Added support for reading Gnumeric spreadsheet files.
[pspp-builds.git] / src / data / gnumeric-reader.c
diff --git a/src/data/gnumeric-reader.c b/src/data/gnumeric-reader.c
new file mode 100644 (file)
index 0000000..c36a683
--- /dev/null
@@ -0,0 +1,701 @@
+/* PSPP - a program for statistical analysis.
+   Copyright (C) 2007 Free Software Foundation, Inc.
+
+   This program is free software: you can redistribute it and/or modify
+   it under the terms of the GNU General Public License as published by
+   the Free Software Foundation, either version 3 of the License, or
+   (at your option) any later version.
+
+   This program is distributed in the hope that it will be useful,
+   but WITHOUT ANY WARRANTY; without even the implied warranty of
+   MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
+   GNU General Public License for more details.
+
+   You should have received a copy of the GNU General Public License
+   along with this program.  If not, see <http://www.gnu.org/licenses/>. */
+
+
+
+#include <config.h>
+
+#include <libpspp/message.h>
+
+#include "gettext.h"
+#define _(msgid) gettext (msgid)
+#define N_(msgid) (msgid)
+
+
+#if !GNM_SUPPORT
+
+struct casereader *
+gnumeric_open_reader (struct gnumeric_read_info *gri, struct dictionary **dict)
+{
+  msg (ME, _("Support for Gnumeric files was not compiled into this installation of PSPP"));
+
+  return NULL;
+}
+
+#else
+
+#include <data/casereader-provider.h>
+#include <errno.h>
+#include <libpspp/str.h>
+#include <libpspp/i18n.h>
+#include <data/dictionary.h>
+#include <data/variable.h>
+#include <xalloc.h>
+
+#include <errno.h>
+#include <libxml/xmlreader.h>
+#include <zlib.h>
+#include <stdbool.h>
+
+#include <data/case.h>
+#include <data/value.h>
+
+#include <gl/mbswidth.h>
+
+#include "gnumeric-reader.h"
+#include <data/identifier.h>
+#include <assert.h>
+
+
+static void gnm_file_casereader_destroy (struct casereader *, void *);
+
+static bool gnm_file_casereader_read (struct casereader *, void *,
+                                     struct ccase *);
+
+static struct casereader_class gnm_file_casereader_class =
+  {
+    gnm_file_casereader_read,
+    gnm_file_casereader_destroy,
+    NULL,
+    NULL,
+  };
+
+/* Convert a string, which is an integer encoded in base26
+   IE, A=0, B=1, ... Z=25 to the integer it represents.
+   ... except that in this scheme, digits with an exponent
+   greater than 1 are implicitly incremented by 1, so
+   AA  = 0 + 1*26, AB = 1 + 1*26,
+   ABC = 2 + 2*26 + 1*26^2 ....
+*/
+static int
+pseudo_base26 (const char *str)
+{
+  int i;
+  int multiplier = 1;
+  int result = 0;
+  int len = strlen (str);
+
+  for ( i = len - 1 ; i >= 0; --i)
+    {
+      int mantissa = (str[i] - 'A');
+
+      if ( mantissa < 0 || mantissa > 25 )
+       return -1;
+
+      if ( i != len - 1)
+       mantissa++;
+
+      result += mantissa * multiplier;
+
+      multiplier *= 26;
+    }
+
+  return result;
+}
+
+
+
+/* Convert a cell reference in the form "A1:B2", to
+   integers.  A1 means column zero, row zero.
+   B1 means column 1 row 0. AA1 means column 26, row 0.
+*/
+static bool
+convert_cell_ref (const char *ref,
+                 int *col0, int *row0,
+                 int *coli, int *rowi)
+{
+  char startcol[5];
+  char stopcol [5];
+
+  int startrow;
+  int stoprow;
+
+  int n = sscanf (ref, "%4[a-zA-Z]%d:%4[a-zA-Z]%d",
+             startcol, &startrow,
+             stopcol, &stoprow);
+  if ( n != 4)
+    return false;
+
+  str_uppercase (startcol);
+  *col0 = pseudo_base26 (startcol);
+  str_uppercase (stopcol);
+  *coli = pseudo_base26 (stopcol);
+  *row0 = startrow - 1;
+  *rowi = stoprow - 1 ;
+
+  return true;
+}
+
+
+enum reader_state
+  {
+    STATE_INIT = 0,        /* Initial state */
+    STATE_SHEET_START,     /* Found the start of a sheet */
+    STATE_SHEET_NAME,      /* Found the sheet name */
+    STATE_MAXROW,
+    STATE_SHEET_FOUND,     /* Found the sheet that we actually want */
+    STATE_CELLS_START,     /* Found the start of the cell array */
+    STATE_CELL             /* Found a cell */
+  };
+
+
+struct gnumeric_reader
+{
+  xmlTextReaderPtr xtr;
+
+  enum reader_state state;
+  int row;
+  int col;
+  int node_type;
+  int sheet_index;
+
+
+  const xmlChar *target_sheet;
+  int target_sheet_index;
+
+  int start_row;
+  int start_col;
+  int stop_row;
+  int stop_col;
+
+
+  size_t value_cnt;
+  struct dictionary *dict;
+  struct ccase first_case;
+  bool used_first_case;
+};
+
+static void process_node (struct gnumeric_reader *r);
+
+#define _xml(X) (const xmlChar *)(X)
+
+#define _xmlchar_to_int(X) atoi((const char *)X)
+
+static void
+gnm_file_casereader_destroy (struct casereader *reader UNUSED, void *r_)
+{
+  struct gnumeric_reader *r = r_;
+  if ( r == NULL)
+       return ;
+
+  if ( r->xtr)
+    xmlFreeTextReader (r->xtr);
+
+  if ( ! r->used_first_case )
+    case_destroy (&r->first_case);
+
+  free (r);
+}
+
+static void
+process_node (struct gnumeric_reader *r)
+{
+  xmlChar *name = xmlTextReaderName (r->xtr);
+  if (name == NULL)
+    name = xmlStrdup (_xml ("--"));
+
+
+  r->node_type = xmlTextReaderNodeType (r->xtr);
+
+  switch ( r->state)
+    {
+    case STATE_INIT:
+      if (0 == xmlStrcasecmp (name, _xml("gnm:Sheet")) &&
+         XML_READER_TYPE_ELEMENT  == r->node_type)
+       {
+         r->state = STATE_SHEET_START;
+       }
+      break;
+    case STATE_SHEET_START:
+      if (0 == xmlStrcasecmp (name, _xml("gnm:Name"))  &&
+         XML_READER_TYPE_ELEMENT  == r->node_type)
+       {
+         r->state = STATE_SHEET_NAME;
+       }
+      else if (0 == xmlStrcasecmp (name, _xml("gnm:Name"))  &&
+              XML_READER_TYPE_END_ELEMENT  == r->node_type)
+       {
+         r->state = STATE_INIT;
+       }
+      break;
+    case STATE_SHEET_NAME:
+      if (0 == xmlStrcasecmp (name, _xml("gnm:Name"))  &&
+         XML_READER_TYPE_END_ELEMENT  == r->node_type)
+       {
+         r->state = STATE_SHEET_START;
+       }
+      else if (XML_READER_TYPE_TEXT == r->node_type)
+       {
+         ++r->sheet_index;
+         if ( r->target_sheet != NULL)
+           {
+             xmlChar *value = xmlTextReaderValue (r->xtr);
+             if ( 0 == xmlStrcmp (value, r->target_sheet))
+               r->state = STATE_SHEET_FOUND;
+             free (value);
+           }
+         else if (r->target_sheet_index == r->sheet_index)
+           {
+             r->state = STATE_SHEET_FOUND;
+           }
+       }
+      break;
+    case STATE_SHEET_FOUND:
+      if (0 == xmlStrcasecmp (name, _xml("gnm:Cells"))  &&
+         XML_READER_TYPE_ELEMENT  == r->node_type)
+       {
+         if (! xmlTextReaderIsEmptyElement (r->xtr))
+           r->state = STATE_CELLS_START;
+       }
+      else if (0 == xmlStrcasecmp (name, _xml("gnm:MaxRow"))  &&
+         XML_READER_TYPE_ELEMENT  == r->node_type)
+       {
+         r->state = STATE_MAXROW;
+       }
+      else if (0 == xmlStrcasecmp (name, _xml("gnm:Sheet"))  &&
+         XML_READER_TYPE_END_ELEMENT  == r->node_type)
+       {
+         r->state = STATE_INIT;
+       }
+      break;
+    case STATE_MAXROW:
+      if (0 == xmlStrcasecmp (name, _xml("gnm:MaxRow"))  &&
+         XML_READER_TYPE_END_ELEMENT  == r->node_type)
+       {
+         r->state = STATE_SHEET_FOUND;
+       }
+    case STATE_CELLS_START:
+      if (0 == xmlStrcasecmp (name, _xml ("gnm:Cell"))  &&
+         XML_READER_TYPE_ELEMENT  == r->node_type)
+       {
+         xmlChar *attr = NULL;
+         r->state = STATE_CELL;
+
+         attr = xmlTextReaderGetAttribute (r->xtr, _xml ("Col"));
+         r->col =  _xmlchar_to_int (attr);
+         free (attr);
+
+         attr = xmlTextReaderGetAttribute (r->xtr, _xml ("Row"));
+         r->row = _xmlchar_to_int (attr);
+         free (attr);
+       }
+      else if (0 == xmlStrcasecmp (name, _xml("gnm:Cells"))  &&
+              XML_READER_TYPE_END_ELEMENT  == r->node_type)
+       r->state = STATE_SHEET_NAME;
+
+      break;
+    case STATE_CELL:
+      if (0 == xmlStrcasecmp (name, _xml("gnm:Cell"))  &&
+                             XML_READER_TYPE_END_ELEMENT  == r->node_type)
+       r->state = STATE_CELLS_START;
+      break;
+    default:
+      break;
+    };
+
+  xmlFree (name);
+}
+
+
+
+/*
+  Change SUGGESTION until it's a valid name that can be added to DICT.
+*/
+static void
+devise_name (const struct dictionary *dict, struct string *name, int *x)
+{
+  struct string basename;
+  if ( ds_is_empty (name))
+    ds_init_cstr (&basename, "var");
+  else
+    ds_init_string (&basename, name);
+  do
+    {
+      ds_clear (name);
+      ds_put_format (name, "%s%d", ds_cstr (&basename), ++(*x));
+    }
+  while (NULL != dict_lookup_var (dict, ds_cstr (name)) );
+
+  ds_destroy (&basename);
+}
+
+/*
+   Mutate NAME of a variable, which is gauranteed to be valid for the
+   dictionary DICT.
+*/
+static void
+munge_name (const struct dictionary *dict, struct string *name)
+{
+  int x = 0;
+
+  if (! ds_is_empty (name))
+    {
+      /* Change all the invalid characters to valid ones */
+      char *s;
+
+      s = ds_data (name);
+
+      if ( !lex_is_id1 (*s))
+       *s = '@';
+
+      s++;
+
+      while (s < ds_data (name) + ds_length (name))
+       {
+         if ( !lex_is_idn (*s))
+           *s = '_';
+         s++;
+       }
+
+      assert (var_is_valid_name (ds_cstr (name), false));
+    }
+
+  while (ds_is_empty (name) || NULL != dict_lookup_var (dict, ds_cstr (name)) )
+    {
+      devise_name (dict, name, &x);
+    }
+}
+
+
+/*
+   Sets the VAR of case C, to the value corresponding to the xml string XV
+ */
+static void
+convert_xml_string_to_value (struct ccase *c, const struct variable *var,
+                            const xmlChar *xv)
+{
+  char *text;
+  int n_bytes = 0;
+  union value *v = case_data_rw (c, var);
+
+  text = recode_string (CONV_UTF8_TO_PSPP, (const char *) xv, -1);
+
+  if ( text)
+    n_bytes = MIN (var_get_width (var), strlen (text));
+
+  if ( var_is_alpha (var))
+    {
+      memcpy (v->s, text, n_bytes);
+    }
+  else
+    {
+      char *endptr;
+      errno = 0;
+      v->f = strtod (text, &endptr);
+      if ( errno != 0 || endptr == text)
+       v->f = SYSMIS;
+    }
+
+  free (text);
+}
+
+struct var_spec
+{
+  char *name;
+  int width;
+  xmlChar *first_value;
+};
+
+struct casereader *
+gnumeric_open_reader (struct gnumeric_read_info *gri, struct dictionary **dict)
+{
+  int ret;
+  casenumber n_cases = CASENUMBER_MAX;
+  int i;
+  struct var_spec *var_spec = NULL;
+  int n_var_specs = 0;
+
+  struct gnumeric_reader *r = NULL;
+
+  gzFile gz = gzopen (gri->file_name, "r");
+
+  if ( NULL == gz)
+    {
+      msg (ME, _("Error opening \"%s\" for reading as a gnumeric file: %s."),
+           gri->file_name, strerror (errno));
+
+      goto error;
+    }
+
+  r = xzalloc (sizeof *r);
+
+  r->xtr = xmlReaderForIO ((xmlInputReadCallback) gzread, gzclose, gz,
+                          NULL, NULL, 0);
+
+  if ( r->xtr == NULL)
+    goto error;
+
+  if ( gri->cell_range )
+    {
+      if ( ! convert_cell_ref (gri->cell_range,
+                              &r->start_col, &r->start_row,
+                              &r->stop_col, &r->stop_row))
+       {
+         msg (SE, _("Invalid cell range \"%s\""),
+              gri->cell_range);
+         goto error;
+       }
+    }
+  else
+    {
+      r->start_col = 0;
+      r->start_row = 0;
+      r->stop_col = -1;
+      r->stop_row = -1;
+    }
+
+  r->state = STATE_INIT;
+  r->target_sheet = BAD_CAST gri->sheet_name;
+  r->target_sheet_index = gri->sheet_index;
+  r->row = r->col = -1;
+  r->sheet_index = 0;
+
+  /* Advance to the start of the cells for the target sheet */
+  while ( (r->state != STATE_CELL || r->row < r->start_row )
+         && 1 == (ret = xmlTextReaderRead (r->xtr)))
+    {
+      xmlChar *value ;
+      process_node (r);
+      value = xmlTextReaderValue (r->xtr);
+
+      if ( r->state == STATE_MAXROW  && r->node_type == XML_READER_TYPE_TEXT)
+       {
+         n_cases = 1 + _xmlchar_to_int (value) ;
+       }
+      free (value);
+    }
+
+
+  /* If a range has been given, then  use that to calculate the number
+     of cases */
+  if ( gri->cell_range)
+    {
+      n_cases = MIN (n_cases, r->stop_row - r->start_row + 1);
+    }
+
+  if ( gri->read_names )
+    {
+      r->start_row++;
+      n_cases --;
+    }
+
+  /* Read in the first row of cells,
+     including the headers if read_names was set */
+  while (
+        (( r->state == STATE_CELLS_START && r->row <= r->start_row) || r->state == STATE_CELL )
+        && (ret = xmlTextReaderRead (r->xtr))
+        )
+    {
+      int idx;
+      process_node (r);
+
+      if ( r->row > r->start_row ) break;
+
+      if ( r->col < r->start_col ||
+          (r->stop_col != -1 && r->col > r->stop_col))
+       continue;
+
+      idx = r->col - r->start_col;
+
+      if ( idx  >= n_var_specs )
+       {
+         n_var_specs =  idx + 1 ;
+         var_spec = realloc (var_spec, sizeof (*var_spec) * n_var_specs);
+         var_spec [idx].name = NULL;
+         var_spec [idx].width = -1;
+         var_spec [idx].first_value = NULL;
+       }
+
+      if ( r->node_type == XML_READER_TYPE_TEXT )
+       {
+         char *text ;
+         xmlChar *value = xmlTextReaderValue (r->xtr);
+
+         text = recode_string (CONV_UTF8_TO_PSPP, (const char *) value, -1);
+
+         if ( r->row < r->start_row)
+           {
+             if ( gri->read_names )
+               {
+                 var_spec [idx].name = strdup (text);
+               }
+           }
+         else
+           {
+             var_spec [idx].first_value = xmlStrdup (value);
+
+             if (-1 ==  var_spec [idx].width )
+               var_spec [idx].width = (gri->asw == -1) ?
+                 ROUND_UP (strlen(text), MAX_SHORT_STRING) : gri->asw;
+           }
+
+         free (value);
+         free (text);
+       }
+      else if ( r->node_type == XML_READER_TYPE_ELEMENT
+               && r->state == STATE_CELL)
+       {
+         if ( r->row == r->start_row )
+           {
+             xmlChar *attr =
+               xmlTextReaderGetAttribute (r->xtr, _xml ("ValueType"));
+
+             if ( 60 !=  _xmlchar_to_int (attr))
+               var_spec [idx].width = 0;
+
+             free (attr);
+           }
+       }
+    }
+
+
+  /* Create the dictionary and populate it */
+  *dict = r->dict = dict_create ();
+
+  r->value_cnt = 0;
+
+  for (i = 0 ; i < n_var_specs ; ++i )
+    {
+      struct string name;
+
+      /* Probably no data exists for this variable, so allocate a default width */
+      if ( var_spec[i].width == -1 )
+       var_spec[i].width = MAX_SHORT_STRING;
+
+      r->value_cnt += value_cnt_from_width (var_spec[i].width);
+
+      if (var_spec[i].name)
+       ds_init_cstr (&name, var_spec[i].name);
+      else
+       ds_init_empty (&name);
+
+      munge_name (r->dict, &name);
+
+
+      dict_create_var (r->dict, ds_cstr (&name), var_spec[i].width);
+
+      ds_destroy (&name);
+    }
+
+  /* Create the first case, and cache it */
+  r->used_first_case = false;
+
+  if ( n_var_specs ==  0 )
+    {
+      msg (MW, _("Selected sheet or range of spreadsheet \"%s\" is empty."),
+           gri->file_name);
+      goto error;
+    }
+
+  case_create (&r->first_case, r->value_cnt);
+  memset (case_data_rw_idx (&r->first_case, 0)->s,
+         ' ', MAX_SHORT_STRING * r->value_cnt);
+
+  for ( i = 0 ; i < n_var_specs ; ++i )
+    {
+      const struct variable *var = dict_get_var (r->dict, i);
+
+      convert_xml_string_to_value (&r->first_case, var,
+                                  var_spec[i].first_value);
+    }
+
+  for ( i = 0 ; i < n_var_specs ; ++i )
+    {
+      free (var_spec[i].first_value);
+      free (var_spec[i].name);
+    }
+
+  free (var_spec);
+
+  return casereader_create_sequential
+    (NULL,
+     r->value_cnt,
+     n_cases,
+     &gnm_file_casereader_class, r);
+
+
+ error:
+  for ( i = 0 ; i < n_var_specs ; ++i )
+    {
+      free (var_spec[i].first_value);
+      free (var_spec[i].name);
+    }
+
+  free (var_spec);
+
+  gnm_file_casereader_destroy (NULL, r);
+
+  return NULL;
+};
+
+
+/* Reads one case from READER's file into C.  Returns true only
+   if successful. */
+static bool
+gnm_file_casereader_read (struct casereader *reader UNUSED, void *r_,
+                          struct ccase *c)
+{
+  int ret = 0;
+
+  struct gnumeric_reader *r = r_;
+  int current_row = r->row;
+
+  if ( !r->used_first_case )
+    {
+      *c = r->first_case;
+      r->used_first_case = true;
+      return true;
+    }
+
+  case_create (c, r->value_cnt);
+
+  memset (case_data_rw_idx (c, 0)->s, ' ', MAX_SHORT_STRING * r->value_cnt);
+
+  while ((r->state == STATE_CELL || r->state == STATE_CELLS_START )
+        && r->row == current_row && (ret = xmlTextReaderRead (r->xtr)))
+    {
+      process_node (r);
+
+      if ( r->col < r->start_col || (r->stop_col != -1 &&
+                                    r->col > r->stop_col))
+       continue;
+
+      if ( r->col - r->start_col >= r->value_cnt)
+       continue;
+
+      if ( r->stop_row != -1 && r->row > r->stop_row)
+       break;
+
+      if ( r->node_type == XML_READER_TYPE_TEXT )
+       {
+         xmlChar *value = xmlTextReaderValue (r->xtr);
+
+         const int idx = r->col - r->start_col;
+
+         const struct variable *var = dict_get_var (r->dict, idx);
+
+         convert_xml_string_to_value (c, var, value);
+
+         free (value);
+       }
+
+    }
+
+  return (ret == 1);
+}
+
+
+#endif /* GNM_SUPPORT */