name: Optional[str] = None) -> AbstractTokenizer:
  46     """ Create a new tokenizer as defined by the given configuration.
  47
  48         The tokenizer data and code is copied into the 'tokenizer' directory
  49         of the project directory and the tokenizer loaded from its new location.
  50     """
  51     if module_name is None:
  52         module_name = config.TOKENIZER
  53
  54     # Create the directory for the tokenizer data
  55     assert config.project_dir is not None
  56     basedir = config.project_dir / 'tokenizer'
  57     if not basedir.exists():
  58         basedir.mkdir()
  59     elif not basedir.is_dir():
  60         LOG.fatal("Tokenizer directory '%s' cannot be created.", basedir)
  61         raise UsageError("Tokenizer setup failed.")
  62
  63     # Import and initialize the tokenizer.
  64     tokenizer_module = _import_tokenizer(module_name)
  65
  66     tokenizer = tokenizer_module.create(config.get_libpq_dsn(), basedir)
  67     tokenizer.init_new_db(config, init_db=init_db)
  68
  69     with connect(config.get_libpq_dsn()) as conn:
  70         properties.set_property(conn, 'tokenizer', module_name)
  71
  72     return tokenizer
  73
  74
  75 def get_tokenizer_for_db(config: Configuration) -> AbstractTokenizer:
  76     """ Instantiate a tokenizer for an existing database.
  77
  78         The function looks up the appropriate tokenizer in the database
  79         and initialises it.
  80     """
  81     assert config.project_dir is not None
  82     basedir = config.project_dir / 'tokenizer'
  83     if not basedir.is_dir():
  84         # Directory will be repopulated by tokenizer below.
  85         basedir.mkdir()
  86
  87     with connect(config.get_libpq_dsn()) as conn:
  88         name = properties.get_property(conn, 'tokenizer')
  89
  90     if name is None:
  91         LOG.fatal("Tokenizer was not set up properly. Database property missing.")
  92         raise UsageError('Cannot initialize tokenizer.')
  93
  94     tokenizer_module = _import_tokenizer(name)
  95
  96     tokenizer = tokenizer_module.create(config.get_libpq_dsn(), basedir)
  97     tokenizer.init_from_project(config)
  98
  99     return tokenizer