correct.c

   1 /*
   2  * Copyright (C) 2012, 2013
   3  *     Dale Weiler
   4  *
   5  * Permission is hereby granted, free of charge, to any person obtaining a copy of
   6  * this software and associated documentation files (the "Software"), to deal in
   7  * the Software without restriction, including without limitation the rights to
   8  * use, copy, modify, merge, publish, distribute, sublicense, and/or sell copies
   9  * of the Software, and to permit persons to whom the Software is furnished to do
  10  * so, subject to the following conditions:
  11  *
  12  * The above copyright notice and this permission notice shall be included in all
  13  * copies or substantial portions of the Software.
  14  *
  15  * THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
  16  * IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
  17  * FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
  18  * AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
  19  * LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
  20  * OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
  21  * SOFTWARE.
  22  */
  23 #include "gmqcc.h"
  24
  25 /*
  26  * A forward allcator for the corrector.  This corrector requires a lot
  27  * of allocations.  This forward allocator combats all those allocations
  28  * and speeds us up a little.  It also saves us space in a way since each
  29  * allocation isn't wasting a little header space for when NOTRACK isn't
  30  * defined.
  31  */
  32 #define CORRECT_POOLSIZE (128*1024*1024)
  33
  34 static unsigned char **correct_pool_data = NULL;
  35 static unsigned char  *correct_pool_this = NULL;
  36 static size_t          correct_pool_addr = 0;
  37
  38 static GMQCC_INLINE void correct_pool_new(void) {
  39     correct_pool_addr = 0;
  40     correct_pool_this = (unsigned char *)mem_a(CORRECT_POOLSIZE);
  41
  42     vec_push(correct_pool_data, correct_pool_this);
  43 }
  44
  45 static GMQCC_INLINE void *correct_pool_alloc(size_t bytes) {
  46     void *data;
  47     if (correct_pool_addr + bytes >= CORRECT_POOLSIZE)
  48         correct_pool_new();
  49
  50     data               = correct_pool_this;
  51     correct_pool_this += bytes;
  52     correct_pool_addr += bytes;
  53
  54     return data;
  55 }
  56
  57 static GMQCC_INLINE void correct_pool_delete(void) {
  58     size_t i;
  59     for (i = 0; i < vec_size(correct_pool_data); ++i)
  60         mem_d(correct_pool_data[i]);
  61
  62     correct_pool_data = NULL;
  63     correct_pool_this = NULL;
  64     correct_pool_addr = 0;
  65 }
  66
  67
  68 static GMQCC_INLINE char *correct_outstr(const char *s) {
  69     char *o = util_strdup(s);
  70     correct_pool_delete();
  71     return o;
  72 }
  73
  74 correct_trie_t* correct_trie_new()
  75 {
  76     correct_trie_t *t = (correct_trie_t*)mem_a(sizeof(correct_trie_t));
  77     t->value   = NULL;
  78     t->entries = NULL;
  79     return t;
  80 }
  81
  82 void correct_trie_del_sub(correct_trie_t *t)
  83 {
  84     size_t i;
  85     for (i = 0; i < vec_size(t->entries); ++i)
  86         correct_trie_del_sub(&t->entries[i]);
  87     vec_free(t->entries);
  88 }
  89
  90 void correct_trie_del(correct_trie_t *t)
  91 {
  92     size_t i;
  93     for (i = 0; i < vec_size(t->entries); ++i)
  94         correct_trie_del_sub(&t->entries[i]);
  95     vec_free(t->entries);
  96     mem_d(t);
  97 }
  98
  99 void* correct_trie_get(const correct_trie_t *t, const char *key)
 100 {
 101     const unsigned char *data = (const unsigned char*)key;
 102     while (*data) {
 103         unsigned char ch = *data;
 104         const size_t  vs = vec_size(t->entries);
 105         size_t        i;
 106         const correct_trie_t *entries = t->entries;
 107         for (i = 0; i < vs; ++i) {
 108             if (entries[i].ch == ch) {
 109                 t = &entries[i];
 110                 ++data;
 111                 break;
 112             }
 113         }
 114         if (i == vs)
 115             return NULL;
 116     }
 117     return t->value;
 118 }
 119
 120 void correct_trie_set(correct_trie_t *t, const char *key, void * const value)
 121 {
 122     const unsigned char *data = (const unsigned char*)key;
 123     while (*data) {
 124         unsigned char ch = *data;
 125         correct_trie_t       *entries = t->entries;
 126         const size_t  vs = vec_size(t->entries);
 127         size_t        i;
 128         for (i = 0; i < vs; ++i) {
 129             if (entries[i].ch == ch) {
 130                 t = &entries[i];
 131                 break;
 132             }
 133         }
 134         if (i == vs) {
 135             correct_trie_t *elem  = (correct_trie_t*)vec_add(t->entries, 1);
 136             elem->ch      = ch;
 137             elem->value   = NULL;
 138             elem->entries = NULL;
 139             t = elem;
 140         }
 141         ++data;
 142     }
 143     t->value = value;
 144 }
 145
 146 /*
 147  * This is a very clever method for correcting mistakes in QuakeC code
 148  * most notably when invalid identifiers are used or inproper assignments;
 149  * we can proprly lookup in multiple dictonaries (depening on the rules
 150  * of what the task is trying to acomplish) to find the best possible
 151  * match.
 152  *
 153  *
 154  * A little about how it works, and probability theory:
 155  *
 156  *  When given an identifier (which we will denote I), we're essentially
 157  *  just trying to choose the most likely correction for that identifier.
 158  *  (the actual "correction" can very well be the identifier itself).
 159  *  There is actually no way to know for sure that certian identifers
 160  *  such as "lates", need to be corrected to "late" or "latest" or any
 161  *  other permutations that look lexically the same.  This is why we
 162  *  must advocate the usage of probabilities.  This implies that we're
 163  *  trying to find the correction for C, out of all possible corrections
 164  *  that maximizes the probability of C for the original identifer I.
 165  *
 166  *  Bayes' Therom suggests something of the following:
 167  *      AC P(I|C) P(C) / P(I)
 168  *  Since P(I) is the same for every possibly I, we can ignore it giving
 169  *      AC P(I|C) P(C)
 170  *
 171  *  This greatly helps visualize how the parts of the expression are performed
 172  *  there is essentially three, from right to left we perform the following:
 173  *
 174  *  1: P(C), the probability that a proposed correction C will stand on its
 175  *     own.  This is called the language model.
 176  *
 177  *  2: P(I|C), the probability that I would be used, when the programmer
 178  *     really meant C.  This is the error model.
 179  *
 180  *  3: AC, the control mechanisim, which implies the enumeration of all
 181  *     feasible values of C, and then determine the one that gives the
 182  *     greatest probability score. Selecting it as the "correction"
 183  *
 184  *
 185  * The requirement for complex expression involving two models:
 186  *
 187  *  In reality the requirement for a more complex expression involving
 188  *  two seperate models is considerably a waste.  But one must recognize
 189  *  that P(C|I) is already conflating two factors.  It's just much simpler
 190  *  to seperate the two models and deal with them explicitaly.  To properly
 191  *  estimate P(C|I) you have to consider both the probability of C and
 192  *  probability of the transposition from C to I.  It's simply much more
 193  *  cleaner, and direct to seperate the two factors.
 194  */
 195
 196 /* some hashtable management for dictonaries */
 197 static size_t *correct_find(correct_trie_t *table, const char *word) {
 198     return (size_t*)correct_trie_get(table, word);
 199 }
 200
 201 static int correct_update(correct_trie_t* *table, const char *word) {
 202     size_t *data = correct_find(*table, word);
 203     if (!data)
 204         return 0;
 205
 206     (*data)++;
 207     return 1;
 208 }
 209
 210 void correct_add(correct_trie_t* table, size_t ***size, const char *ident) {
 211     size_t     *data = NULL;
 212     const char *add  = ident;
 213
 214     if (!correct_update(&table, add)) {
 215         data  = (size_t*)mem_a(sizeof(size_t));
 216         *data = 1;
 217
 218         vec_push((*size), data);
 219         correct_trie_set(table, add, data);
 220     }
 221 }
 222
 223 void correct_del(correct_trie_t* dictonary, size_t **data) {
 224     size_t i;
 225     const size_t vs = vec_size(data);
 226     for (i = 0; i < vs; i++)
 227         mem_d(data[i]);
 228
 229     vec_free(data);
 230     correct_trie_del(dictonary);
 231 }
 232 #if 1
 233 #undef mem_a
 234 #undef mem_r
 235 #undef mem_d
 236 #define mem_a(x)   correct_alloc((x))
 237 #define mem_r(a,b) correct_realloc((a),(b))
 238 /* doing this in order to avoid 'unused variable' warnings */
 239 #define mem_d(x)   ((void)(0 && (x)))
 240 #endif
 241
 242
 243 /*
 244  * _ is valid in identifiers. I've yet to implement numerics however
 245  * because they're only valid after the first character is of a _, or
 246  * alpha character.
 247  */
 248 static const char correct_alpha[] = "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ_";
 249
 250 /*
 251  * correcting logic for the following forms of transformations:
 252  *  1) deletion
 253  *  2) transposition
 254  *  3) alteration
 255  *  4) insertion
 256  */
 257 static size_t correct_deletion(const char *ident, char **array, size_t index) {
 258     size_t itr;
 259     size_t len = strlen(ident);
 260
 261     for (itr = 0; itr < len; itr++) {
 262         char *a = (char*)correct_pool_alloc(len+1);
 263         memcpy(a, ident, itr);
 264         memcpy(a + itr, ident + itr + 1, len - itr);
 265         array[index + itr] = a;
 266     }
 267
 268     return itr;
 269 }
 270
 271 static size_t correct_transposition(const char *ident, char **array, size_t index) {
 272     size_t itr;
 273     size_t len = strlen(ident);
 274
 275     for (itr = 0; itr < len - 1; itr++) {
 276         char  tmp;
 277         char *a = (char*)correct_pool_alloc(len+1);
 278         memcpy(a, ident, len+1);
 279         tmp      = a[itr];
 280         a[itr  ] = a[itr+1];
 281         a[itr+1] = tmp;
 282         array[index + itr] = a;
 283     }
 284
 285     return itr;
 286 }
 287
 288 static size_t correct_alteration(const char *ident, char **array, size_t index) {
 289     size_t itr;
 290     size_t jtr;
 291     size_t ktr;
 292     size_t len    = strlen(ident);
 293
 294     for (itr = 0, ktr = 0; itr < len; itr++) {
 295         for (jtr = 0; jtr < sizeof(correct_alpha)-1; jtr++, ktr++) {
 296             char *a = (char*)correct_pool_alloc(len+1);
 297             memcpy(a, ident, len+1);
 298             a[itr] = correct_alpha[jtr];
 299             array[index + ktr] = a;
 300         }
 301     }
 302
 303     return ktr;
 304 }
 305
 306 static size_t correct_insertion(const char *ident, char **array, size_t index) {
 307     size_t itr;
 308     size_t jtr;
 309     size_t ktr;
 310     const size_t len    = strlen(ident);
 311
 312     for (itr = 0, ktr = 0; itr <= len; itr++) {
 313         for (jtr = 0; jtr < sizeof(correct_alpha)-1; jtr++, ktr++) {
 314             char *a = (char*)correct_pool_alloc(len+2);
 315             memcpy(a, ident, itr);
 316             memcpy(a + itr + 1, ident + itr, len - itr + 1);
 317             a[itr] = correct_alpha[jtr];
 318             array[index + ktr] = a;
 319         }
 320     }
 321
 322     return ktr;
 323 }
 324
 325 static GMQCC_INLINE size_t correct_size(const char *ident) {
 326     /*
 327      * deletion      = len
 328      * transposition = len - 1
 329      * alteration    = len * sizeof(correct_alpha)
 330      * insertion     = (len + 1) * sizeof(correct_alpha)
 331      */
 332
 333     register size_t len = strlen(ident);
 334     return (len) + (len - 1) + (len * (sizeof(correct_alpha)-1)) + ((len + 1) * (sizeof(correct_alpha)-1));
 335 }
 336
 337 static char **correct_edit(const char *ident) {
 338     size_t next;
 339     char **find = (char**)correct_pool_alloc(correct_size(ident) * sizeof(char*));
 340
 341     if (!find)
 342         return NULL;
 343
 344     next  = correct_deletion     (ident, find, 0);
 345     next += correct_transposition(ident, find, next);
 346     next += correct_alteration   (ident, find, next);
 347     /*****/ correct_insertion    (ident, find, next);
 348
 349     return find;
 350 }
 351
 352 /*
 353  * We could use a hashtable but the space complexity isn't worth it
 354  * since we're only going to determine the "did you mean?" identifier
 355  * on error.
 356  */
 357 static int correct_exist(char **array, size_t rows, char *ident) {
 358     size_t itr;
 359     for (itr = 0; itr < rows; itr++)
 360         if (!strcmp(array[itr], ident))
 361             return 1;
 362
 363     return 0;
 364 }
 365
 366 static GMQCC_INLINE char **correct_known_resize(char **res, size_t *allocated, size_t size) {
 367     size_t oldallocated = *allocated;
 368     char **out;
 369     if (size+1 < *allocated)
 370         return res;
 371
 372     *allocated += 32;
 373     out = correct_pool_alloc(sizeof(*res) * *allocated);
 374     memcpy(out, res, sizeof(*res) * oldallocated);
 375     return out;
 376 }
 377
 378 static char **correct_known(correct_trie_t* table, char **array, size_t rows, size_t *next) {
 379     size_t itr;
 380     size_t jtr;
 381     size_t len;
 382     size_t row;
 383     size_t nxt = 8;
 384     char **res = correct_pool_alloc(sizeof(char *) * nxt);
 385     char **end = NULL;
 386
 387     for (itr = 0, len = 0; itr < rows; itr++) {
 388         end = correct_edit(array[itr]);
 389         row = correct_size(array[itr]);
 390
 391         for (jtr = 0; jtr < row; jtr++) {
 392             if (correct_find(table, end[jtr]) && !correct_exist(res, len, end[jtr])) {
 393                 res        = correct_known_resize(res, &nxt, len+1);
 394                 res[len++] = end[jtr];
 395             }
 396         }
 397     }
 398
 399     *next = len;
 400     return res;
 401 }
 402
 403 static char *correct_maximum(correct_trie_t* table, char **array, size_t rows) {
 404     char   *str  = NULL;
 405     size_t *itm  = NULL;
 406     size_t  itr;
 407     size_t  top;
 408
 409     for (itr = 0, top = 0; itr < rows; itr++) {
 410         if ((itm = correct_find(table, array[itr])) && (*itm > top)) {
 411             top = *itm;
 412             str = array[itr];
 413         }
 414     }
 415
 416     return str;
 417 }
 418
 419 /*
 420  * This is the exposed interface:
 421  * takes a table for the dictonary a vector of sizes (used for internal
 422  * probability calculation, and an identifier to "correct"
 423  *
 424  * the add function works the same.  Except the identifier is used to
 425  * add to the dictonary.
 426  */
 427
 428 char *correct_str(correct_trie_t* table, const char *ident) {
 429     char **e1;
 430     char **e2;
 431     char  *e1ident;
 432     char  *e2ident;
 433     char  *found = util_strdup(ident);
 434
 435     size_t e1rows = 0;
 436     size_t e2rows = 0;
 437
 438     correct_pool_new();
 439
 440     /* needs to be allocated for free later */
 441     if (correct_find(table, ident))
 442         return correct_outstr(found);
 443
 444     if ((e1rows = correct_size(ident))) {
 445         e1      = correct_edit(ident);
 446
 447         if ((e1ident = correct_maximum(table, e1, e1rows))) {
 448             found = util_strdup(e1ident);
 449             return correct_outstr(found);
 450         }
 451     }
 452
 453     e2 = correct_known(table, e1, e1rows, &e2rows);
 454     if (e2rows && ((e2ident = correct_maximum(table, e2, e2rows)))) {
 455         found = util_strdup(e2ident);
 456     }
 457
 458     return correct_outstr(found);
 459 }