CWB解讀：結構屬性編碼 (structural attribute encoding)
Don
/ 2020-03-19
/
上次看了CWB關於p-attribute encoding的實現，現在來看的是CWB如何編碼.vrt檔中像是XML tag的資訊。 以下是我準備這次要用的 .vrt 檔：
<post>
<title author="don" year="2008">
How M
to TO
save V
money N
</title>
<body author="don" year="2008">
I PROP
would M
say V
save V
money N
</body>
</post>
然後下編碼指令：
$ cwb-encode \
-d /Users/koukantou/Desktop/try_cwb_encode/data/corpus_ptt \
-f /Users/koukantou/Desktop/try_cwb_encode/corpus_ptt.vrt \
-R /Users/koukantou/Desktop/try_cwb_encode/registry/corpus_ptt \
-P pos \
-S post \
-S title:0+author+year \
-S body:0+author+year \
-c utf8 \
-vDxsB \
成功執行後會看到在我指定的data directory裡面增加了以下幾個新檔案：
- body.rng
- body_author.rng
- body_author.avs
- body_author.avx
- post.rng
- title.rng
- title_author.rng
- title_author.avs
- title_author.avx
- title_year.rng
- title_year.avs
- title_year.avx
utils/cwb-encode.c 中有提到三種副檔名的檔案的作用
*.rng: rng component (cpos start/end pairs for the attribute's ranges)
*.avx: avx component (the attribute value index)
*.avs: avs component (the attribute values)
所以這也是為什麼我的 body post title 只有 .rng檔，因為以post來看的話，在我的.vrt中，<post></post>是非常單純的XML tag，這個tag裡頭沒有加上任何的 attribute-value pair。
CWB 的編碼
(來源：http://cwb.sourceforge.net/files/CQP_Tutorial.pdf)
可以注意的是最左邊的corpus position，對CWB來說，真正會佔一個實質position的元素是 p-attribute，而像是XML tag的s-attribute，並不會真正佔一個位置。
按這這個邏輯，我也來把我的.vrt加上CWB眼中的corpus position：
(0) <post>
(0) <title author="don" year="2008">
0 How M
1 to TO
2 save V
3 money N
(3) </title>
(4) <body author="don" year="2008">
4 I PROP
5 would M
6 say V
7 save V
8 money N
(8) </body>
(8) </post>
哪幾行將文字寫進了檔案
經過上次的經驗，我發現我可以先去找出到底是哪幾行程式執行了「寫入檔案」這件事，找出來之後就可以比較快回推到底寫了什麼東西進去。
我發現把資料寫進 .rng, .avs, .avx 檔的程式是在一個叫做 s_att_close_range 的函式裡：
寫進 .rng
s_att_close_range() in utils/cwb-encode.c:
/* write (start, end) to .rng component */
NwriteInt(encoder->start_pos, encoder->fd);
NwriteInt(end_pos, encoder->fd);
從作者的註釋就可以看到，寫進.rng的是所謂的 start_pos 和 end_pos，我猜測應該就是只一個tag他在哪個corpus position開啟、在哪個corpus position關閉。我實際打開 post.rng：
0000 0000 0000 0008
的確與我上面幫.vrt檔標的corpus position相吻合。<post>在第0個位置(00000000)，而</post>在第8個位置(00000008)。原來.rng記載的就是這樣的資訊而已。（不知道.rng這個名字的意義是什麼。）
剛剛忘了說，CWB會把一個tag的屬性（如果有的話）視為一個新的tag。例如，我的<title>標籤，包含了author的屬性：
<title author="don">
</title>
對CWB來說，他會把這個看成：
<title>
<title_author>
[value = "don"]
</title_author>
</title>
這也是為什麼我們會在生成的檔案中看到以 title_author 開頭的檔案，因為CWB把這個視為一個獨立的XML標籤。
寫進 .avs
s_att_close_range() in utils/cwb-encode.c:
/* check if annot is already in hash */
if (!(entry = cl_lexhash_find(encoder->lh, encoder->annot))) {
/*
* present annotation was not found in the hash - so it is a new value.
* so insert annotation string into lexicon hash (with the avs offset as data.integer)
*/
entry = cl_lexhash_add(encoder->lh, encoder->annot);
entry->data.integer = encoder->offset;
/* write annotation string to .avs component (at offset encoder->offset) */
fprintf(encoder->avs, "%s%c", encoder->annot, '\0');
}
重點在最後一行：
fprintf(encoder->avs, "%s%c", encoder->annot, '\0');
把每個annotation作為字串寫進去，最後再加上一個\0字元。舉例來說，我的<title_year>的值是2008，那我們打開title_year.avs就可以看到：
3230 3038 00
32303038就是2008的ASCII編碼，然後最後再加上一個00用來表示\0字元。
而且.avs存的是所有不重複的attribute們（像個lexicon那樣）。
寫進 .avx
s_att_close_range() in utils/cwb-encode.c:
/* write (range_number, offset) to .avx component */
NwriteInt(encoder->num, encoder->avx); /* this was intended for 'sparse' annotations, which I don't like (so they're no longer there) */
NwriteInt(entry->data.integer, encoder->avx);
以title_author.avx來說，我的.vrt檔裡出現幾個title_author的值，就會存幾筆資料。他不像是.avs只存所有不重複的資料。.avx裡的每筆資料的後半部是告訴我們，這筆資料要到.avs檔的第幾個byte去尋找。