test/python/tokenizer/test_icu.py

   1 # SPDX-License-Identifier: GPL-2.0-only
   2 #
   3 # This file is part of Nominatim. (https://nominatim.org)
   4 #
   5 # Copyright (C) 2022 by the Nominatim developer community.
   6 # For a full list of authors see the git log.
   7 """
   8 Tests for ICU tokenizer.
   9 """
  10 import shutil
  11 import yaml
  12
  13 import pytest
  14
  15 from nominatim.tokenizer import icu_tokenizer
  16 import nominatim.tokenizer.icu_rule_loader
  17 from nominatim.db import properties
  18 from nominatim.db.sql_preprocessor import SQLPreprocessor
  19 from nominatim.indexer.place_info import PlaceInfo
  20
  21 from mock_icu_word_table import MockIcuWordTable
  22
  23 @pytest.fixture
  24 def word_table(temp_db_conn):
  25     return MockIcuWordTable(temp_db_conn)
  26
  27
  28 @pytest.fixture
  29 def test_config(project_env, tmp_path):
  30     sqldir = tmp_path / 'sql'
  31     sqldir.mkdir()
  32     (sqldir / 'tokenizer').mkdir()
  33     (sqldir / 'tokenizer' / 'icu_tokenizer.sql').write_text("SELECT 'a'")
  34     shutil.copy(str(project_env.lib_dir.sql / 'tokenizer' / 'icu_tokenizer_tables.sql'),
  35                 str(sqldir / 'tokenizer' / 'icu_tokenizer_tables.sql'))
  36
  37     project_env.lib_dir.sql = sqldir
  38
  39     return project_env
  40
  41
  42 @pytest.fixture
  43 def tokenizer_factory(dsn, tmp_path, property_table,
  44                       sql_preprocessor, place_table, word_table):
  45     (tmp_path / 'tokenizer').mkdir()
  46
  47     def _maker():
  48         return icu_tokenizer.create(dsn, tmp_path / 'tokenizer')
  49
  50     return _maker
  51
  52
  53 @pytest.fixture
  54 def db_prop(temp_db_conn):
  55     def _get_db_property(name):
  56         return properties.get_property(temp_db_conn, name)
  57
  58     return _get_db_property
  59
  60
  61 @pytest.fixture
  62 def analyzer(tokenizer_factory, test_config, monkeypatch,
  63              temp_db_with_extensions, tmp_path):
  64     sql = tmp_path / 'sql' / 'tokenizer' / 'icu_tokenizer.sql'
  65     sql.write_text("SELECT 'a';")
  66
  67     monkeypatch.setenv('NOMINATIM_TERM_NORMALIZATION', ':: lower();')
  68     tok = tokenizer_factory()
  69     tok.init_new_db(test_config)
  70     monkeypatch.undo()
  71
  72     def _mk_analyser(norm=("[[:Punctuation:][:Space:]]+ > ' '",), trans=(':: upper()',),
  73                      variants=('~gasse -> gasse', 'street => st', ),
  74                      sanitizers=[]):
  75         cfgstr = {'normalization': list(norm),
  76                   'sanitizers': sanitizers,
  77                   'transliteration': list(trans),
  78                   'token-analysis': [{'analyzer': 'generic',
  79                                       'variants': [{'words': list(variants)}]}]}
  80         (test_config.project_dir / 'icu_tokenizer.yaml').write_text(yaml.dump(cfgstr))
  81         tok.loader = nominatim.tokenizer.icu_rule_loader.ICURuleLoader(test_config)
  82
  83         return tok.name_analyzer()
  84
  85     return _mk_analyser
  86
  87 @pytest.fixture
  88 def sql_functions(temp_db_conn, def_config, src_dir):
  89     orig_sql = def_config.lib_dir.sql
  90     def_config.lib_dir.sql = src_dir / 'lib-sql'
  91     sqlproc = SQLPreprocessor(temp_db_conn, def_config)
  92     sqlproc.run_sql_file(temp_db_conn, 'functions/utils.sql')
  93     sqlproc.run_sql_file(temp_db_conn, 'tokenizer/icu_tokenizer.sql')
  94     def_config.lib_dir.sql = orig_sql
  95
  96
  97 @pytest.fixture
  98 def getorcreate_full_word(temp_db_cursor):
  99     temp_db_cursor.execute("""CREATE OR REPLACE FUNCTION getorcreate_full_word(
 100                                                  norm_term TEXT, lookup_terms TEXT[],
 101                                                  OUT full_token INT,
 102                                                  OUT partial_tokens INT[])
 103   AS $$
 104 DECLARE
 105   partial_terms TEXT[] = '{}'::TEXT[];
 106   term TEXT;
 107   term_id INTEGER;
 108   term_count INTEGER;
 109 BEGIN
 110   SELECT min(word_id) INTO full_token
 111     FROM word WHERE info->>'word' = norm_term and type = 'W';
 112
 113   IF full_token IS NULL THEN
 114     full_token := nextval('seq_word');
 115     INSERT INTO word (word_id, word_token, type, info)
 116       SELECT full_token, lookup_term, 'W',
 117              json_build_object('word', norm_term, 'count', 0)
 118         FROM unnest(lookup_terms) as lookup_term;
 119   END IF;
 120
 121   FOR term IN SELECT unnest(string_to_array(unnest(lookup_terms), ' ')) LOOP
 122     term := trim(term);
 123     IF NOT (ARRAY[term] <@ partial_terms) THEN
 124       partial_terms := partial_terms || term;
 125     END IF;
 126   END LOOP;
 127
 128   partial_tokens := '{}'::INT[];
 129   FOR term IN SELECT unnest(partial_terms) LOOP
 130     SELECT min(word_id), max(info->>'count') INTO term_id, term_count
 131       FROM word WHERE word_token = term and type = 'w';
 132
 133     IF term_id IS NULL THEN
 134       term_id := nextval('seq_word');
 135       term_count := 0;
 136       INSERT INTO word (word_id, word_token, type, info)
 137         VALUES (term_id, term, 'w', json_build_object('count', term_count));
 138     END IF;
 139
 140     IF NOT (ARRAY[term_id] <@ partial_tokens) THEN
 141       partial_tokens := partial_tokens || term_id;
 142     END IF;
 143   END LOOP;
 144 END;
 145 $$
 146 LANGUAGE plpgsql;
 147                               """)
 148
 149
 150
 151 def test_init_new(tokenizer_factory, test_config, db_prop):
 152     tok = tokenizer_factory()
 153     tok.init_new_db(test_config)
 154
 155     assert db_prop(nominatim.tokenizer.icu_rule_loader.DBCFG_IMPORT_NORM_RULES) \
 156             .startswith(':: lower ();')
 157
 158
 159 def test_init_word_table(tokenizer_factory, test_config, place_row, temp_db_cursor):
 160     place_row(names={'name' : 'Test Area', 'ref' : '52'})
 161     place_row(names={'name' : 'No Area'})
 162     place_row(names={'name' : 'Holzstrasse'})
 163
 164     tok = tokenizer_factory()
 165     tok.init_new_db(test_config)
 166
 167     assert temp_db_cursor.table_exists('word')
 168
 169
 170 def test_init_from_project(test_config, tokenizer_factory):
 171     tok = tokenizer_factory()
 172     tok.init_new_db(test_config)
 173
 174     tok = tokenizer_factory()
 175     tok.init_from_project(test_config)
 176
 177     assert tok.loader is not None
 178
 179
 180 def test_update_sql_functions(db_prop, temp_db_cursor,
 181                               tokenizer_factory, test_config, table_factory,
 182                               monkeypatch):
 183     tok = tokenizer_factory()
 184     tok.init_new_db(test_config)
 185
 186     table_factory('test', 'txt TEXT')
 187
 188     func_file = test_config.lib_dir.sql / 'tokenizer' / 'icu_tokenizer.sql'
 189     func_file.write_text("""INSERT INTO test VALUES (1133)""")
 190
 191     tok.update_sql_functions(test_config)
 192
 193     test_content = temp_db_cursor.row_set('SELECT * FROM test')
 194     assert test_content == set((('1133', ), ))
 195
 196
 197 def test_finalize_import(tokenizer_factory, temp_db_conn,
 198                          temp_db_cursor, test_config, sql_preprocessor_cfg):
 199     func_file = test_config.lib_dir.sql / 'tokenizer' / 'legacy_tokenizer_indices.sql'
 200     func_file.write_text("""CREATE FUNCTION test() RETURNS TEXT
 201                             AS $$ SELECT 'b'::text $$ LANGUAGE SQL""")
 202
 203     tok = tokenizer_factory()
 204     tok.init_new_db(test_config)
 205
 206     tok.finalize_import(test_config)
 207
 208     temp_db_cursor.scalar('SELECT test()') == 'b'
 209
 210
 211 def test_check_database(test_config, tokenizer_factory,
 212                         temp_db_cursor, sql_preprocessor_cfg):
 213     tok = tokenizer_factory()
 214     tok.init_new_db(test_config)
 215
 216     assert tok.check_database(test_config) is None
 217
 218
 219 def test_update_statistics_reverse_only(word_table, tokenizer_factory):
 220     tok = tokenizer_factory()
 221     tok.update_statistics()
 222
 223
 224 def test_update_statistics(word_table, table_factory, temp_db_cursor, tokenizer_factory):
 225     word_table.add_full_word(1000, 'hello')
 226     table_factory('search_name',
 227                   'place_id BIGINT, name_vector INT[]',
 228                   [(12, [1000])])
 229     tok = tokenizer_factory()
 230
 231     tok.update_statistics()
 232
 233     assert temp_db_cursor.scalar("""SELECT count(*) FROM word
 234                                     WHERE type = 'W' and
 235                                           (info->>'count')::int > 0""") > 0
 236
 237
 238 def test_normalize_postcode(analyzer):
 239     with analyzer() as anl:
 240         anl.normalize_postcode('123') == '123'
 241         anl.normalize_postcode('ab-34 ') == 'AB-34'
 242         anl.normalize_postcode('38 Б') == '38 Б'
 243
 244
 245 def test_update_postcodes_from_db_empty(analyzer, table_factory, word_table):
 246     table_factory('location_postcode', 'postcode TEXT',
 247                   content=(('1234',), ('12 34',), ('AB23',), ('1234',)))
 248
 249     with analyzer() as anl:
 250         anl.update_postcodes_from_db()
 251
 252     assert word_table.count() == 3
 253     assert word_table.get_postcodes() == {'1234', '12 34', 'AB23'}
 254
 255
 256 def test_update_postcodes_from_db_add_and_remove(analyzer, table_factory, word_table):
 257     table_factory('location_postcode', 'postcode TEXT',
 258                   content=(('1234',), ('45BC', ), ('XX45', )))
 259     word_table.add_postcode(' 1234', '1234')
 260     word_table.add_postcode(' 5678', '5678')
 261
 262     with analyzer() as anl:
 263         anl.update_postcodes_from_db()
 264
 265     assert word_table.count() == 3
 266     assert word_table.get_postcodes() == {'1234', '45BC', 'XX45'}
 267
 268
 269 def test_update_special_phrase_empty_table(analyzer, word_table):
 270     with analyzer() as anl:
 271         anl.update_special_phrases([
 272             ("König  bei", "amenity", "royal", "near"),
 273             ("Könige ", "amenity", "royal", "-"),
 274             ("street", "highway", "primary", "in")
 275         ], True)
 276
 277     assert word_table.get_special() \
 278                == {('KÖNIG BEI', 'König bei', 'amenity', 'royal', 'near'),
 279                    ('KÖNIGE', 'Könige', 'amenity', 'royal', None),
 280                    ('STREET', 'street', 'highway', 'primary', 'in')}
 281
 282
 283 def test_update_special_phrase_delete_all(analyzer, word_table):
 284     word_table.add_special('FOO', 'foo', 'amenity', 'prison', 'in')
 285     word_table.add_special('BAR', 'bar', 'highway', 'road', None)
 286
 287     assert word_table.count_special() == 2
 288
 289     with analyzer() as anl:
 290         anl.update_special_phrases([], True)
 291
 292     assert word_table.count_special() == 0
 293
 294
 295 def test_update_special_phrases_no_replace(analyzer, word_table):
 296     word_table.add_special('FOO', 'foo', 'amenity', 'prison', 'in')
 297     word_table.add_special('BAR', 'bar', 'highway', 'road', None)
 298
 299     assert word_table.count_special() == 2
 300
 301     with analyzer() as anl:
 302         anl.update_special_phrases([], False)
 303
 304     assert word_table.count_special() == 2
 305
 306
 307 def test_update_special_phrase_modify(analyzer, word_table):
 308     word_table.add_special('FOO', 'foo', 'amenity', 'prison', 'in')
 309     word_table.add_special('BAR', 'bar', 'highway', 'road', None)
 310
 311     assert word_table.count_special() == 2
 312
 313     with analyzer() as anl:
 314         anl.update_special_phrases([
 315             ('prison', 'amenity', 'prison', 'in'),
 316             ('bar', 'highway', 'road', '-'),
 317             ('garden', 'leisure', 'garden', 'near')
 318         ], True)
 319
 320     assert word_table.get_special() \
 321                == {('PRISON', 'prison', 'amenity', 'prison', 'in'),
 322                    ('BAR', 'bar', 'highway', 'road', None),
 323                    ('GARDEN', 'garden', 'leisure', 'garden', 'near')}
 324
 325
 326 def test_add_country_names_new(analyzer, word_table):
 327     with analyzer() as anl:
 328         anl.add_country_names('es', {'name': 'Espagña', 'name:en': 'Spain'})
 329
 330     assert word_table.get_country() == {('es', 'ESPAGÑA'), ('es', 'SPAIN')}
 331
 332
 333 def test_add_country_names_extend(analyzer, word_table):
 334     word_table.add_country('ch', 'SCHWEIZ')
 335
 336     with analyzer() as anl:
 337         anl.add_country_names('ch', {'name': 'Schweiz', 'name:fr': 'Suisse'})
 338
 339     assert word_table.get_country() == {('ch', 'SCHWEIZ'), ('ch', 'SUISSE')}
 340
 341
 342 class TestPlaceNames:
 343
 344     @pytest.fixture(autouse=True)
 345     def setup(self, analyzer, sql_functions):
 346         sanitizers = [{'step': 'split-name-list'},
 347                       {'step': 'strip-brace-terms'}]
 348         with analyzer(sanitizers=sanitizers) as anl:
 349             self.analyzer = anl
 350             yield anl
 351
 352
 353     def expect_name_terms(self, info, *expected_terms):
 354         tokens = self.analyzer.get_word_token_info(expected_terms)
 355         for token in tokens:
 356             assert token[2] is not None, "No token for {0}".format(token)
 357
 358         assert eval(info['names']) == set((t[2] for t in tokens))
 359
 360
 361     def process_named_place(self, names):
 362         return self.analyzer.process_place(PlaceInfo({'name': names}))
 363
 364
 365     def test_simple_names(self):
 366         info = self.process_named_place({'name': 'Soft bAr', 'ref': '34'})
 367
 368         self.expect_name_terms(info, '#Soft bAr', '#34', 'Soft', 'bAr', '34')
 369
 370
 371     @pytest.mark.parametrize('sep', [',' , ';'])
 372     def test_names_with_separator(self, sep):
 373         info = self.process_named_place({'name': sep.join(('New York', 'Big Apple'))})
 374
 375         self.expect_name_terms(info, '#New York', '#Big Apple',
 376                                      'new', 'york', 'big', 'apple')
 377
 378
 379     def test_full_names_with_bracket(self):
 380         info = self.process_named_place({'name': 'Houseboat (left)'})
 381
 382         self.expect_name_terms(info, '#Houseboat (left)', '#Houseboat',
 383                                      'houseboat', 'left')
 384
 385
 386     def test_country_name(self, word_table):
 387         place = PlaceInfo({'name' : {'name': 'Norge'},
 388                            'country_code': 'no',
 389                            'rank_address': 4,
 390                            'class': 'boundary',
 391                            'type': 'administrative'})
 392
 393         info = self.analyzer.process_place(place)
 394
 395         self.expect_name_terms(info, '#norge', 'norge')
 396         assert word_table.get_country() == {('no', 'NORGE')}
 397
 398
 399 class TestPlaceAddress:
 400
 401     @pytest.fixture(autouse=True)
 402     def setup(self, analyzer, sql_functions):
 403         with analyzer(trans=(":: upper()", "'🜵' > ' '")) as anl:
 404             self.analyzer = anl
 405             yield anl
 406
 407
 408     @pytest.fixture
 409     def getorcreate_hnr_id(self, temp_db_cursor):
 410         temp_db_cursor.execute("""CREATE OR REPLACE FUNCTION getorcreate_hnr_id(lookup_term TEXT)
 411                                   RETURNS INTEGER AS $$
 412                                     SELECT -nextval('seq_word')::INTEGER; $$ LANGUAGE SQL""")
 413
 414
 415     def process_address(self, **kwargs):
 416         return self.analyzer.process_place(PlaceInfo({'address': kwargs}))
 417
 418
 419     def name_token_set(self, *expected_terms):
 420         tokens = self.analyzer.get_word_token_info(expected_terms)
 421         for token in tokens:
 422             assert token[2] is not None, "No token for {0}".format(token)
 423
 424         return set((t[2] for t in tokens))
 425
 426
 427     @pytest.mark.parametrize('pcode', ['12345', 'AB 123', '34-345'])
 428     def test_process_place_postcode(self, word_table, pcode):
 429         self.process_address(postcode=pcode)
 430
 431         assert word_table.get_postcodes() == {pcode, }
 432
 433
 434     @pytest.mark.parametrize('pcode', ['12:23', 'ab;cd;f', '123;836'])
 435     def test_process_place_bad_postcode(self, word_table, pcode):
 436         self.process_address(postcode=pcode)
 437
 438         assert not word_table.get_postcodes()
 439
 440
 441     @pytest.mark.parametrize('hnr', ['123a', '1', '101'])
 442     def test_process_place_housenumbers_simple(self, hnr, getorcreate_hnr_id):
 443         info = self.process_address(housenumber=hnr)
 444
 445         assert info['hnr'] == hnr.upper()
 446         assert info['hnr_tokens'] == "{-1}"
 447
 448
 449     def test_process_place_housenumbers_lists(self, getorcreate_hnr_id):
 450         info = self.process_address(conscriptionnumber='1; 2;3')
 451
 452         assert set(info['hnr'].split(';')) == set(('1', '2', '3'))
 453         assert info['hnr_tokens'] == "{-1,-2,-3}"
 454
 455
 456     def test_process_place_housenumbers_duplicates(self, getorcreate_hnr_id):
 457         info = self.process_address(housenumber='134',
 458                                     conscriptionnumber='134',
 459                                     streetnumber='99a')
 460
 461         assert set(info['hnr'].split(';')) == set(('134', '99A'))
 462         assert info['hnr_tokens'] == "{-1,-2}"
 463
 464
 465     def test_process_place_housenumbers_cached(self, getorcreate_hnr_id):
 466         info = self.process_address(housenumber="45")
 467         assert info['hnr_tokens'] == "{-1}"
 468
 469         info = self.process_address(housenumber="46")
 470         assert info['hnr_tokens'] == "{-2}"
 471
 472         info = self.process_address(housenumber="41;45")
 473         assert eval(info['hnr_tokens']) == {-1, -3}
 474
 475         info = self.process_address(housenumber="41")
 476         assert eval(info['hnr_tokens']) == {-3}
 477
 478
 479     def test_process_place_street(self):
 480         self.analyzer.process_place(PlaceInfo({'name': {'name' : 'Grand Road'}}))
 481         info = self.process_address(street='Grand Road')
 482
 483         assert eval(info['street']) == self.name_token_set('#Grand Road')
 484
 485
 486     def test_process_place_nonexisting_street(self):
 487         info = self.process_address(street='Grand Road')
 488
 489         assert 'street' not in info
 490
 491
 492     def test_process_place_multiple_street_tags(self):
 493         self.analyzer.process_place(PlaceInfo({'name': {'name' : 'Grand Road',
 494                                                         'ref': '05989'}}))
 495         info = self.process_address(**{'street': 'Grand Road',
 496                                       'street:sym_ul': '05989'})
 497
 498         assert eval(info['street']) == self.name_token_set('#Grand Road', '#05989')
 499
 500
 501     def test_process_place_street_empty(self):
 502         info = self.process_address(street='🜵')
 503
 504         assert 'street' not in info
 505
 506
 507     def test_process_place_street_from_cache(self):
 508         self.analyzer.process_place(PlaceInfo({'name': {'name' : 'Grand Road'}}))
 509         self.process_address(street='Grand Road')
 510
 511         # request address again
 512         info = self.process_address(street='Grand Road')
 513
 514         assert eval(info['street']) == self.name_token_set('#Grand Road')
 515
 516
 517     def test_process_place_place(self):
 518         info = self.process_address(place='Honu Lulu')
 519
 520         assert eval(info['place']) == self.name_token_set('HONU', 'LULU')
 521
 522
 523     def test_process_place_place_extra(self):
 524         info = self.process_address(**{'place:en': 'Honu Lulu'})
 525
 526         assert 'place' not in info
 527
 528
 529     def test_process_place_place_empty(self):
 530         info = self.process_address(place='🜵')
 531
 532         assert 'place' not in info
 533
 534
 535     def test_process_place_address_terms(self):
 536         info = self.process_address(country='de', city='Zwickau', state='Sachsen',
 537                                     suburb='Zwickau', street='Hauptstr',
 538                                     full='right behind the church')
 539
 540         city = self.name_token_set('ZWICKAU')
 541         state = self.name_token_set('SACHSEN')
 542
 543         result = {k: eval(v) for k,v in info['addr'].items()}
 544
 545         assert result == {'city': city, 'suburb': city, 'state': state}
 546
 547
 548     def test_process_place_multiple_address_terms(self):
 549         info = self.process_address(**{'city': 'Bruxelles', 'city:de': 'Brüssel'})
 550
 551         result = {k: eval(v) for k,v in info['addr'].items()}
 552
 553         assert result == {'city': self.name_token_set('Bruxelles')}
 554
 555
 556     def test_process_place_address_terms_empty(self):
 557         info = self.process_address(country='de', city=' ', street='Hauptstr',
 558                                     full='right behind the church')
 559
 560         assert 'addr' not in info
 561