grammar-inference-engine/bex/ilocal.py

"""
iLocal — Kontext-basierte Inferenz (Bex 2007).

Nach Bex et al. 2007: "Inferring XML Schema Definitions from XML Data"
Extrahiert aus YAML-Bäumen (Kontext, Sequenz)-Paare, wobei der Kontext
der YAML-Key (Container-Key) ist.

Angepasst für YAML:
  - Kontext = YAML-Key, dessen Wert eine Liste ist (z.B. tasks, steps)
  - Sequenz = Die item-Keys innerhalb dieser Liste (z.B. apt, template, service)

Anstatt Dateipfade zu verwenden (wie im XML-Kontext), arbeiten wir
mit den Container-Keys direkt (Benutzer-Vorgabe: kein Dateipfad-Ballast).
"""

import yaml


def extract_contexts_from_yaml(data, context_prefix=None):
    """
    Extrahiert (context, sequence)-Paare aus geparstem YAML.

    Args:
        data: Geparste YAML-Daten (dict oder list)
        context_prefix: Interner Prefix für verschachtelte Kontexte

    Returns:
        dict: {context_key: [sequence1, sequence2, ...]}
    """
    contexts = {}

    def walk(node, prefix=None):
        if isinstance(node, dict):
            for key, value in node.items():
                full_key = f"{prefix}.{key}" if prefix else str(key)
                if isinstance(value, list) and len(value) > 0:
                    seq = []
                    for item in value:
                        if isinstance(item, dict):
                            item_key = next(
                                (k for k in item if k != 'name' and not k.startswith('_')),
                                None
                            )
                            if item_key:
                                seq.append(item_key)
                            else:
                                named = item.get('name', str(item))
                                seq.append(f"named:{named[:20]}")
                        else:
                            seq.append(str(item))
                    if full_key not in contexts:
                        contexts[full_key] = []
                    contexts[full_key].append(seq)
                    for item in value:
                        walk(item, full_key)
                elif isinstance(value, dict):
                    walk(value, full_key)
                elif isinstance(value, list):
                    for item in value:
                        walk(item, full_key)
        elif isinstance(node, list):
            for item in node:
                walk(item, prefix)

    walk(data)
    return contexts


def extract_contexts_from_yaml_string(yaml_string):
    """
    Extrahiert Kontext-Sequenzen aus einem YAML-String.

    Args:
        yaml_string: YAML-String

    Returns:
        dict: {context_key: [sequence1, sequence2, ...]}
    """
    try:
        data = yaml.safe_load(yaml_string)
    except yaml.YAMLError:
        return {}

    if data is None:
        return {}
    return extract_contexts_from_yaml(data)


def extract_contexts_from_file(filepath):
    """
    Extrahiert Kontext-Sequenzen aus einer YAML-Datei.

    Args:
        filepath: Pfad zur YAML-Datei

    Returns:
        dict: {context_key: [sequence1, sequence2, ...]}
    """
    with open(filepath) as f:
        return extract_contexts_from_yaml_string(f.read())


def reduce_contexts(context_groups):
    """
    reduce — Generalisierung nach Bex 2007 (Algorithmus reduce).

    Identifiziert äquivalente Kontext-Modelle und fasst sie zusammen:
      - Wenn zwei Kontexte die gleiche Sequenz-Struktur haben,
        werden sie zu einem generalisierten Kontext zusammengefasst

    Args:
        context_groups: dict of {context_key: [sequences]}

    Returns:
        dict: {generalized_context: [sequences]} (reduziert)
    """
    if not context_groups:
        return {}

    signature_map = {}
    for ctx, seqs in context_groups.items():
        # Signatur = sortierte Menge der (Länge, erstes/letztes Element)
        sig_parts = []
        for s in seqs:
            first = s[0] if s else "∅"
            last = s[-1] if s else "∅"
            sig_parts.append((len(s), first, last))
        signature = tuple(sorted(set(sig_parts)))
        if signature not in signature_map:
            signature_map[signature] = []
        signature_map[signature].append(ctx)

    # Gruppen mit gleicher Signatur → merge
    result = {}
    for sig, ctx_list in signature_map.items():
        merged_ctx = "|".join(sorted(ctx_list))
        merged_seqs = []
        for ctx in ctx_list:
            merged_seqs.extend(context_groups[ctx])
        result[merged_ctx] = merged_seqs

    return result


def iLocal(yaml_documents):
    """
    iLocal — Kontext-Inferenz nach Bex 2007.

    Args:
        yaml_documents: Liste von YAML-Strings oder Dateipfaden

    Returns:
        dict: {generalized_context: [sequences]}
    """
    all_contexts = {}
    for doc in yaml_documents:
        if '\n' in doc or '\r' in doc:
            contexts = extract_contexts_from_yaml_string(doc)
        else:
            contexts = extract_contexts_from_file(doc)
        for ctx, seqs in contexts.items():
            if ctx not in all_contexts:
                all_contexts[ctx] = []
            all_contexts[ctx].extend(seqs)

    return reduce_contexts(all_contexts)