lucene-java-3.4.0/lucene/backwards/src/test/org/apache/lucene/analysis/TestStandardAnalyzer.java

   1 package org.apache.lucene.analysis;
   2
   3 import org.apache.lucene.analysis.standard.StandardAnalyzer;
   4 import org.apache.lucene.analysis.standard.StandardTokenizer;
   5
   6 import java.io.IOException;
   7 import java.io.Reader;
   8 import java.io.StringReader;
   9 import java.util.Arrays;
  10
  11 /**
  12  * Licensed to the Apache Software Foundation (ASF) under one or more
  13  * contributor license agreements.  See the NOTICE file distributed with
  14  * this work for additional information regarding copyright ownership.
  15  * The ASF licenses this file to You under the Apache License, Version 2.0
  16  * (the "License"); you may not use this file except in compliance with
  17  * the License.  You may obtain a copy of the License at
  18  *
  19  *     http://www.apache.org/licenses/LICENSE-2.0
  20  *
  21  * Unless required by applicable law or agreed to in writing, software
  22  * distributed under the License is distributed on an "AS IS" BASIS,
  23  * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  24  * See the License for the specific language governing permissions and
  25  * limitations under the License.
  26  */
  27
  28 public class TestStandardAnalyzer extends BaseTokenStreamTestCase {
  29
  30   public void testHugeDoc() throws IOException {
  31     StringBuilder sb = new StringBuilder();
  32     char whitespace[] = new char[4094];
  33     Arrays.fill(whitespace, ' ');
  34     sb.append(whitespace);
  35     sb.append("testing 1234");
  36     String input = sb.toString();
  37     StandardTokenizer tokenizer = new StandardTokenizer(TEST_VERSION_CURRENT, new StringReader(input));
  38     BaseTokenStreamTestCase.assertTokenStreamContents(tokenizer, new String[] { "testing", "1234" });
  39   }
  40
  41   private Analyzer a = new ReusableAnalyzerBase() {
  42     @Override
  43     protected TokenStreamComponents createComponents
  44       (String fieldName, Reader reader) {
  45
  46       Tokenizer tokenizer = new StandardTokenizer(TEST_VERSION_CURRENT, reader);
  47       return new TokenStreamComponents(tokenizer);
  48     }
  49   };
  50
  51   public void testArmenian() throws Exception {
  52     BaseTokenStreamTestCase.assertAnalyzesTo(a, "Վիքիպեդիայի 13 միլիոն հոդվածները (4,600` հայերեն վիքիպեդիայում) գրվել են կամավորների կողմից ու համարյա բոլոր հոդվածները կարող է խմբագրել ցանկաց մարդ ով կարող է բացել Վիքիպեդիայի կայքը։",
  53         new String[] { "Վիքիպեդիայի", "13", "միլիոն", "հոդվածները", "4,600", "հայերեն", "վիքիպեդիայում", "գրվել", "են", "կամավորների", "կողմից",
  54         "ու", "համարյա", "բոլոր", "հոդվածները", "կարող", "է", "խմբագրել", "ցանկաց", "մարդ", "ով", "կարող", "է", "բացել", "Վիքիպեդիայի", "կայքը" } );
  55   }
  56
  57   public void testAmharic() throws Exception {
  58     BaseTokenStreamTestCase.assertAnalyzesTo(a, "ዊኪፔድያ የባለ ብዙ ቋንቋ የተሟላ ትክክለኛና ነጻ መዝገበ ዕውቀት (ኢንሳይክሎፒዲያ) ነው። ማንኛውም",
  59         new String[] { "ዊኪፔድያ", "የባለ", "ብዙ", "ቋንቋ", "የተሟላ", "ትክክለኛና", "ነጻ", "መዝገበ", "ዕውቀት", "ኢንሳይክሎፒዲያ", "ነው", "ማንኛውም" } );
  60   }
  61
  62   public void testArabic() throws Exception {
  63     BaseTokenStreamTestCase.assertAnalyzesTo(a, "الفيلم الوثائقي الأول عن ويكيبيديا يسمى \"الحقيقة بالأرقام: قصة ويكيبيديا\" (بالإنجليزية: Truth in Numbers: The Wikipedia Story)، سيتم إطلاقه في 2008.",
  64         new String[] { "الفيلم", "الوثائقي", "الأول", "عن", "ويكيبيديا", "يسمى", "الحقيقة", "بالأرقام", "قصة", "ويكيبيديا",
  65         "بالإنجليزية", "Truth", "in", "Numbers", "The", "Wikipedia", "Story", "سيتم", "إطلاقه", "في", "2008" } );
  66   }
  67
  68   public void testAramaic() throws Exception {
  69     BaseTokenStreamTestCase.assertAnalyzesTo(a, "ܘܝܩܝܦܕܝܐ (ܐܢܓܠܝܐ: Wikipedia) ܗܘ ܐܝܢܣܩܠܘܦܕܝܐ ܚܐܪܬܐ ܕܐܢܛܪܢܛ ܒܠܫܢ̈ܐ ܣܓܝܐ̈ܐ܂ ܫܡܗ ܐܬܐ ܡܢ ܡ̈ܠܬܐ ܕ\"ܘܝܩܝ\" ܘ\"ܐܝܢܣܩܠܘܦܕܝܐ\"܀",
  70         new String[] { "ܘܝܩܝܦܕܝܐ", "ܐܢܓܠܝܐ", "Wikipedia", "ܗܘ", "ܐܝܢܣܩܠܘܦܕܝܐ", "ܚܐܪܬܐ", "ܕܐܢܛܪܢܛ", "ܒܠܫܢ̈ܐ", "ܣܓܝܐ̈ܐ", "ܫܡܗ",
  71         "ܐܬܐ", "ܡܢ", "ܡ̈ܠܬܐ", "ܕ", "ܘܝܩܝ", "ܘ", "ܐܝܢܣܩܠܘܦܕܝܐ"});
  72   }
  73
  74   public void testBengali() throws Exception {
  75     BaseTokenStreamTestCase.assertAnalyzesTo(a, "এই বিশ্বকোষ পরিচালনা করে উইকিমিডিয়া ফাউন্ডেশন (একটি অলাভজনক সংস্থা)। উইকিপিডিয়ার শুরু ১৫ জানুয়ারি, ২০০১ সালে। এখন পর্যন্ত ২০০টিরও বেশী ভাষায় উইকিপিডিয়া রয়েছে।",
  76         new String[] { "এই", "বিশ্বকোষ", "পরিচালনা", "করে", "উইকিমিডিয়া", "ফাউন্ডেশন", "একটি", "অলাভজনক", "সংস্থা", "উইকিপিডিয়ার",
  77         "শুরু", "১৫", "জানুয়ারি", "২০০১", "সালে", "এখন", "পর্যন্ত", "২০০টিরও", "বেশী", "ভাষায়", "উইকিপিডিয়া", "রয়েছে" });
  78   }
  79
  80   public void testFarsi() throws Exception {
  81     BaseTokenStreamTestCase.assertAnalyzesTo(a, "ویکی پدیای انگلیسی در تاریخ ۲۵ دی ۱۳۷۹ به صورت مکملی برای دانشنامهٔ تخصصی نوپدیا نوشته شد.",
  82         new String[] { "ویکی", "پدیای", "انگلیسی", "در", "تاریخ", "۲۵", "دی", "۱۳۷۹", "به", "صورت", "مکملی",
  83         "برای", "دانشنامهٔ", "تخصصی", "نوپدیا", "نوشته", "شد" });
  84   }
  85
  86   public void testGreek() throws Exception {
  87     BaseTokenStreamTestCase.assertAnalyzesTo(a, "Γράφεται σε συνεργασία από εθελοντές με το λογισμικό wiki, κάτι που σημαίνει ότι άρθρα μπορεί να προστεθούν ή να αλλάξουν από τον καθένα.",
  88         new String[] { "Γράφεται", "σε", "συνεργασία", "από", "εθελοντές", "με", "το", "λογισμικό", "wiki", "κάτι", "που",
  89         "σημαίνει", "ότι", "άρθρα", "μπορεί", "να", "προστεθούν", "ή", "να", "αλλάξουν", "από", "τον", "καθένα" });
  90   }
  91
  92   public void testThai() throws Exception {
  93     BaseTokenStreamTestCase.assertAnalyzesTo(a, "การที่ได้ต้องแสดงว่างานดี. แล้วเธอจะไปไหน? ๑๒๓๔",
  94         new String[] { "การที่ได้ต้องแสดงว่างานดี", "แล้วเธอจะไปไหน", "๑๒๓๔" });
  95   }
  96
  97   public void testLao() throws Exception {
  98     BaseTokenStreamTestCase.assertAnalyzesTo(a, "ສາທາລະນະລັດ ປະຊາທິປະໄຕ ປະຊາຊົນລາວ",
  99         new String[] { "ສາທາລະນະລັດ", "ປະຊາທິປະໄຕ", "ປະຊາຊົນລາວ" });
 100   }
 101
 102   public void testTibetan() throws Exception {
 103     BaseTokenStreamTestCase.assertAnalyzesTo(a, "སྣོན་མཛོད་དང་ལས་འདིས་བོད་ཡིག་མི་ཉམས་གོང་འཕེལ་དུ་གཏོང་བར་ཧ་ཅང་དགེ་མཚན་མཆིས་སོ། །",
 104                      new String[] { "སྣོན", "མཛོད", "དང", "ལས", "འདིས", "བོད", "ཡིག",
 105                                     "མི", "ཉམས", "གོང", "འཕེལ", "དུ", "གཏོང", "བར",
 106                                     "ཧ", "ཅང", "དགེ", "མཚན", "མཆིས", "སོ" });
 107   }
 108
 109   /*
 110    * For chinese, tokenize as char (these can later form bigrams or whatever)
 111    */
 112   public void testChinese() throws Exception {
 113     BaseTokenStreamTestCase.assertAnalyzesTo(a, "我是中国人。 １２３４ Ｔｅｓｔｓ ",
 114         new String[] { "我", "是", "中", "国", "人", "１２３４", "Ｔｅｓｔｓ"});
 115   }
 116
 117   public void testEmpty() throws Exception {
 118     BaseTokenStreamTestCase.assertAnalyzesTo(a, "", new String[] {});
 119     BaseTokenStreamTestCase.assertAnalyzesTo(a, ".", new String[] {});
 120     BaseTokenStreamTestCase.assertAnalyzesTo(a, " ", new String[] {});
 121   }
 122
 123   /* test various jira issues this analyzer is related to */
 124
 125   public void testLUCENE1545() throws Exception {
 126     /*
 127      * Standard analyzer does not correctly tokenize combining character U+0364 COMBINING LATIN SMALL LETTRE E.
 128      * The word "moͤchte" is incorrectly tokenized into "mo" "chte", the combining character is lost.
 129      * Expected result is only on token "moͤchte".
 130      */
 131     BaseTokenStreamTestCase.assertAnalyzesTo(a, "moͤchte", new String[] { "moͤchte" });
 132   }
 133
 134   /* Tests from StandardAnalyzer, just to show behavior is similar */
 135   public void testAlphanumericSA() throws Exception {
 136     // alphanumeric tokens
 137     BaseTokenStreamTestCase.assertAnalyzesTo(a, "B2B", new String[]{"B2B"});
 138     BaseTokenStreamTestCase.assertAnalyzesTo(a, "2B", new String[]{"2B"});
 139   }
 140
 141   public void testDelimitersSA() throws Exception {
 142     // other delimiters: "-", "/", ","
 143     BaseTokenStreamTestCase.assertAnalyzesTo(a, "some-dashed-phrase", new String[]{"some", "dashed", "phrase"});
 144     BaseTokenStreamTestCase.assertAnalyzesTo(a, "dogs,chase,cats", new String[]{"dogs", "chase", "cats"});
 145     BaseTokenStreamTestCase.assertAnalyzesTo(a, "ac/dc", new String[]{"ac", "dc"});
 146   }
 147
 148   public void testApostrophesSA() throws Exception {
 149     // internal apostrophes: O'Reilly, you're, O'Reilly's
 150     BaseTokenStreamTestCase.assertAnalyzesTo(a, "O'Reilly", new String[]{"O'Reilly"});
 151     BaseTokenStreamTestCase.assertAnalyzesTo(a, "you're", new String[]{"you're"});
 152     BaseTokenStreamTestCase.assertAnalyzesTo(a, "she's", new String[]{"she's"});
 153     BaseTokenStreamTestCase.assertAnalyzesTo(a, "Jim's", new String[]{"Jim's"});
 154     BaseTokenStreamTestCase.assertAnalyzesTo(a, "don't", new String[]{"don't"});
 155     BaseTokenStreamTestCase.assertAnalyzesTo(a, "O'Reilly's", new String[]{"O'Reilly's"});
 156   }
 157
 158   public void testNumericSA() throws Exception {
 159     // floating point, serial, model numbers, ip addresses, etc.
 160     BaseTokenStreamTestCase.assertAnalyzesTo(a, "21.35", new String[]{"21.35"});
 161     BaseTokenStreamTestCase.assertAnalyzesTo(a, "R2D2 C3PO", new String[]{"R2D2", "C3PO"});
 162     BaseTokenStreamTestCase.assertAnalyzesTo(a, "216.239.63.104", new String[]{"216.239.63.104"});
 163     BaseTokenStreamTestCase.assertAnalyzesTo(a, "216.239.63.104", new String[]{"216.239.63.104"});
 164   }
 165
 166   public void testTextWithNumbersSA() throws Exception {
 167     // numbers
 168     BaseTokenStreamTestCase.assertAnalyzesTo(a, "David has 5000 bones", new String[]{"David", "has", "5000", "bones"});
 169   }
 170
 171   public void testVariousTextSA() throws Exception {
 172     // various
 173     BaseTokenStreamTestCase.assertAnalyzesTo(a, "C embedded developers wanted", new String[]{"C", "embedded", "developers", "wanted"});
 174     BaseTokenStreamTestCase.assertAnalyzesTo(a, "foo bar FOO BAR", new String[]{"foo", "bar", "FOO", "BAR"});
 175     BaseTokenStreamTestCase.assertAnalyzesTo(a, "foo      bar .  FOO <> BAR", new String[]{"foo", "bar", "FOO", "BAR"});
 176     BaseTokenStreamTestCase.assertAnalyzesTo(a, "\"QUOTED\" word", new String[]{"QUOTED", "word"});
 177   }
 178
 179   public void testKoreanSA() throws Exception {
 180     // Korean words
 181     BaseTokenStreamTestCase.assertAnalyzesTo(a, "안녕하세요 한글입니다", new String[]{"안녕하세요", "한글입니다"});
 182   }
 183
 184   public void testOffsets() throws Exception {
 185     BaseTokenStreamTestCase.assertAnalyzesTo(a, "David has 5000 bones",
 186         new String[] {"David", "has", "5000", "bones"},
 187         new int[] {0, 6, 10, 15},
 188         new int[] {5, 9, 14, 20});
 189   }
 190
 191   public void testTypes() throws Exception {
 192     BaseTokenStreamTestCase.assertAnalyzesTo(a, "David has 5000 bones",
 193         new String[] {"David", "has", "5000", "bones"},
 194         new String[] { "<ALPHANUM>", "<ALPHANUM>", "<NUM>", "<ALPHANUM>" });
 195   }
 196
 197   public void testUnicodeWordBreaks() throws Exception {
 198     WordBreakTestUnicode_6_0_0 wordBreakTest = new WordBreakTestUnicode_6_0_0();
 199     wordBreakTest.test(a);
 200   }
 201
 202   public void testSupplementary() throws Exception {
 203     BaseTokenStreamTestCase.assertAnalyzesTo(a, "𩬅艱鍟䇹愯瀛",
 204         new String[] {"𩬅", "艱", "鍟", "䇹", "愯", "瀛"},
 205         new String[] { "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<IDEOGRAPHIC>" });
 206   }
 207
 208   public void testKorean() throws Exception {
 209     BaseTokenStreamTestCase.assertAnalyzesTo(a, "훈민정음",
 210         new String[] { "훈민정음" },
 211         new String[] { "<HANGUL>" });
 212   }
 213
 214   public void testJapanese() throws Exception {
 215     BaseTokenStreamTestCase.assertAnalyzesTo(a, "仮名遣い カタカナ",
 216         new String[] { "仮", "名", "遣", "い", "カタカナ" },
 217         new String[] { "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<HIRAGANA>", "<KATAKANA>" });
 218   }
 219
 220   /** blast some random strings through the analyzer */
 221   public void testRandomStrings() throws Exception {
 222     checkRandomData(random, new StandardAnalyzer(TEST_VERSION_CURRENT), 10000*RANDOM_MULTIPLIER);
 223   }
 224 }