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 from nominatim.tokenizer.base import AbstractAnalyzer, AbstractTokenizer
  20
  21 DBCFG_NORMALIZATION = "tokenizer_normalization"
  22 DBCFG_MAXWORDFREQ = "tokenizer_maxwordfreq"
  23
  24 LOG = logging.getLogger()
  25
  26 def create(dsn, data_dir):
  27     """ Create a new instance of the tokenizer provided by this module.
  28     """
  29     return LegacyTokenizer(dsn, data_dir)
  30
  31
  32 def _install_module(config_module_path, src_dir, module_dir):
  33     """ Copies the PostgreSQL normalisation module into the project
  34         directory if necessary. For historical reasons the module is
  35         saved in the '/module' subdirectory and not with the other tokenizer
  36         data.
  37
  38         The function detects when the installation is run from the
  39         build directory. It doesn't touch the module in that case.
  40     """
  41     # Custom module locations are simply used as is.
  42     if config_module_path:
  43         LOG.info("Using custom path for database module at '%s'", config_module_path)
  44         return config_module_path
  45
  46     # Compatibility mode for builddir installations.
  47     if module_dir.exists() and src_dir.samefile(module_dir):
  48         LOG.info('Running from build directory. Leaving database module as is.')
  49         return module_dir
  50
  51     # In any other case install the module in the project directory.
  52     if not module_dir.exists():
  53         module_dir.mkdir()
  54
  55     destfile = module_dir / 'nominatim.so'
  56     shutil.copy(str(src_dir / 'nominatim.so'), str(destfile))
  57     destfile.chmod(0o755)
  58
  59     LOG.info('Database module installed at %s', str(destfile))
  60
  61     return module_dir
  62
  63
  64 def _check_module(module_dir, conn):
  65     """ Try to use the PostgreSQL module to confirm that it is correctly
  66         installed and accessible from PostgreSQL.
  67     """
  68     with conn.cursor() as cur:
  69         try:
  70             cur.execute("""CREATE FUNCTION nominatim_test_import_func(text)
  71                            RETURNS text AS '{}/nominatim.so', 'transliteration'
  72                            LANGUAGE c IMMUTABLE STRICT;
  73                            DROP FUNCTION nominatim_test_import_func(text)
  74                         """.format(module_dir))
  75         except psycopg2.DatabaseError as err:
  76             LOG.fatal("Error accessing database module: %s", err)
  77             raise UsageError("Database module cannot be accessed.") from err
  78
  79
  80 class LegacyTokenizer(AbstractTokenizer):
  81     """ The legacy tokenizer uses a special PostgreSQL module to normalize
  82         names and queries. The tokenizer thus implements normalization through
  83         calls to the database.
  84     """
  85
  86     def __init__(self, dsn, data_dir):
  87         self.dsn = dsn
  88         self.data_dir = data_dir
  89         self.normalization = None
  90
  91
  92     def init_new_db(self, config, init_db=True):
  93         """ Set up a new tokenizer for the database.
  94
  95             This copies all necessary data in the project directory to make
  96             sure the tokenizer remains stable even over updates.
  97         """
  98         module_dir = _install_module(config.DATABASE_MODULE_PATH,
  99                                      config.lib_dir.module,
 100                                      config.project_dir / 'module')
 101
 102         self.normalization = config.TERM_NORMALIZATION
 103
 104         self._install_php(config)
 105
 106         with connect(self.dsn) as conn:
 107             _check_module(module_dir, conn)
 108             self._save_config(conn, config)
 109             conn.commit()
 110
 111         if init_db:
 112             self.update_sql_functions(config)
 113             self._init_db_tables(config)
 114
 115
 116     def init_from_project(self):
 117         """ Initialise the tokenizer from the project directory.
 118         """
 119         with connect(self.dsn) as conn:
 120             self.normalization = properties.get_property(conn, DBCFG_NORMALIZATION)
 121
 122
 123     def finalize_import(self, config):
 124         """ Do any required postprocessing to make the tokenizer data ready
 125             for use.
 126         """
 127         with connect(self.dsn) as conn:
 128             sqlp = SQLPreprocessor(conn, config)
 129             sqlp.run_sql_file(conn, 'tokenizer/legacy_tokenizer_indices.sql')
 130
 131
 132     def update_sql_functions(self, config):
 133         """ Reimport the SQL functions for this tokenizer.
 134         """
 135         with connect(self.dsn) as conn:
 136             max_word_freq = properties.get_property(conn, DBCFG_MAXWORDFREQ)
 137             modulepath = config.DATABASE_MODULE_PATH or \
 138                          str((config.project_dir / 'module').resolve())
 139             sqlp = SQLPreprocessor(conn, config)
 140             sqlp.run_sql_file(conn, 'tokenizer/legacy_tokenizer.sql',
 141                               max_word_freq=max_word_freq,
 142                               modulepath=modulepath)
 143
 144
 145     def check_database(self):
 146         """ Check that the tokenizer is set up correctly.
 147         """
 148         hint = """\
 149              The Postgresql extension nominatim.so was not correctly loaded.
 150
 151              Error: {error}
 152
 153              Hints:
 154              * Check the output of the CMmake/make installation step
 155              * Does nominatim.so exist?
 156              * Does nominatim.so exist on the database server?
 157              * Can nominatim.so be accessed by the database user?
 158              """
 159         with connect(self.dsn) as conn:
 160             with conn.cursor() as cur:
 161                 try:
 162                     out = cur.scalar("SELECT make_standard_name('a')")
 163                 except psycopg2.Error as err:
 164                     return hint.format(error=str(err))
 165
 166         if out != 'a':
 167             return hint.format(error='Unexpected result for make_standard_name()')
 168
 169         return None
 170
 171
 172     def migrate_database(self, config):
 173         """ Initialise the project directory of an existing database for
 174             use with this tokenizer.
 175
 176             This is a special migration function for updating existing databases
 177             to new software versions.
 178         """
 179         self.normalization = config.TERM_NORMALIZATION
 180         module_dir = _install_module(config.DATABASE_MODULE_PATH,
 181                                      config.lib_dir.module,
 182                                      config.project_dir / 'module')
 183
 184         with connect(self.dsn) as conn:
 185             _check_module(module_dir, conn)
 186             self._save_config(conn, config)
 187
 188
 189     def name_analyzer(self):
 190         """ Create a new analyzer for tokenizing names and queries
 191             using this tokinzer. Analyzers are context managers and should
 192             be used accordingly:
 193
 194             ```
 195             with tokenizer.name_analyzer() as analyzer:
 196                 analyser.tokenize()
 197             ```
 198
 199             When used outside the with construct, the caller must ensure to
 200             call the close() function before destructing the analyzer.
 201
 202             Analyzers are not thread-safe. You need to instantiate one per thread.
 203         """
 204         normalizer = Transliterator.createFromRules("phrase normalizer",
 205                                                     self.normalization)
 206         return LegacyNameAnalyzer(self.dsn, normalizer)
 207
 208
 209     def _install_php(self, config):
 210         """ Install the php script for the tokenizer.
 211         """
 212         php_file = self.data_dir / "tokenizer.php"
 213         php_file.write_text(dedent("""\
 214             <?php
 215             @define('CONST_Max_Word_Frequency', {0.MAX_WORD_FREQUENCY});
 216             @define('CONST_Term_Normalization_Rules', "{0.TERM_NORMALIZATION}");
 217             require_once('{0.lib_dir.php}/tokenizer/legacy_tokenizer.php');
 218             """.format(config)))
 219
 220
 221     def _init_db_tables(self, config):
 222         """ Set up the word table and fill it with pre-computed word
 223             frequencies.
 224         """
 225         with connect(self.dsn) as conn:
 226             sqlp = SQLPreprocessor(conn, config)
 227             sqlp.run_sql_file(conn, 'tokenizer/legacy_tokenizer_tables.sql')
 228             conn.commit()
 229
 230         LOG.warning("Precomputing word tokens")
 231         db_utils.execute_file(self.dsn, config.lib_dir.data / 'words.sql')
 232
 233
 234     def _save_config(self, conn, config):
 235         """ Save the configuration that needs to remain stable for the given
 236             database as database properties.
 237         """
 238         properties.set_property(conn, DBCFG_NORMALIZATION, self.normalization)
 239         properties.set_property(conn, DBCFG_MAXWORDFREQ, config.MAX_WORD_FREQUENCY)
 240
 241
 242 class LegacyNameAnalyzer(AbstractAnalyzer):
 243     """ The legacy analyzer uses the special Postgresql module for
 244         splitting names.
 245
 246         Each instance opens a connection to the database to request the
 247         normalization.
 248     """
 249
 250     def __init__(self, dsn, normalizer):
 251         self.conn = connect(dsn).connection
 252         self.conn.autocommit = True
 253         self.normalizer = normalizer
 254         psycopg2.extras.register_hstore(self.conn)
 255
 256         self._cache = _TokenCache(self.conn)
 257
 258
 259     def close(self):
 260         """ Free all resources used by the analyzer.
 261         """
 262         if self.conn:
 263             self.conn.close()
 264             self.conn = None
 265
 266
 267     def get_word_token_info(self, words):
 268         """ Return token information for the given list of words.
 269             If a word starts with # it is assumed to be a full name
 270             otherwise is a partial name.
 271
 272             The function returns a list of tuples with
 273             (original word, word token, word id).
 274
 275             The function is used for testing and debugging only
 276             and not necessarily efficient.
 277         """
 278         with self.conn.cursor() as cur:
 279             cur.execute("""SELECT t.term, word_token, word_id
 280                            FROM word, (SELECT unnest(%s::TEXT[]) as term) t
 281                            WHERE word_token = (CASE
 282                                    WHEN left(t.term, 1) = '#' THEN
 283                                      ' ' || make_standard_name(substring(t.term from 2))
 284                                    ELSE
 285                                      make_standard_name(t.term)
 286                                    END)
 287                                  and class is null and country_code is null""",
 288                         (words, ))
 289
 290             return [(r[0], r[1], r[2]) for r in cur]
 291
 292
 293     def normalize(self, phrase):
 294         """ Normalize the given phrase, i.e. remove all properties that
 295             are irrelevant for search.
 296         """
 297         return self.normalizer.transliterate(phrase)
 298
 299
 300     @staticmethod
 301     def normalize_postcode(postcode):
 302         """ Convert the postcode to a standardized form.
 303
 304             This function must yield exactly the same result as the SQL function
 305             'token_normalized_postcode()'.
 306         """
 307         return postcode.strip().upper()
 308
 309
 310     def update_postcodes_from_db(self):
 311         """ Update postcode tokens in the word table from the location_postcode
 312             table.
 313         """
 314         with self.conn.cursor() as cur:
 315             # This finds us the rows in location_postcode and word that are
 316             # missing in the other table.
 317             cur.execute("""SELECT * FROM
 318                             (SELECT pc, word FROM
 319                               (SELECT distinct(postcode) as pc FROM location_postcode) p
 320                               FULL JOIN
 321                               (SELECT word FROM word
 322                                 WHERE class ='place' and type = 'postcode') w
 323                               ON pc = word) x
 324                            WHERE pc is null or word is null""")
 325
 326             to_delete = []
 327             to_add = []
 328
 329             for postcode, word in cur:
 330                 if postcode is None:
 331                     to_delete.append(word)
 332                 else:
 333                     to_add.append(postcode)
 334
 335             if to_delete:
 336                 cur.execute("""DELETE FROM WORD
 337                                WHERE class ='place' and type = 'postcode'
 338                                      and word = any(%s)
 339                             """, (to_delete, ))
 340             if to_add:
 341                 cur.execute("""SELECT count(create_postcode_id(pc))
 342                                FROM unnest(%s) as pc
 343                             """, (to_add, ))
 344
 345
 346
 347     def update_special_phrases(self, phrases, should_replace):
 348         """ Replace the search index for special phrases with the new phrases.
 349         """
 350         norm_phrases = set(((self.normalize(p[0]), p[1], p[2], p[3])
 351                             for p in phrases))
 352
 353         with self.conn.cursor() as cur:
 354             # Get the old phrases.
 355             existing_phrases = set()
 356             cur.execute("""SELECT word, class, type, operator FROM word
 357                            WHERE class != 'place'
 358                                  OR (type != 'house' AND type != 'postcode')""")
 359             for label, cls, typ, oper in cur:
 360                 existing_phrases.add((label, cls, typ, oper or '-'))
 361
 362             to_add = norm_phrases - existing_phrases
 363             to_delete = existing_phrases - norm_phrases
 364
 365             if to_add:
 366                 cur.execute_values(
 367                     """ INSERT INTO word (word_id, word_token, word, class, type,
 368                                           search_name_count, operator)
 369                         (SELECT nextval('seq_word'), ' ' || make_standard_name(name), name,
 370                                 class, type, 0,
 371                                 CASE WHEN op in ('in', 'near') THEN op ELSE null END
 372                            FROM (VALUES %s) as v(name, class, type, op))""",
 373                     to_add)
 374
 375             if to_delete and should_replace:
 376                 cur.execute_values(
 377                     """ DELETE FROM word USING (VALUES %s) as v(name, in_class, in_type, op)
 378                         WHERE word = name and class = in_class and type = in_type
 379                               and ((op = '-' and operator is null) or op = operator)""",
 380                     to_delete)
 381
 382         LOG.info("Total phrases: %s. Added: %s. Deleted: %s",
 383                  len(norm_phrases), len(to_add), len(to_delete))
 384
 385
 386     def add_country_names(self, country_code, names):
 387         """ Add names for the given country to the search index.
 388         """
 389         with self.conn.cursor() as cur:
 390             cur.execute(
 391                 """INSERT INTO word (word_id, word_token, country_code)
 392                    (SELECT nextval('seq_word'), lookup_token, %s
 393                       FROM (SELECT DISTINCT ' ' || make_standard_name(n) as lookup_token
 394                             FROM unnest(%s)n) y
 395                       WHERE NOT EXISTS(SELECT * FROM word
 396                                        WHERE word_token = lookup_token and country_code = %s))
 397                 """, (country_code, list(names.values()), country_code))
 398
 399
 400     def process_place(self, place):
 401         """ Determine tokenizer information about the given place.
 402
 403             Returns a JSON-serialisable structure that will be handed into
 404             the database via the token_info field.
 405         """
 406         token_info = _TokenInfo(self._cache)
 407
 408         names = place.name
 409
 410         if names:
 411             token_info.add_names(self.conn, names)
 412
 413             if place.is_country():
 414                 self.add_country_names(place.country_code, names)
 415
 416         address = place.address
 417         if address:
 418             self._process_place_address(token_info, address)
 419
 420         return token_info.data
 421
 422
 423     def _process_place_address(self, token_info, address):
 424         hnrs = []
 425         addr_terms = []
 426
 427         for key, value in address.items():
 428             if key == 'postcode':
 429                 # Make sure the normalized postcode is present in the word table.
 430                 if re.search(r'[:,;]', value) is None:
 431                     self._cache.add_postcode(self.conn,
 432                                              self.normalize_postcode(value))
 433             elif key in ('housenumber', 'streetnumber', 'conscriptionnumber'):
 434                 hnrs.append(value)
 435             elif key == 'street':
 436                 token_info.add_street(self.conn, value)
 437             elif key == 'place':
 438                 token_info.add_place(self.conn, value)
 439             elif not key.startswith('_') and key not in ('country', 'full'):
 440                 addr_terms.append((key, value))
 441
 442         if hnrs:
 443             token_info.add_housenumbers(self.conn, hnrs)
 444
 445         if addr_terms:
 446             token_info.add_address_terms(self.conn, addr_terms)
 447
 448
 449
 450 class _TokenInfo:
 451     """ Collect token information to be sent back to the database.
 452     """
 453     def __init__(self, cache):
 454         self.cache = cache
 455         self.data = {}
 456
 457
 458     def add_names(self, conn, names):
 459         """ Add token information for the names of the place.
 460         """
 461         with conn.cursor() as cur:
 462             # Create the token IDs for all names.
 463             self.data['names'] = cur.scalar("SELECT make_keywords(%s)::text",
 464                                             (names, ))
 465
 466
 467     def add_housenumbers(self, conn, hnrs):
 468         """ Extract housenumber information from the address.
 469         """
 470         if len(hnrs) == 1:
 471             token = self.cache.get_housenumber(hnrs[0])
 472             if token is not None:
 473                 self.data['hnr_tokens'] = token
 474                 self.data['hnr'] = hnrs[0]
 475                 return
 476
 477         # split numbers if necessary
 478         simple_list = []
 479         for hnr in hnrs:
 480             simple_list.extend((x.strip() for x in re.split(r'[;,]', hnr)))
 481
 482         if len(simple_list) > 1:
 483             simple_list = list(set(simple_list))
 484
 485         with conn.cursor() as cur:
 486             cur.execute("SELECT (create_housenumbers(%s)).* ", (simple_list, ))
 487             self.data['hnr_tokens'], self.data['hnr'] = cur.fetchone()
 488
 489
 490     def add_street(self, conn, street):
 491         """ Add addr:street match terms.
 492         """
 493         def _get_street(name):
 494             with conn.cursor() as cur:
 495                 return cur.scalar("SELECT word_ids_from_name(%s)::text", (name, ))
 496
 497         self.data['street'] = self.cache.streets.get(street, _get_street)
 498
 499
 500     def add_place(self, conn, place):
 501         """ Add addr:place search and match terms.
 502         """
 503         def _get_place(name):
 504             with conn.cursor() as cur:
 505                 cur.execute("""SELECT make_keywords(hstore('name' , %s))::text,
 506                                       word_ids_from_name(%s)::text""",
 507                             (name, name))
 508                 return cur.fetchone()
 509
 510         self.data['place_search'], self.data['place_match'] = \
 511             self.cache.places.get(place, _get_place)
 512
 513
 514     def add_address_terms(self, conn, terms):
 515         """ Add additional address terms.
 516         """
 517         def _get_address_term(name):
 518             with conn.cursor() as cur:
 519                 cur.execute("""SELECT addr_ids_from_name(%s)::text,
 520                                       word_ids_from_name(%s)::text""",
 521                             (name, name))
 522                 return cur.fetchone()
 523
 524         tokens = {}
 525         for key, value in terms:
 526             tokens[key] = self.cache.address_terms.get(value, _get_address_term)
 527
 528         self.data['addr'] = tokens
 529
 530
 531 class _LRU:
 532     """ Least recently used cache that accepts a generator function to
 533         produce the item when there is a cache miss.
 534     """
 535
 536     def __init__(self, maxsize=128, init_data=None):
 537         self.data = init_data or OrderedDict()
 538         self.maxsize = maxsize
 539         if init_data is not None and len(init_data) > maxsize:
 540             self.maxsize = len(init_data)
 541
 542     def get(self, key, generator):
 543         """ Get the item with the given key from the cache. If nothing
 544             is found in the cache, generate the value through the
 545             generator function and store it in the cache.
 546         """
 547         value = self.data.get(key)
 548         if value is not None:
 549             self.data.move_to_end(key)
 550         else:
 551             value = generator(key)
 552             if len(self.data) >= self.maxsize:
 553                 self.data.popitem(last=False)
 554             self.data[key] = value
 555
 556         return value
 557
 558
 559 class _TokenCache:
 560     """ Cache for token information to avoid repeated database queries.
 561
 562         This cache is not thread-safe and needs to be instantiated per
 563         analyzer.
 564     """
 565     def __init__(self, conn):
 566         # various LRU caches
 567         self.streets = _LRU(maxsize=256)
 568         self.places = _LRU(maxsize=128)
 569         self.address_terms = _LRU(maxsize=1024)
 570
 571         # Lookup houseunumbers up to 100 and cache them
 572         with conn.cursor() as cur:
 573             cur.execute("""SELECT i, ARRAY[getorcreate_housenumber_id(i::text)]::text
 574                            FROM generate_series(1, 100) as i""")
 575             self._cached_housenumbers = {str(r[0]): r[1] for r in cur}
 576
 577         # For postcodes remember the ones that have already been added
 578         self.postcodes = set()
 579
 580     def get_housenumber(self, number):
 581         """ Get a housenumber token from the cache.
 582         """
 583         return self._cached_housenumbers.get(number)
 584
 585
 586     def add_postcode(self, conn, postcode):
 587         """ Make sure the given postcode is in the database.
 588         """
 589         if postcode not in self.postcodes:
 590             with conn.cursor() as cur:
 591                 cur.execute('SELECT create_postcode_id(%s)', (postcode, ))
 592             self.postcodes.add(postcode)