]> git.openstreetmap.org Git - nominatim.git/blob - nominatim/tokenizer/legacy_tokenizer.py
add PHP part for new ICU-base tokenizer
[nominatim.git] / nominatim / tokenizer / legacy_tokenizer.py
1 """
2 Tokenizer implementing normalisation as used before Nominatim 4.
3 """
4 from collections import OrderedDict
5 import logging
6 import re
7 import shutil
8 from textwrap import dedent
9
10 from icu import Transliterator
11 import psycopg2
12 import psycopg2.extras
13
14 from nominatim.db.connection import connect
15 from nominatim.db import properties
16 from nominatim.db import utils as db_utils
17 from nominatim.db.sql_preprocessor import SQLPreprocessor
18 from nominatim.errors import UsageError
19
20 DBCFG_NORMALIZATION = "tokenizer_normalization"
21 DBCFG_MAXWORDFREQ = "tokenizer_maxwordfreq"
22
23 LOG = logging.getLogger()
24
25 def create(dsn, data_dir):
26     """ Create a new instance of the tokenizer provided by this module.
27     """
28     return LegacyTokenizer(dsn, data_dir)
29
30
31 def _install_module(config_module_path, src_dir, module_dir):
32     """ Copies the PostgreSQL normalisation module into the project
33         directory if necessary. For historical reasons the module is
34         saved in the '/module' subdirectory and not with the other tokenizer
35         data.
36
37         The function detects when the installation is run from the
38         build directory. It doesn't touch the module in that case.
39     """
40     # Custom module locations are simply used as is.
41     if config_module_path:
42         LOG.info("Using custom path for database module at '%s'", config_module_path)
43         return config_module_path
44
45     # Compatibility mode for builddir installations.
46     if module_dir.exists() and src_dir.samefile(module_dir):
47         LOG.info('Running from build directory. Leaving database module as is.')
48         return module_dir
49
50     # In any other case install the module in the project directory.
51     if not module_dir.exists():
52         module_dir.mkdir()
53
54     destfile = module_dir / 'nominatim.so'
55     shutil.copy(str(src_dir / 'nominatim.so'), str(destfile))
56     destfile.chmod(0o755)
57
58     LOG.info('Database module installed at %s', str(destfile))
59
60     return module_dir
61
62
63 def _check_module(module_dir, conn):
64     """ Try to use the PostgreSQL module to confirm that it is correctly
65         installed and accessible from PostgreSQL.
66     """
67     with conn.cursor() as cur:
68         try:
69             cur.execute("""CREATE FUNCTION nominatim_test_import_func(text)
70                            RETURNS text AS '{}/nominatim.so', 'transliteration'
71                            LANGUAGE c IMMUTABLE STRICT;
72                            DROP FUNCTION nominatim_test_import_func(text)
73                         """.format(module_dir))
74         except psycopg2.DatabaseError as err:
75             LOG.fatal("Error accessing database module: %s", err)
76             raise UsageError("Database module cannot be accessed.") from err
77
78
79 class LegacyTokenizer:
80     """ The legacy tokenizer uses a special PostgreSQL module to normalize
81         names and queries. The tokenizer thus implements normalization through
82         calls to the database.
83     """
84
85     def __init__(self, dsn, data_dir):
86         self.dsn = dsn
87         self.data_dir = data_dir
88         self.normalization = None
89
90
91     def init_new_db(self, config, init_db=True):
92         """ Set up a new tokenizer for the database.
93
94             This copies all necessary data in the project directory to make
95             sure the tokenizer remains stable even over updates.
96         """
97         module_dir = _install_module(config.DATABASE_MODULE_PATH,
98                                      config.lib_dir.module,
99                                      config.project_dir / 'module')
100
101         self.normalization = config.TERM_NORMALIZATION
102
103         self._install_php(config)
104
105         with connect(self.dsn) as conn:
106             _check_module(module_dir, conn)
107             self._save_config(conn, config)
108             conn.commit()
109
110         if init_db:
111             self.update_sql_functions(config)
112             self._init_db_tables(config)
113
114
115     def init_from_project(self):
116         """ Initialise the tokenizer from the project directory.
117         """
118         with connect(self.dsn) as conn:
119             self.normalization = properties.get_property(conn, DBCFG_NORMALIZATION)
120
121
122     def finalize_import(self, config):
123         """ Do any required postprocessing to make the tokenizer data ready
124             for use.
125         """
126         with connect(self.dsn) as conn:
127             sqlp = SQLPreprocessor(conn, config)
128             sqlp.run_sql_file(conn, 'tokenizer/legacy_tokenizer_indices.sql')
129
130
131     def update_sql_functions(self, config):
132         """ Reimport the SQL functions for this tokenizer.
133         """
134         with connect(self.dsn) as conn:
135             max_word_freq = properties.get_property(conn, DBCFG_MAXWORDFREQ)
136             modulepath = config.DATABASE_MODULE_PATH or \
137                          str((config.project_dir / 'module').resolve())
138             sqlp = SQLPreprocessor(conn, config)
139             sqlp.run_sql_file(conn, 'tokenizer/legacy_tokenizer.sql',
140                               max_word_freq=max_word_freq,
141                               modulepath=modulepath)
142
143
144     def check_database(self):
145         """ Check that the tokenizer is set up correctly.
146         """
147         hint = """\
148              The Postgresql extension nominatim.so was not correctly loaded.
149
150              Error: {error}
151
152              Hints:
153              * Check the output of the CMmake/make installation step
154              * Does nominatim.so exist?
155              * Does nominatim.so exist on the database server?
156              * Can nominatim.so be accessed by the database user?
157              """
158         with connect(self.dsn) as conn:
159             with conn.cursor() as cur:
160                 try:
161                     out = cur.scalar("SELECT make_standard_name('a')")
162                 except psycopg2.Error as err:
163                     return hint.format(error=str(err))
164
165         if out != 'a':
166             return hint.format(error='Unexpected result for make_standard_name()')
167
168         return None
169
170
171     def migrate_database(self, config):
172         """ Initialise the project directory of an existing database for
173             use with this tokenizer.
174
175             This is a special migration function for updating existing databases
176             to new software versions.
177         """
178         self.normalization = config.TERM_NORMALIZATION
179         module_dir = _install_module(config.DATABASE_MODULE_PATH,
180                                      config.lib_dir.module,
181                                      config.project_dir / 'module')
182
183         with connect(self.dsn) as conn:
184             _check_module(module_dir, conn)
185             self._save_config(conn, config)
186
187
188     def name_analyzer(self):
189         """ Create a new analyzer for tokenizing names and queries
190             using this tokinzer. Analyzers are context managers and should
191             be used accordingly:
192
193             ```
194             with tokenizer.name_analyzer() as analyzer:
195                 analyser.tokenize()
196             ```
197
198             When used outside the with construct, the caller must ensure to
199             call the close() function before destructing the analyzer.
200
201             Analyzers are not thread-safe. You need to instantiate one per thread.
202         """
203         normalizer = Transliterator.createFromRules("phrase normalizer",
204                                                     self.normalization)
205         return LegacyNameAnalyzer(self.dsn, normalizer)
206
207
208     def _install_php(self, config):
209         """ Install the php script for the tokenizer.
210         """
211         php_file = self.data_dir / "tokenizer.php"
212         php_file.write_text(dedent("""\
213             <?php
214             @define('CONST_Max_Word_Frequency', {0.MAX_WORD_FREQUENCY});
215             @define('CONST_Term_Normalization_Rules', "{0.TERM_NORMALIZATION}");
216             require_once('{0.lib_dir.php}/tokenizer/legacy_tokenizer.php');
217             """.format(config)))
218
219
220     def _init_db_tables(self, config):
221         """ Set up the word table and fill it with pre-computed word
222             frequencies.
223         """
224         with connect(self.dsn) as conn:
225             sqlp = SQLPreprocessor(conn, config)
226             sqlp.run_sql_file(conn, 'tokenizer/legacy_tokenizer_tables.sql')
227             conn.commit()
228
229         LOG.warning("Precomputing word tokens")
230         db_utils.execute_file(self.dsn, config.lib_dir.data / 'words.sql')
231
232
233     def _save_config(self, conn, config):
234         """ Save the configuration that needs to remain stable for the given
235             database as database properties.
236         """
237         properties.set_property(conn, DBCFG_NORMALIZATION, self.normalization)
238         properties.set_property(conn, DBCFG_MAXWORDFREQ, config.MAX_WORD_FREQUENCY)
239
240
241 class LegacyNameAnalyzer:
242     """ The legacy analyzer uses the special Postgresql module for
243         splitting names.
244
245         Each instance opens a connection to the database to request the
246         normalization.
247     """
248
249     def __init__(self, dsn, normalizer):
250         self.conn = connect(dsn).connection
251         self.conn.autocommit = True
252         self.normalizer = normalizer
253         psycopg2.extras.register_hstore(self.conn)
254
255         self._cache = _TokenCache(self.conn)
256
257
258     def __enter__(self):
259         return self
260
261
262     def __exit__(self, exc_type, exc_value, traceback):
263         self.close()
264
265
266     def close(self):
267         """ Free all resources used by the analyzer.
268         """
269         if self.conn:
270             self.conn.close()
271             self.conn = None
272
273
274     def normalize(self, phrase):
275         """ Normalize the given phrase, i.e. remove all properties that
276             are irrelevant for search.
277         """
278         return self.normalizer.transliterate(phrase)
279
280
281     def add_postcodes_from_db(self):
282         """ Add postcodes from the location_postcode table to the word table.
283         """
284         with self.conn.cursor() as cur:
285             cur.execute("""SELECT count(create_postcode_id(pc))
286                            FROM (SELECT distinct(postcode) as pc
287                                  FROM location_postcode) x""")
288
289
290     def update_special_phrases(self, phrases):
291         """ Replace the search index for special phrases with the new phrases.
292         """
293         norm_phrases = set(((self.normalize(p[0]), p[1], p[2], p[3])
294                             for p in phrases))
295
296         with self.conn.cursor() as cur:
297             # Get the old phrases.
298             existing_phrases = set()
299             cur.execute("""SELECT word, class, type, operator FROM word
300                            WHERE class != 'place'
301                                  OR (type != 'house' AND type != 'postcode')""")
302             for label, cls, typ, oper in cur:
303                 existing_phrases.add((label, cls, typ, oper or '-'))
304
305             to_add = norm_phrases - existing_phrases
306             to_delete = existing_phrases - norm_phrases
307
308             if to_add:
309                 psycopg2.extras.execute_values(
310                     cur,
311                     """ INSERT INTO word (word_id, word_token, word, class, type,
312                                           search_name_count, operator)
313                         (SELECT nextval('seq_word'), make_standard_name(name), name,
314                                 class, type, 0,
315                                 CASE WHEN op in ('in', 'near') THEN op ELSE null END
316                            FROM (VALUES %s) as v(name, class, type, op))""",
317                     to_add)
318
319             if to_delete:
320                 psycopg2.extras.execute_values(
321                     cur,
322                     """ DELETE FROM word USING (VALUES %s) as v(name, in_class, in_type, op)
323                         WHERE word = name and class = in_class and type = in_type
324                               and ((op = '-' and operator is null) or op = operator)""",
325                     to_delete)
326
327         LOG.info("Total phrases: %s. Added: %s. Deleted: %s",
328                  len(norm_phrases), len(to_add), len(to_delete))
329
330
331     def add_country_names(self, country_code, names):
332         """ Add names for the given country to the search index.
333         """
334         with self.conn.cursor() as cur:
335             cur.execute(
336                 """INSERT INTO word (word_id, word_token, country_code)
337                    (SELECT nextval('seq_word'), lookup_token, %s
338                       FROM (SELECT ' ' || make_standard_name(n) as lookup_token
339                             FROM unnest(%s)n) y
340                       WHERE NOT EXISTS(SELECT * FROM word
341                                        WHERE word_token = lookup_token and country_code = %s))
342                 """, (country_code, names, country_code))
343
344
345     def process_place(self, place):
346         """ Determine tokenizer information about the given place.
347
348             Returns a JSON-serialisable structure that will be handed into
349             the database via the token_info field.
350         """
351         token_info = _TokenInfo(self._cache)
352
353         names = place.get('name')
354
355         if names:
356             token_info.add_names(self.conn, names)
357
358             country_feature = place.get('country_feature')
359             if country_feature and re.fullmatch(r'[A-Za-z][A-Za-z]', country_feature):
360                 self.add_country_names(country_feature.lower(), list(names.values()))
361
362         address = place.get('address')
363
364         if address:
365             hnrs = []
366             addr_terms = []
367             for key, value in address.items():
368                 if key == 'postcode':
369                     self._add_postcode(value)
370                 elif key in ('housenumber', 'streetnumber', 'conscriptionnumber'):
371                     hnrs.append(value)
372                 elif key == 'street':
373                     token_info.add_street(self.conn, value)
374                 elif key == 'place':
375                     token_info.add_place(self.conn, value)
376                 elif not key.startswith('_') and \
377                      key not in ('country', 'full'):
378                     addr_terms.append((key, value))
379
380             if hnrs:
381                 token_info.add_housenumbers(self.conn, hnrs)
382
383             if addr_terms:
384                 token_info.add_address_terms(self.conn, addr_terms)
385
386         return token_info.data
387
388
389     def _add_postcode(self, postcode):
390         """ Make sure the normalized postcode is present in the word table.
391         """
392         def _create_postcode_from_db(pcode):
393             with self.conn.cursor() as cur:
394                 cur.execute('SELECT create_postcode_id(%s)', (pcode, ))
395
396         if re.search(r'[:,;]', postcode) is None:
397             self._cache.postcodes.get(postcode.strip().upper(), _create_postcode_from_db)
398
399
400 class _TokenInfo:
401     """ Collect token information to be sent back to the database.
402     """
403     def __init__(self, cache):
404         self.cache = cache
405         self.data = {}
406
407
408     def add_names(self, conn, names):
409         """ Add token information for the names of the place.
410         """
411         with conn.cursor() as cur:
412             # Create the token IDs for all names.
413             self.data['names'] = cur.scalar("SELECT make_keywords(%s)::text",
414                                             (names, ))
415
416
417     def add_housenumbers(self, conn, hnrs):
418         """ Extract housenumber information from the address.
419         """
420         if len(hnrs) == 1:
421             token = self.cache.get_housenumber(hnrs[0])
422             if token is not None:
423                 self.data['hnr_tokens'] = token
424                 self.data['hnr'] = hnrs[0]
425                 return
426
427         # split numbers if necessary
428         simple_list = []
429         for hnr in hnrs:
430             simple_list.extend((x.strip() for x in re.split(r'[;,]', hnr)))
431
432         if len(simple_list) > 1:
433             simple_list = list(set(simple_list))
434
435         with conn.cursor() as cur:
436             cur.execute("SELECT (create_housenumbers(%s)).* ", (simple_list, ))
437             self.data['hnr_tokens'], self.data['hnr'] = cur.fetchone()
438
439
440     def add_street(self, conn, street):
441         """ Add addr:street match terms.
442         """
443         def _get_street(name):
444             with conn.cursor() as cur:
445                 return cur.scalar("SELECT word_ids_from_name(%s)::text", (name, ))
446
447         self.data['street'] = self.cache.streets.get(street, _get_street)
448
449
450     def add_place(self, conn, place):
451         """ Add addr:place search and match terms.
452         """
453         def _get_place(name):
454             with conn.cursor() as cur:
455                 cur.execute("""SELECT (addr_ids_from_name(%s)
456                                        || getorcreate_name_id(make_standard_name(%s), ''))::text,
457                                       word_ids_from_name(%s)::text""",
458                             (name, name, name))
459                 return cur.fetchone()
460
461         self.data['place_search'], self.data['place_match'] = \
462             self.cache.places.get(place, _get_place)
463
464
465     def add_address_terms(self, conn, terms):
466         """ Add additional address terms.
467         """
468         def _get_address_term(name):
469             with conn.cursor() as cur:
470                 cur.execute("""SELECT addr_ids_from_name(%s)::text,
471                                       word_ids_from_name(%s)::text""",
472                             (name, name))
473                 return cur.fetchone()
474
475         tokens = {}
476         for key, value in terms:
477             tokens[key] = self.cache.address_terms.get(value, _get_address_term)
478
479         self.data['addr'] = tokens
480
481
482 class _LRU:
483     """ Least recently used cache that accepts a generator function to
484         produce the item when there is a cache miss.
485     """
486
487     def __init__(self, maxsize=128, init_data=None):
488         self.data = init_data or OrderedDict()
489         self.maxsize = maxsize
490         if init_data is not None and len(init_data) > maxsize:
491             self.maxsize = len(init_data)
492
493     def get(self, key, generator):
494         """ Get the item with the given key from the cache. If nothing
495             is found in the cache, generate the value through the
496             generator function and store it in the cache.
497         """
498         value = self.data.get(key)
499         if value is not None:
500             self.data.move_to_end(key)
501         else:
502             value = generator(key)
503             if len(self.data) >= self.maxsize:
504                 self.data.popitem(last=False)
505             self.data[key] = value
506
507         return value
508
509
510 class _TokenCache:
511     """ Cache for token information to avoid repeated database queries.
512
513         This cache is not thread-safe and needs to be instantiated per
514         analyzer.
515     """
516     def __init__(self, conn):
517         # various LRU caches
518         self.streets = _LRU(maxsize=256)
519         self.places = _LRU(maxsize=128)
520         self.address_terms = _LRU(maxsize=1024)
521
522         # Lookup houseunumbers up to 100 and cache them
523         with conn.cursor() as cur:
524             cur.execute("""SELECT i, ARRAY[getorcreate_housenumber_id(i::text)]::text
525                            FROM generate_series(1, 100) as i""")
526             self._cached_housenumbers = {str(r[0]) : r[1] for r in cur}
527
528         # Get postcodes that are already saved
529         postcodes = OrderedDict()
530         with conn.cursor() as cur:
531             cur.execute("""SELECT word FROM word
532                            WHERE class ='place' and type = 'postcode'""")
533             for row in cur:
534                 postcodes[row[0]] = None
535         self.postcodes = _LRU(maxsize=32, init_data=postcodes)
536
537     def get_housenumber(self, number):
538         """ Get a housenumber token from the cache.
539         """
540         return self._cached_housenumbers.get(number)