spellcheck: support transpositions aka Damerau-Levenshtein (PR other/69968)
authorDavid Malcolm <dmalcolm@redhat.com>
Tue, 12 Jun 2018 18:28:37 +0000 (18:28 +0000)
committerDavid Malcolm <dmalcolm@gcc.gnu.org>
Tue, 12 Jun 2018 18:28:37 +0000 (18:28 +0000)
gcc/fortran/ChangeLog:
PR other/69968
* misc.c (gfc_closest_fuzzy_match): Update for renaming of
levenshtein_distance to get_edit_distance.

gcc/ChangeLog:
PR other/69968
* spellcheck-tree.c (levenshtein_distance): Rename to...
(get_edit_distance): ...this, and update for underlying renaming.
* spellcheck-tree.h (levenshtein_distance): Rename to...
(get_edit_distance): ...this.
* spellcheck.c (levenshtein_distance): Rename to...
(get_edit_distance): ...this.  Convert from Levenshtein distance
to Damerau-Levenshtein distance by supporting transpositions of
adjacent characters.  Rename "v1" to "v_next" and "v0" to
"v_one_ago".
(selftest::levenshtein_distance_unit_test_oneway): Rename to...
(selftest::test_edit_distance_unit_test_oneway): ...this, and
update for underlying renaming.
(selftest::levenshtein_distance_unit_test): Rename to...
(selftest::test_get_edit_distance_unit): ...this, and update for
underlying renaming.
(selftest::test_find_closest_string): Add example from PR 69968
where transposition helps
(selftest::test_metric_conditions): Update for renaming.
(selftest::test_metric_conditions): Likewise.
(selftest::spellcheck_c_tests): Likewise.
* spellcheck.h (levenshtein_distance): Rename both overloads to...
(get_edit_distance): ...this.
(best_match::consider): Update for renaming.

gcc/testsuite/ChangeLog:
PR other/69968
* gcc.dg/spellcheck-transposition.c: New test.

From-SVN: r261521

gcc/ChangeLog
gcc/fortran/ChangeLog
gcc/fortran/misc.c
gcc/spellcheck-tree.c
gcc/spellcheck-tree.h
gcc/spellcheck.c
gcc/spellcheck.h
gcc/testsuite/ChangeLog
gcc/testsuite/gcc.dg/spellcheck-transposition.c [new file with mode: 0644]

index aa0247df98f7039187c82329cf1d724f5385ec34..1bba11ccd676b2fb21b350b84be0ddc4d1c7fb25 100644 (file)
@@ -1,3 +1,30 @@
+2018-06-12  David Malcolm  <dmalcolm@redhat.com>
+
+       PR other/69968
+       * spellcheck-tree.c (levenshtein_distance): Rename to...
+       (get_edit_distance): ...this, and update for underlying renaming.
+       * spellcheck-tree.h (levenshtein_distance): Rename to...
+       (get_edit_distance): ...this.
+       * spellcheck.c (levenshtein_distance): Rename to...
+       (get_edit_distance): ...this.  Convert from Levenshtein distance
+       to Damerau-Levenshtein distance by supporting transpositions of
+       adjacent characters.  Rename "v1" to "v_next" and "v0" to
+       "v_one_ago".
+       (selftest::levenshtein_distance_unit_test_oneway): Rename to...
+       (selftest::test_edit_distance_unit_test_oneway): ...this, and
+       update for underlying renaming.
+       (selftest::levenshtein_distance_unit_test): Rename to...
+       (selftest::test_get_edit_distance_unit): ...this, and update for
+       underlying renaming.
+       (selftest::test_find_closest_string): Add example from PR 69968
+       where transposition helps
+       (selftest::test_metric_conditions): Update for renaming.
+       (selftest::test_metric_conditions): Likewise.
+       (selftest::spellcheck_c_tests): Likewise.
+       * spellcheck.h (levenshtein_distance): Rename both overloads to...
+       (get_edit_distance): ...this.
+       (best_match::consider): Update for renaming.
+
 2018-06-12  Martin Sebor  <msebor@redhat.com>
 
        PR tree-optimization/85259
index 46498a30c7f564d9b05a28e4c527481be0815d41..9768959374d745bf1b054935f2dca6afa8d43b53 100644 (file)
@@ -1,3 +1,9 @@
+2018-06-12  David Malcolm  <dmalcolm@redhat.com>
+
+       PR other/69968
+       * misc.c (gfc_closest_fuzzy_match): Update for renaming of
+       levenshtein_distance to get_edit_distance.
+
 2018-06-12  Steven G. Kargl  <kargl@gcc.gnu.org>
 
        PR fortran/44491
index ec1f548123addd5335bdeae222e5cdf92680609a..fb18c5ceb6f7811112ec9e3ef7c6c56cabfffba0 100644 (file)
@@ -286,7 +286,7 @@ get_c_kind(const char *c_kind_name, CInteropKind_t kinds_table[])
 
 
 /* For a given name TYPO, determine the best candidate from CANDIDATES
-   perusing Levenshtein distance.  Frees CANDIDATES before returning.  */
+   using get_edit_distance.  Frees CANDIDATES before returning.  */
 
 const char *
 gfc_closest_fuzzy_match (const char *typo, char **candidates)
@@ -299,7 +299,7 @@ gfc_closest_fuzzy_match (const char *typo, char **candidates)
 
   while (cand && *cand)
     {
-      edit_distance_t dist = levenshtein_distance (typo, tl, *cand,
+      edit_distance_t dist = get_edit_distance (typo, tl, *cand,
          strlen (*cand));
       if (dist < best_distance)
        {
index 2a66649ec6a54cd2a108b2e58405b1a1902ac986..596293e8d47f75083dbc906e1e4f3875bd273186 100644 (file)
@@ -27,18 +27,18 @@ along with GCC; see the file COPYING3.  If not see
 #include "selftest.h"
 #include "stringpool.h"
 
-/* Calculate Levenshtein distance between two identifiers.  */
+/* Calculate edit distance between two identifiers.  */
 
 edit_distance_t
-levenshtein_distance (tree ident_s, tree ident_t)
+get_edit_distance (tree ident_s, tree ident_t)
 {
   gcc_assert (TREE_CODE (ident_s) == IDENTIFIER_NODE);
   gcc_assert (TREE_CODE (ident_t) == IDENTIFIER_NODE);
 
-  return levenshtein_distance (IDENTIFIER_POINTER (ident_s),
-                              IDENTIFIER_LENGTH (ident_s),
-                              IDENTIFIER_POINTER (ident_t),
-                              IDENTIFIER_LENGTH (ident_t));
+  return get_edit_distance (IDENTIFIER_POINTER (ident_s),
+                           IDENTIFIER_LENGTH (ident_s),
+                           IDENTIFIER_POINTER (ident_t),
+                           IDENTIFIER_LENGTH (ident_t));
 }
 
 /* Given TARGET, an identifier, and CANDIDATES, a vec of identifiers,
index 1debef5231508d5a1a34c470b1fcd7a689c1c687..4324bd2f9390e602ec09545c9f6be6bdf73d90c8 100644 (file)
@@ -25,7 +25,7 @@ along with GCC; see the file COPYING3.  If not see
 /* spellcheck-tree.c  */
 
 extern edit_distance_t
-levenshtein_distance (tree ident_s, tree ident_t);
+get_edit_distance (tree ident_s, tree ident_t);
 
 extern tree
 find_closest_identifier (tree target, const auto_vec<tree> *candidates);
index 7da006afc130c8e5cfc7e8a4f766b384a8a33d88..e2a8b92fdeceed84ae2cc9360f64cf0904013e44 100644 (file)
@@ -25,15 +25,18 @@ along with GCC; see the file COPYING3.  If not see
 #include "spellcheck.h"
 #include "selftest.h"
 
-/* The Levenshtein distance is an "edit-distance": the minimal
-   number of one-character insertions, removals or substitutions
-   that are needed to change one string into another.
+/* Get the edit distance between the two strings: the minimal
+   number of edits that are needed to change one string into another,
+   where edits can be one-character insertions, removals, or substitutions,
+   or transpositions of two adjacent characters (counting as one "edit").
 
-   This implementation uses the Wagner-Fischer algorithm.  */
+   This implementation uses the Wagner-Fischer algorithm for the
+   Damerau-Levenshtein distance; specifically, the "optimal string alignment
+   distance" or "restricted edit distance" variant.  */
 
 edit_distance_t
-levenshtein_distance (const char *s, int len_s,
-                     const char *t, int len_t)
+get_edit_distance (const char *s, int len_s,
+                  const char *t, int len_t)
 {
   const bool debug = false;
 
@@ -49,76 +52,86 @@ levenshtein_distance (const char *s, int len_s,
     return len_s;
 
   /* We effectively build a matrix where each (i, j) contains the
-     Levenshtein distance between the prefix strings s[0:j]
-     and t[0:i].
+     distance between the prefix strings s[0:j] and t[0:i].
      Rather than actually build an (len_t + 1) * (len_s + 1) matrix,
-     we simply keep track of the last row, v0 and a new row, v1,
-     which avoids an (len_t + 1) * (len_s + 1) allocation and memory accesses
-     in favor of two (len_s + 1) allocations.  These could potentially be
+     we simply keep track of the last two rows, v_one_ago and v_two_ago,
+     and a new row, v_next, which avoids an (len_t + 1) * (len_s + 1)
+     allocation and memory accesses in favor of three (len_s + 1)
+     allocations.  These could potentially be
      statically-allocated if we impose a maximum length on the
      strings of interest.  */
-  edit_distance_t *v0 = new edit_distance_t[len_s + 1];
-  edit_distance_t *v1 = new edit_distance_t[len_s + 1];
+  edit_distance_t *v_two_ago = new edit_distance_t[len_s + 1];
+  edit_distance_t *v_one_ago = new edit_distance_t[len_s + 1];
+  edit_distance_t *v_next = new edit_distance_t[len_s + 1];
 
   /* The first row is for the case of an empty target string, which
      we can reach by deleting every character in the source string.  */
   for (int i = 0; i < len_s + 1; i++)
-    v0[i] = i;
+    v_one_ago[i] = i;
 
   /* Build successive rows.  */
   for (int i = 0; i < len_t; i++)
     {
       if (debug)
        {
-         printf ("i:%i v0 = ", i);
+         printf ("i:%i v_one_ago = ", i);
          for (int j = 0; j < len_s + 1; j++)
-           printf ("%i ", v0[j]);
+           printf ("%i ", v_one_ago[j]);
          printf ("\n");
        }
 
       /* The initial column is for the case of an empty source string; we
         can reach prefixes of the target string of length i
         by inserting i characters.  */
-      v1[0] = i + 1;
+      v_next[0] = i + 1;
 
       /* Build the rest of the row by considering neighbors to
         the north, west and northwest.  */
       for (int j = 0; j < len_s; j++)
        {
          edit_distance_t cost = (s[j] == t[i] ? 0 : 1);
-         edit_distance_t deletion     = v1[j] + 1;
-         edit_distance_t insertion    = v0[j + 1] + 1;
-         edit_distance_t substitution = v0[j] + cost;
+         edit_distance_t deletion     = v_next[j] + 1;
+         edit_distance_t insertion    = v_one_ago[j + 1] + 1;
+         edit_distance_t substitution = v_one_ago[j] + cost;
          edit_distance_t cheapest = MIN (deletion, insertion);
          cheapest = MIN (cheapest, substitution);
-         v1[j + 1] = cheapest;
+         if (i > 0 && j > 0 && s[j] == t[i - 1] && s[j - 1] == t[i])
+           {
+             edit_distance_t transposition = v_two_ago[j - 1] + 1;
+             cheapest = MIN (cheapest, transposition);
+           }
+         v_next[j + 1] = cheapest;
        }
 
       /* Prepare to move on to next row.  */
       for (int j = 0; j < len_s + 1; j++)
-       v0[j] = v1[j];
+       {
+         v_two_ago[j] = v_one_ago[j];
+         v_one_ago[j] = v_next[j];
+       }
     }
 
   if (debug)
     {
-      printf ("final v1 = ");
+      printf ("final v_next = ");
       for (int j = 0; j < len_s + 1; j++)
-       printf ("%i ", v1[j]);
+       printf ("%i ", v_next[j]);
       printf ("\n");
     }
 
-  edit_distance_t result = v1[len_s];
-  delete[] v0;
-  delete[] v1;
+  edit_distance_t result = v_next[len_s];
+  delete[] v_two_ago;
+  delete[] v_one_ago;
+  delete[] v_next;
   return result;
 }
 
-/* Calculate Levenshtein distance between two nil-terminated strings.  */
+/* Get the edit distance between two nil-terminated strings.  */
 
 edit_distance_t
-levenshtein_distance (const char *s, const char *t)
+get_edit_distance (const char *s, const char *t)
 {
-  return levenshtein_distance (s, strlen (s), t, strlen (t));
+  return get_edit_distance (s, strlen (s), t, strlen (t));
 }
 
 /* Given TARGET, a non-NULL string, and CANDIDATES, a non-NULL ptr to
@@ -155,29 +168,28 @@ namespace selftest {
 
 /* Selftests.  */
 
-/* Verify that the levenshtein_distance (A, B) equals the expected
-   value.  */
+/* Verify that get_edit_distance (A, B) equals the expected value.  */
 
 static void
-levenshtein_distance_unit_test_oneway (const char *a, const char *b,
-                                      edit_distance_t expected)
+test_edit_distance_unit_test_oneway (const char *a, const char *b,
+                                   edit_distance_t expected)
 {
-  edit_distance_t actual = levenshtein_distance (a, b);
+  edit_distance_t actual = get_edit_distance (a, b);
   ASSERT_EQ (actual, expected);
 }
 
 /* Verify that both
-     levenshtein_distance (A, B)
+     get_edit_distance (A, B)
    and
-     levenshtein_distance (B, A)
+     get_edit_distance (B, A)
    equal the expected value, to ensure that the function is symmetric.  */
 
 static void
-levenshtein_distance_unit_test (const char *a, const char *b,
-                               edit_distance_t expected)
+test_get_edit_distance_unit (const char *a, const char *b,
+                            edit_distance_t expected)
 {
-  levenshtein_distance_unit_test_oneway (a, b, expected);
-  levenshtein_distance_unit_test_oneway (b, a, expected);
+  test_edit_distance_unit_test_oneway (a, b, expected);
+  test_edit_distance_unit_test_oneway (b, a, expected);
 }
 
 /* Verify that find_closest_string is sane.  */
@@ -215,6 +227,16 @@ test_find_closest_string ()
      it as a suggestion will be nonsensical.  Verify that we don't offer such
      suggestions.  */
   ASSERT_EQ (NULL, find_closest_string ("banana", &candidates));
+
+  /* Example from PR 69968 where transposition helps.  */
+  candidates.truncate (0);
+  candidates.safe_push("coordx");
+  candidates.safe_push("coordy");
+  candidates.safe_push("coordz");
+  candidates.safe_push("coordx1");
+  candidates.safe_push("coordy1");
+  candidates.safe_push("coordz1");
+  ASSERT_STREQ ("coordz1", find_closest_string ("coorzd1", &candidates));
 }
 
 /* Test data for test_metric_conditions.  */
@@ -227,7 +249,7 @@ static const char * const test_data[] = {
   "1234567890123456789012345678901234567890123456789012345678901234567890"
 };
 
-/* Verify that levenshtein_distance appears to be a sane distance function,
+/* Verify that get_edit_distance appears to be a sane distance function,
    i.e. the conditions for being a metric.  This is done directly for a
    small set of examples, using test_data above.  This is O(N^3) in the size
    of the array, due to the test for the triangle inequality, so we keep the
@@ -243,7 +265,7 @@ test_metric_conditions ()
       for (int j = 0; j < num_test_cases; j++)
        {
          edit_distance_t dist_ij
-           = levenshtein_distance (test_data[i], test_data[j]);
+           = get_edit_distance (test_data[i], test_data[j]);
 
          /* Identity of indiscernibles: d(i, j) > 0 iff i == j.  */
          if (i == j)
@@ -253,43 +275,54 @@ test_metric_conditions ()
 
          /* Symmetry: d(i, j) == d(j, i).  */
          edit_distance_t dist_ji
-           = levenshtein_distance (test_data[j], test_data[i]);
+           = get_edit_distance (test_data[j], test_data[i]);
          ASSERT_EQ (dist_ij, dist_ji);
 
          /* Triangle inequality.  */
          for (int k = 0; k < num_test_cases; k++)
            {
              edit_distance_t dist_ik
-               = levenshtein_distance (test_data[i], test_data[k]);
+               = get_edit_distance (test_data[i], test_data[k]);
              edit_distance_t dist_jk
-               = levenshtein_distance (test_data[j], test_data[k]);
+               = get_edit_distance (test_data[j], test_data[k]);
              ASSERT_TRUE (dist_ik <= dist_ij + dist_jk);
            }
        }
     }
 }
 
-/* Verify levenshtein_distance for a variety of pairs of pre-canned
+/* Verify get_edit_distance for a variety of pairs of pre-canned
    inputs, comparing against known-good values.  */
 
 void
 spellcheck_c_tests ()
 {
-  levenshtein_distance_unit_test ("", "nonempty", strlen ("nonempty"));
-  levenshtein_distance_unit_test ("saturday", "sunday", 3);
-  levenshtein_distance_unit_test ("foo", "m_foo", 2);
-  levenshtein_distance_unit_test ("hello_world", "HelloWorld", 3);
-  levenshtein_distance_unit_test
+  test_get_edit_distance_unit ("", "nonempty", strlen ("nonempty"));
+  test_get_edit_distance_unit ("saturday", "sunday", 3);
+  test_get_edit_distance_unit ("foo", "m_foo", 2);
+  test_get_edit_distance_unit ("hello_world", "HelloWorld", 3);
+  test_get_edit_distance_unit
     ("the quick brown fox jumps over the lazy dog", "dog", 40);
-  levenshtein_distance_unit_test
+  test_get_edit_distance_unit
     ("the quick brown fox jumps over the lazy dog",
      "the quick brown dog jumps over the lazy fox",
      4);
-  levenshtein_distance_unit_test
+  test_get_edit_distance_unit
     ("Lorem ipsum dolor sit amet, consectetur adipiscing elit,",
      "All your base are belong to us",
      44);
-  levenshtein_distance_unit_test ("foo", "FOO", 3);
+  test_get_edit_distance_unit ("foo", "FOO", 3);
+  test_get_edit_distance_unit ("fee", "deed", 2);
+  test_get_edit_distance_unit ("coorzd1", "coordx1", 2);
+
+  /* Examples where transposition helps.  */
+  test_get_edit_distance_unit ("ab", "ba", 1);
+  test_get_edit_distance_unit ("ba", "abc", 2);
+  test_get_edit_distance_unit ("coorzd1", "coordz1", 1);
+  test_get_edit_distance_unit ("abcdefghijklmnopqrstuvwxyz",
+                              "bacdefghijklmnopqrstuvwxzy", 2);
+  test_get_edit_distance_unit ("saturday", "sundya", 4);
+  test_get_edit_distance_unit ("signed", "singed", 1);
 
   test_find_closest_string ();
   test_metric_conditions ();
index f0efff8993bc32613172fadcd29369dd582f66ba..41ac16f02524752bad8f2971284ab93160b58534 100644 (file)
@@ -25,11 +25,11 @@ const edit_distance_t MAX_EDIT_DISTANCE = UINT_MAX;
 
 /* spellcheck.c  */
 extern edit_distance_t
-levenshtein_distance (const char *s, int len_s,
-                     const char *t, int len_t);
+get_edit_distance (const char *s, int len_s,
+                  const char *t, int len_t);
 
 extern edit_distance_t
-levenshtein_distance (const char *s, const char *t);
+get_edit_distance (const char *s, const char *t);
 
 extern const char *
 find_closest_string (const char *target,
@@ -73,7 +73,7 @@ struct edit_distance_traits<const char *>
 
    This type accumulates the best possible match against GOAL_TYPE for
    a sequence of elements of CANDIDATE_TYPE, whilst minimizing the
-   number of calls to levenshtein_distance and to
+   number of calls to get_edit_distance and to
    edit_distance_traits<T>::get_length.  */
 
 template <typename GOAL_TYPE, typename CANDIDATE_TYPE>
@@ -126,9 +126,9 @@ class best_match
     /* Otherwise, compute the distance and see if the candidate
        has beaten the previous best value.  */
     edit_distance_t dist
-      = levenshtein_distance (m_goal, m_goal_len,
-                             candidate_traits::get_string (candidate),
-                             candidate_len);
+      = get_edit_distance (m_goal, m_goal_len,
+                          candidate_traits::get_string (candidate),
+                          candidate_len);
     if (dist < m_best_distance)
       {
        m_best_distance = dist;
index 9ab1822be6efd077b211ceee4910c1650afd3ef3..6acc3589141a92d897ad6992967359c60cfd156e 100644 (file)
@@ -1,3 +1,8 @@
+2018-06-12  David Malcolm  <dmalcolm@redhat.com>
+
+       PR other/69968
+       * gcc.dg/spellcheck-transposition.c: New test.
+
 2018-06-12  Steven G. Kargl  <kargl@gcc.gnu.org>
 
        PR fortran/44491
diff --git a/gcc/testsuite/gcc.dg/spellcheck-transposition.c b/gcc/testsuite/gcc.dg/spellcheck-transposition.c
new file mode 100644 (file)
index 0000000..b787c83
--- /dev/null
@@ -0,0 +1,20 @@
+/* PR other/69968.  */
+
+struct {
+  int coordx, coordy, coordz;
+  int coordx1, coordy1, coordz1;
+} c;
+
+/* Consider the misspelling "coorzd1".
+
+   With Levenshtein distance, the misspelling has an edit distance of 2
+   to all 6 of the fields (e.g. via a deletion and a substitution for the
+   first three, and via deletion and insertion for the second three).
+   
+   With Damerau-Levenshtein, the misspelling has an edit distance of 1
+   via transposition to "coordz1", and 2 to the other fields.  */
+
+void foo (void)
+{
+  c.coorzd1 = c.coordy; /* { dg-error "has no member named 'coorzd1'; did you mean 'coordz1'" } */
+}