nominatim/api/search/icu_tokenizer.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) 2023 by the Nominatim developer community.
   6 # For a full list of authors see the git log.
   7 """
   8 Implementation of query analysis for the ICU tokenizer.
   9 """
  10 from typing import Tuple, Dict, List, Optional, NamedTuple, Iterator, Any, cast
  11 from copy import copy
  12 from collections import defaultdict
  13 import dataclasses
  14 import difflib
  15
  16 from icu import Transliterator
  17
  18 import sqlalchemy as sa
  19
  20 from nominatim.typing import SaRow
  21 from nominatim.api.connection import SearchConnection
  22 from nominatim.api.logging import log
  23 from nominatim.api.search import query as qmod
  24 from nominatim.api.search.query_analyzer_factory import AbstractQueryAnalyzer
  25
  26
  27 DB_TO_TOKEN_TYPE = {
  28     'W': qmod.TokenType.WORD,
  29     'w': qmod.TokenType.PARTIAL,
  30     'H': qmod.TokenType.HOUSENUMBER,
  31     'P': qmod.TokenType.POSTCODE,
  32     'C': qmod.TokenType.COUNTRY
  33 }
  34
  35
  36 class QueryPart(NamedTuple):
  37     """ Normalized and transliterated form of a single term in the query.
  38         When the term came out of a split during the transliteration,
  39         the normalized string is the full word before transliteration.
  40         The word number keeps track of the word before transliteration
  41         and can be used to identify partial transliterated terms.
  42     """
  43     token: str
  44     normalized: str
  45     word_number: int
  46
  47
  48 QueryParts = List[QueryPart]
  49 WordDict = Dict[str, List[qmod.TokenRange]]
  50
  51 def yield_words(terms: List[QueryPart], start: int) -> Iterator[Tuple[str, qmod.TokenRange]]:
  52     """ Return all combinations of words in the terms list after the
  53         given position.
  54     """
  55     total = len(terms)
  56     for first in range(start, total):
  57         word = terms[first].token
  58         yield word, qmod.TokenRange(first, first + 1)
  59         for last in range(first + 1, min(first + 20, total)):
  60             word = ' '.join((word, terms[last].token))
  61             yield word, qmod.TokenRange(first, last + 1)
  62
  63
  64 @dataclasses.dataclass
  65 class ICUToken(qmod.Token):
  66     """ Specialised token for ICU tokenizer.
  67     """
  68     word_token: str
  69     info: Optional[Dict[str, Any]]
  70
  71     def get_category(self) -> Tuple[str, str]:
  72         assert self.info
  73         return self.info.get('class', ''), self.info.get('type', '')
  74
  75
  76     def rematch(self, norm: str) -> None:
  77         """ Check how well the token matches the given normalized string
  78             and add a penalty, if necessary.
  79         """
  80         if not self.lookup_word:
  81             return
  82
  83         seq = difflib.SequenceMatcher(a=self.lookup_word, b=norm)
  84         distance = 0
  85         for tag, afrom, ato, bfrom, bto in seq.get_opcodes():
  86             if tag in ('delete', 'insert') and (afrom == 0 or ato == len(self.lookup_word)):
  87                 distance += 1
  88             elif tag == 'replace':
  89                 distance += max((ato-afrom), (bto-bfrom))
  90             elif tag != 'equal':
  91                 distance += abs((ato-afrom) - (bto-bfrom))
  92         self.penalty += (distance/len(self.lookup_word))
  93
  94
  95     @staticmethod
  96     def from_db_row(row: SaRow) -> 'ICUToken':
  97         """ Create a ICUToken from the row of the word table.
  98         """
  99         count = 1 if row.info is None else row.info.get('count', 1)
 100
 101         penalty = 0.0
 102         if row.type == 'w':
 103             penalty = 0.3
 104         elif row.type == 'W':
 105             if len(row.word_token) == 1 and row.word_token == row.word:
 106                 penalty = 0.2 if row.word.isdigit() else 0.3
 107         elif row.type == 'H':
 108             penalty = sum(0.1 for c in row.word_token if c != ' ' and not c.isdigit())
 109             if all(not c.isdigit() for c in row.word_token):
 110                 penalty += 0.2 * (len(row.word_token) - 1)
 111         elif row.type == 'C':
 112             if len(row.word_token) == 1:
 113                 penalty = 0.3
 114
 115         if row.info is None:
 116             lookup_word = row.word
 117         else:
 118             lookup_word = row.info.get('lookup', row.word)
 119         if lookup_word:
 120             lookup_word = lookup_word.split('@', 1)[0]
 121         else:
 122             lookup_word = row.word_token
 123
 124         return ICUToken(penalty=penalty, token=row.word_id, count=count,
 125                         lookup_word=lookup_word, is_indexed=True,
 126                         word_token=row.word_token, info=row.info)
 127
 128
 129
 130 class ICUQueryAnalyzer(AbstractQueryAnalyzer):
 131     """ Converter for query strings into a tokenized query
 132         using the tokens created by a ICU tokenizer.
 133     """
 134
 135     def __init__(self, conn: SearchConnection) -> None:
 136         self.conn = conn
 137
 138
 139     async def setup(self) -> None:
 140         """ Set up static data structures needed for the analysis.
 141         """
 142         async def _make_normalizer() -> Any:
 143             rules = await self.conn.get_property('tokenizer_import_normalisation')
 144             return Transliterator.createFromRules("normalization", rules)
 145
 146         self.normalizer = await self.conn.get_cached_value('ICUTOK', 'normalizer',
 147                                                            _make_normalizer)
 148
 149         async def _make_transliterator() -> Any:
 150             rules = await self.conn.get_property('tokenizer_import_transliteration')
 151             return Transliterator.createFromRules("transliteration", rules)
 152
 153         self.transliterator = await self.conn.get_cached_value('ICUTOK', 'transliterator',
 154                                                                _make_transliterator)
 155
 156         if 'word' not in self.conn.t.meta.tables:
 157             sa.Table('word', self.conn.t.meta,
 158                      sa.Column('word_id', sa.Integer),
 159                      sa.Column('word_token', sa.Text, nullable=False),
 160                      sa.Column('type', sa.Text, nullable=False),
 161                      sa.Column('word', sa.Text),
 162                      sa.Column('info', self.conn.t.types.Json))
 163
 164
 165     async def analyze_query(self, phrases: List[qmod.Phrase]) -> qmod.QueryStruct:
 166         """ Analyze the given list of phrases and return the
 167             tokenized query.
 168         """
 169         log().section('Analyze query (using ICU tokenizer)')
 170         normalized = list(filter(lambda p: p.text,
 171                                  (qmod.Phrase(p.ptype, self.normalize_text(p.text))
 172                                   for p in phrases)))
 173         query = qmod.QueryStruct(normalized)
 174         log().var_dump('Normalized query', query.source)
 175         if not query.source:
 176             return query
 177
 178         parts, words = self.split_query(query)
 179         log().var_dump('Transliterated query', lambda: _dump_transliterated(query, parts))
 180
 181         for row in await self.lookup_in_db(list(words.keys())):
 182             for trange in words[row.word_token]:
 183                 token = ICUToken.from_db_row(row)
 184                 if row.type == 'S':
 185                     if row.info['op'] in ('in', 'near'):
 186                         if trange.start == 0:
 187                             query.add_token(trange, qmod.TokenType.NEAR_ITEM, token)
 188                     else:
 189                         query.add_token(trange, qmod.TokenType.QUALIFIER, token)
 190                         if trange.start == 0 or trange.end == query.num_token_slots():
 191                             token = copy(token)
 192                             token.penalty += 0.1 * (query.num_token_slots())
 193                             query.add_token(trange, qmod.TokenType.NEAR_ITEM, token)
 194                 else:
 195                     query.add_token(trange, DB_TO_TOKEN_TYPE[row.type], token)
 196
 197         self.add_extra_tokens(query, parts)
 198         self.rerank_tokens(query, parts)
 199
 200         log().table_dump('Word tokens', _dump_word_tokens(query))
 201
 202         return query
 203
 204
 205     def normalize_text(self, text: str) -> str:
 206         """ Bring the given text into a normalized form. That is the
 207             standardized form search will work with. All information removed
 208             at this stage is inevitably lost.
 209         """
 210         return cast(str, self.normalizer.transliterate(text))
 211
 212
 213     def split_query(self, query: qmod.QueryStruct) -> Tuple[QueryParts, WordDict]:
 214         """ Transliterate the phrases and split them into tokens.
 215
 216             Returns the list of transliterated tokens together with their
 217             normalized form and a dictionary of words for lookup together
 218             with their position.
 219         """
 220         parts: QueryParts = []
 221         phrase_start = 0
 222         words = defaultdict(list)
 223         wordnr = 0
 224         for phrase in query.source:
 225             query.nodes[-1].ptype = phrase.ptype
 226             for word in phrase.text.split(' '):
 227                 trans = self.transliterator.transliterate(word)
 228                 if trans:
 229                     for term in trans.split(' '):
 230                         if term:
 231                             parts.append(QueryPart(term, word, wordnr))
 232                             query.add_node(qmod.BreakType.TOKEN, phrase.ptype)
 233                     query.nodes[-1].btype = qmod.BreakType.WORD
 234                 wordnr += 1
 235             query.nodes[-1].btype = qmod.BreakType.PHRASE
 236
 237             for word, wrange in yield_words(parts, phrase_start):
 238                 words[word].append(wrange)
 239
 240             phrase_start = len(parts)
 241         query.nodes[-1].btype = qmod.BreakType.END
 242
 243         return parts, words
 244
 245
 246     async def lookup_in_db(self, words: List[str]) -> 'sa.Result[Any]':
 247         """ Return the token information from the database for the
 248             given word tokens.
 249         """
 250         t = self.conn.t.meta.tables['word']
 251         return await self.conn.execute(t.select().where(t.c.word_token.in_(words)))
 252
 253
 254     def add_extra_tokens(self, query: qmod.QueryStruct, parts: QueryParts) -> None:
 255         """ Add tokens to query that are not saved in the database.
 256         """
 257         for part, node, i in zip(parts, query.nodes, range(1000)):
 258             if len(part.token) <= 4 and part[0].isdigit()\
 259                and not node.has_tokens(i+1, qmod.TokenType.HOUSENUMBER):
 260                 query.add_token(qmod.TokenRange(i, i+1), qmod.TokenType.HOUSENUMBER,
 261                                 ICUToken(0.5, 0, 1, part.token, True, part.token, None))
 262
 263
 264     def rerank_tokens(self, query: qmod.QueryStruct, parts: QueryParts) -> None:
 265         """ Add penalties to tokens that depend on presence of other token.
 266         """
 267         for i, node, tlist in query.iter_token_lists():
 268             if tlist.ttype == qmod.TokenType.POSTCODE:
 269                 for repl in node.starting:
 270                     if repl.end == tlist.end and repl.ttype != qmod.TokenType.POSTCODE \
 271                        and (repl.ttype != qmod.TokenType.HOUSENUMBER
 272                             or len(tlist.tokens[0].lookup_word) > 4):
 273                         repl.add_penalty(0.39)
 274             elif tlist.ttype == qmod.TokenType.HOUSENUMBER \
 275                  and len(tlist.tokens[0].lookup_word) <= 3:
 276                 if any(c.isdigit() for c in tlist.tokens[0].lookup_word):
 277                     for repl in node.starting:
 278                         if repl.end == tlist.end and repl.ttype != qmod.TokenType.HOUSENUMBER:
 279                             repl.add_penalty(0.5 - tlist.tokens[0].penalty)
 280             elif tlist.ttype not in (qmod.TokenType.COUNTRY, qmod.TokenType.PARTIAL):
 281                 norm = parts[i].normalized
 282                 for j in range(i + 1, tlist.end):
 283                     if parts[j - 1].word_number != parts[j].word_number:
 284                         norm += '  ' + parts[j].normalized
 285                 for token in tlist.tokens:
 286                     cast(ICUToken, token).rematch(norm)
 287
 288
 289 def _dump_transliterated(query: qmod.QueryStruct, parts: QueryParts) -> str:
 290     out = query.nodes[0].btype.value
 291     for node, part in zip(query.nodes[1:], parts):
 292         out += part.token + node.btype.value
 293     return out
 294
 295
 296 def _dump_word_tokens(query: qmod.QueryStruct) -> Iterator[List[Any]]:
 297     yield ['type', 'token', 'word_token', 'lookup_word', 'penalty', 'count', 'info']
 298     for node in query.nodes:
 299         for tlist in node.starting:
 300             for token in tlist.tokens:
 301                 t = cast(ICUToken, token)
 302                 yield [tlist.ttype.name, t.token, t.word_token or '',
 303                        t.lookup_word or '', t.penalty, t.count, t.info]
 304
 305
 306 async def create_query_analyzer(conn: SearchConnection) -> AbstractQueryAnalyzer:
 307     """ Create and set up a new query analyzer for a database based
 308         on the ICU tokenizer.
 309     """
 310     out = ICUQueryAnalyzer(conn)
 311     await out.setup()
 312
 313     return out