Błąd implementacji metafonu PHP

Question

Testuję implementację metafonu dla języka C# i porównywanie jej wyników z wbudowaną funkcją metaphone() z PHP. Jednak natknąłem się na błąd (który jest previously documented in PHP's issue tracker i omówiony na a mailing list), ale staram się zrozumieć kod C za ich błędów dla mojego osobistego zainteresowania.

Zasadniczo, zgodnie z algorytmem metafonowym, większość przypadków -gh- powinno być cichych. W konkretnym przypadku testowego „Wright”, oczekuję (i generować z mojego własnego algorytmu) klucza Metaphone z „RT”

"wr" => R 
"i" => ignored 
"gh" => ignored 
"t" => T 

Result: RT 

Jednak funkcja Metaphone PHP zwraca RFT. Najwyraźniej konwertuje -gh- na F, jak gdyby znajdowało się na końcu słowa (np. "Szorstki"), ale w przypadku słowa "wright" jest to niepoprawne, ponieważ -gh- nie przychodzi na końcu tego słowa. Patrząc na pliku metaphone.c w źródłowej dystrybucji PHP, widzę kilka kluczowych rzeczy:

/* These prevent GH from becoming F */ 
#define NOGHTOF(c) (ENCODE(c) & 16) /* BDH */ 

... 

/* Go N letters back. */ 
#define Look_Back_Letter(n) (w_idx >= n ? toupper(word[w_idx-n]) : '\0') 

a następnie na linii 342:

case 'G': 
    if (Next_Letter == 'H') { 
     if (!(NOGHTOF(Look_Back_Letter(3)) || Look_Back_Letter(4) == 'H')) { 
      Phonize('F'); 
      skip_letter++; 

Czy ktoś może mi pomóc zrozumieć, co dokładnie funkcję NOGHTOF robi i dlaczego ten kod niepoprawnie renderuje F dla -gh- w "wright"? Naprawdę nie jestem facetem w C, więc kod nie jest dla mnie jasny.

Answer 1

Znaczenie NOGHTOF(c) faktycznie zależy od kodu rozpoczynającego się od linii 81:

char _codes[26] = { 
     1, 16, 4, 16, 9, 2, 4, 16, 9, 2, 0, 2, 2, 2, 1, 4, 0, 2, 4, 4, 1, 0, 0, 0, 8, 0 
    /* a b c d e f g h i j k l m n o p q r s t u v w x y z */ 
}; 

#define ENCODE(c) (isalpha(c) ? _codes[((toupper(c)) - 'A')] : 0) 

Zasadniczo wartość jest przypisany do każdej z liter alfabetu, w celu (a = 1, B = 16, etc. .) Następnie makro sprawdza, czy przekazany znak jest literą; jeśli tak, zwraca odpowiedni kod dla tej litery, w przeciwnym razie zwraca znak null. (Tak naprawdę nic nie zwraca, ponieważ jest to makro i jest zastępowane przez kompilator w czasie kompilacji w celu zastąpienia faktycznego połączenia.)

Sposób w jaki odczytuję kod dla 'G' jest tym (bez próbowania zrozumieć, dlaczego):

If current letter is G then 
    If next letter is H then 
     Take "_code" value of a letter three letters back (why?) from the _codes table and check the fifth bit (from the back, naturally) 
     If this bit is not set OR if a letter four letters back (why?) is 'H' then 
      Add 'F' to the result 
      skip one more character (letter 'H' following the 'G') 

Dlaczego to jest jak to jest poza mną, choć jestem pewien, że ktoś miał dobry powód, aby napisać to w ten sposób, ale wydaje się oczywisty błąd do mnie.