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
   9 import psycopg2
  10 import psycopg2.extras
  11
  12 from nominatim.db.connection import connect
  13 from nominatim.db import properties
  14 from nominatim.db import utils as db_utils
  15 from nominatim.db.sql_preprocessor import SQLPreprocessor
  16 from nominatim.errors import UsageError
  17
  18 DBCFG_NORMALIZATION = "tokenizer_normalization"
  19 DBCFG_MAXWORDFREQ = "tokenizer_maxwordfreq"
  20
  21 LOG = logging.getLogger()
  22
  23 def create(dsn, data_dir):
  24     """ Create a new instance of the tokenizer provided by this module.
  25     """
  26     return LegacyTokenizer(dsn, data_dir)
  27
  28
  29 def _install_module(config_module_path, src_dir, module_dir):
  30     """ Copies the PostgreSQL normalisation module into the project
  31         directory if necessary. For historical reasons the module is
  32         saved in the '/module' subdirectory and not with the other tokenizer
  33         data.
  34
  35         The function detects when the installation is run from the
  36         build directory. It doesn't touch the module in that case.
  37     """
  38     # Custom module locations are simply used as is.
  39     if config_module_path:
  40         LOG.info("Using custom path for database module at '%s'", config_module_path)
  41         return config_module_path
  42
  43     # Compatibility mode for builddir installations.
  44     if module_dir.exists() and src_dir.samefile(module_dir):
  45         LOG.info('Running from build directory. Leaving database module as is.')
  46         return module_dir
  47
  48     # In any other case install the module in the project directory.
  49     if not module_dir.exists():
  50         module_dir.mkdir()
  51
  52     destfile = module_dir / 'nominatim.so'
  53     shutil.copy(str(src_dir / 'nominatim.so'), str(destfile))
  54     destfile.chmod(0o755)
  55
  56     LOG.info('Database module installed at %s', str(destfile))
  57
  58     return module_dir
  59
  60
  61 def _check_module(module_dir, conn):
  62     """ Try to use the PostgreSQL module to confirm that it is correctly
  63         installed and accessible from PostgreSQL.
  64     """
  65     with conn.cursor() as cur:
  66         try:
  67             cur.execute("""CREATE FUNCTION nominatim_test_import_func(text)
  68                            RETURNS text AS '{}/nominatim.so', 'transliteration'
  69                            LANGUAGE c IMMUTABLE STRICT;
  70                            DROP FUNCTION nominatim_test_import_func(text)
  71                         """.format(module_dir))
  72         except psycopg2.DatabaseError as err:
  73             LOG.fatal("Error accessing database module: %s", err)
  74             raise UsageError("Database module cannot be accessed.") from err
  75
  76
  77 class LegacyTokenizer:
  78     """ The legacy tokenizer uses a special PostgreSQL module to normalize
  79         names and queries. The tokenizer thus implements normalization through
  80         calls to the database.
  81     """
  82
  83     def __init__(self, dsn, data_dir):
  84         self.dsn = dsn
  85         self.data_dir = data_dir
  86         self.normalization = None
  87
  88
  89     def init_new_db(self, config):
  90         """ Set up a new tokenizer for the database.
  91
  92             This copies all necessary data in the project directory to make
  93             sure the tokenizer remains stable even over updates.
  94         """
  95         module_dir = _install_module(config.DATABASE_MODULE_PATH,
  96                                      config.lib_dir.module,
  97                                      config.project_dir / 'module')
  98
  99         self.normalization = config.TERM_NORMALIZATION
 100
 101         with connect(self.dsn) as conn:
 102             _check_module(module_dir, conn)
 103             self._save_config(conn, config)
 104             conn.commit()
 105
 106         self.update_sql_functions(config)
 107         self._init_db_tables(config)
 108
 109
 110     def init_from_project(self):
 111         """ Initialise the tokenizer from the project directory.
 112         """
 113         with connect(self.dsn) as conn:
 114             self.normalization = properties.get_property(conn, DBCFG_NORMALIZATION)
 115
 116
 117     def update_sql_functions(self, config):
 118         """ Reimport the SQL functions for this tokenizer.
 119         """
 120         with connect(self.dsn) as conn:
 121             max_word_freq = properties.get_property(conn, DBCFG_MAXWORDFREQ)
 122             modulepath = config.DATABASE_MODULE_PATH or \
 123                          str((config.project_dir / 'module').resolve())
 124             sqlp = SQLPreprocessor(conn, config)
 125             sqlp.run_sql_file(conn, 'tokenizer/legacy_tokenizer.sql',
 126                               max_word_freq=max_word_freq,
 127                               modulepath=modulepath)
 128
 129
 130     def migrate_database(self, config):
 131         """ Initialise the project directory of an existing database for
 132             use with this tokenizer.
 133
 134             This is a special migration function for updating existing databases
 135             to new software versions.
 136         """
 137         module_dir = _install_module(config.DATABASE_MODULE_PATH,
 138                                      config.lib_dir.module,
 139                                      config.project_dir / 'module')
 140
 141         with connect(self.dsn) as conn:
 142             _check_module(module_dir, conn)
 143             self._save_config(conn, config)
 144
 145
 146     def name_analyzer(self):
 147         """ Create a new analyzer for tokenizing names and queries
 148             using this tokinzer. Analyzers are context managers and should
 149             be used accordingly:
 150
 151             ```
 152             with tokenizer.name_analyzer() as analyzer:
 153                 analyser.tokenize()
 154             ```
 155
 156             When used outside the with construct, the caller must ensure to
 157             call the close() function before destructing the analyzer.
 158
 159             Analyzers are not thread-safe. You need to instantiate one per thread.
 160         """
 161         return LegacyNameAnalyzer(self.dsn)
 162
 163
 164     def _init_db_tables(self, config):
 165         """ Set up the word table and fill it with pre-computed word
 166             frequencies.
 167         """
 168         with connect(self.dsn) as conn:
 169             sqlp = SQLPreprocessor(conn, config)
 170             sqlp.run_sql_file(conn, 'tokenizer/legacy_tokenizer_tables.sql')
 171             conn.commit()
 172
 173         LOG.warning("Precomputing word tokens")
 174         db_utils.execute_file(self.dsn, config.lib_dir.data / 'words.sql')
 175
 176
 177     def _save_config(self, conn, config):
 178         """ Save the configuration that needs to remain stable for the given
 179             database as database properties.
 180         """
 181         properties.set_property(conn, DBCFG_NORMALIZATION, self.normalization)
 182         properties.set_property(conn, DBCFG_MAXWORDFREQ, config.MAX_WORD_FREQUENCY)
 183
 184
 185
 186 class LegacyNameAnalyzer:
 187     """ The legacy analyzer uses the special Postgresql module for
 188         splitting names.
 189
 190         Each instance opens a connection to the database to request the
 191         normalization.
 192     """
 193
 194     def __init__(self, dsn):
 195         self.conn = connect(dsn).connection
 196         self.conn.autocommit = True
 197         psycopg2.extras.register_hstore(self.conn)
 198
 199         self._cache = _TokenCache(self.conn)
 200
 201
 202     def __enter__(self):
 203         return self
 204
 205
 206     def __exit__(self, exc_type, exc_value, traceback):
 207         self.close()
 208
 209
 210     def close(self):
 211         """ Free all resources used by the analyzer.
 212         """
 213         if self.conn:
 214             self.conn.close()
 215             self.conn = None
 216
 217
 218     def add_postcodes_from_db(self):
 219         """ Add postcodes from the location_postcode table to the word table.
 220         """
 221         with self.conn.cursor() as cur:
 222             cur.execute("""SELECT count(create_postcode_id(pc))
 223                            FROM (SELECT distinct(postcode) as pc
 224                                  FROM location_postcode) x""")
 225
 226     def process_place(self, place):
 227         """ Determine tokenizer information about the given place.
 228
 229             Returns a JSON-serialisable structure that will be handed into
 230             the database via the token_info field.
 231         """
 232         token_info = _TokenInfo(self._cache)
 233
 234         token_info.add_names(self.conn, place.get('name'), place.get('country_feature'))
 235
 236         address = place.get('address')
 237
 238         if address:
 239             self._add_postcode(address.get('postcode'))
 240             token_info.add_housenumbers(self.conn, address)
 241
 242         return token_info.data
 243
 244
 245     def _add_postcode(self, postcode):
 246         """ Make sure the normalized postcode is present in the word table.
 247         """
 248         if not postcode or re.search(r'[:,;]', postcode) is not None:
 249             return
 250
 251         def _create_postcode_from_db(pcode):
 252             with self.conn.cursor() as cur:
 253                 cur.execute('SELECT create_postcode_id(%s)', (pcode, ))
 254
 255         self._cache.postcodes.get(postcode.strip().upper(), _create_postcode_from_db)
 256
 257
 258 class _TokenInfo:
 259     """ Collect token information to be sent back to the database.
 260     """
 261     def __init__(self, cache):
 262         self.cache = cache
 263         self.data = {}
 264
 265
 266     def add_names(self, conn, names, country_feature):
 267         """ Add token information for the names of the place.
 268         """
 269         if not names:
 270             return
 271
 272         with conn.cursor() as cur:
 273             # Create the token IDs for all names.
 274             self.data['names'] = cur.scalar("SELECT make_keywords(%s)::text",
 275                                             (names, ))
 276
 277             # Add country tokens to word table if necessary.
 278             if country_feature and re.fullmatch(r'[A-Za-z][A-Za-z]', country_feature):
 279                 cur.execute("SELECT create_country(%s, %s)",
 280                             (names, country_feature.lower()))
 281
 282
 283     def add_housenumbers(self, conn, address):
 284         """ Extract housenumber information from the address.
 285         """
 286         hnrs = [v for k, v in address.items()
 287                 if k in ('housenumber', 'streetnumber', 'conscriptionnumber')]
 288
 289         if not hnrs:
 290             return
 291
 292         if len(hnrs) == 1:
 293             token = self.cache.get_housenumber(hnrs[0])
 294             if token is not None:
 295                 self.data['hnr_tokens'] = token
 296                 self.data['hnr'] = hnrs[0]
 297                 return
 298
 299         # split numbers if necessary
 300         simple_list = []
 301         for hnr in hnrs:
 302             simple_list.extend((x.strip() for x in re.split(r'[;,]', hnr)))
 303
 304         if len(simple_list) > 1:
 305             simple_list = list(set(simple_list))
 306
 307         with conn.cursor() as cur:
 308             cur.execute("SELECT (create_housenumbers(%s)).* ", (simple_list, ))
 309             self.data['hnr_tokens'], self.data['hnr'] = cur.fetchone()
 310
 311
 312 class _LRU:
 313     """ Least recently used cache that accepts a generator function to
 314         produce the item when there is a cache miss.
 315     """
 316
 317     def __init__(self, maxsize=128):
 318         self.data = OrderedDict()
 319         self.maxsize = maxsize
 320
 321     def get(self, key, generator):
 322         """ Get the item with the given key from the cache. If nothing
 323             is found in the cache, generate the value through the
 324             generator function and store it in the cache.
 325         """
 326         value = self.data.get(key)
 327         if value is not None:
 328             self.data.move_to_end(key)
 329         else:
 330             value = generator(key)
 331             if len(self.data) >= self.maxsize:
 332                 self.data.popitem(last=False)
 333             self.data[key] = value
 334
 335         return value
 336
 337
 338 class _TokenCache:
 339     """ Cache for token information to avoid repeated database queries.
 340
 341         This cache is not thread-safe and needs to be instantiated per
 342         analyzer.
 343     """
 344     def __init__(self, conn):
 345         # various LRU caches
 346         self.postcodes = _LRU(maxsize=32)
 347
 348         # Lookup houseunumbers up to 100 and cache them
 349         with conn.cursor() as cur:
 350             cur.execute("""SELECT i, ARRAY[getorcreate_housenumber_id(i::text)]::text
 351                            FROM generate_series(1, 100) as i""")
 352             self._cached_housenumbers = {str(r[0]) : r[1] for r in cur}
 353
 354
 355     def get_housenumber(self, number):
 356         """ Get a housenumber token from the cache.
 357         """
 358         return self._cached_housenumbers.get(number)