lucene-java-3.4.0/lucene/contrib/analyzers/common/src/test/org/apache/lucene/analysis/cn/TestChineseTokenizer.java

   1 package org.apache.lucene.analysis.cn;
   2
   3 /**
   4  * Licensed to the Apache Software Foundation (ASF) under one or more
   5  * contributor license agreements.  See the NOTICE file distributed with
   6  * this work for additional information regarding copyright ownership.
   7  * The ASF licenses this file to You under the Apache License, Version 2.0
   8  * (the "License"); you may not use this file except in compliance with
   9  * the License.  You may obtain a copy of the License at
  10  *
  11  *     http://www.apache.org/licenses/LICENSE-2.0
  12  *
  13  * Unless required by applicable law or agreed to in writing, software
  14  * distributed under the License is distributed on an "AS IS" BASIS,
  15  * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  16  * See the License for the specific language governing permissions and
  17  * limitations under the License.
  18  */
  19
  20 import java.io.IOException;
  21 import java.io.Reader;
  22 import java.io.StringReader;
  23
  24 import org.apache.lucene.analysis.BaseTokenStreamTestCase;
  25 import org.apache.lucene.analysis.Analyzer;
  26 import org.apache.lucene.analysis.TokenStream;
  27 import org.apache.lucene.analysis.WhitespaceTokenizer;
  28 import org.apache.lucene.analysis.tokenattributes.OffsetAttribute;
  29 import org.apache.lucene.util.Version;
  30
  31
  32 /** @deprecated Remove this test when ChineseAnalyzer is removed. */
  33 @Deprecated
  34 public class TestChineseTokenizer extends BaseTokenStreamTestCase
  35 {
  36     public void testOtherLetterOffset() throws IOException
  37     {
  38         String s = "a天b";
  39         ChineseTokenizer tokenizer = new ChineseTokenizer(new StringReader(s));
  40
  41         int correctStartOffset = 0;
  42         int correctEndOffset = 1;
  43         OffsetAttribute offsetAtt = tokenizer.getAttribute(OffsetAttribute.class);
  44         while (tokenizer.incrementToken()) {
  45           assertEquals(correctStartOffset, offsetAtt.startOffset());
  46           assertEquals(correctEndOffset, offsetAtt.endOffset());
  47           correctStartOffset++;
  48           correctEndOffset++;
  49         }
  50     }
  51
  52     public void testReusableTokenStream() throws Exception
  53     {
  54       Analyzer a = new ChineseAnalyzer();
  55       assertAnalyzesToReuse(a, "中华人民共和国",
  56         new String[] { "中", "华", "人", "民", "共", "和", "国" },
  57         new int[] { 0, 1, 2, 3, 4, 5, 6 },
  58         new int[] { 1, 2, 3, 4, 5, 6, 7 });
  59       assertAnalyzesToReuse(a, "北京市",
  60         new String[] { "北", "京", "市" },
  61         new int[] { 0, 1, 2 },
  62         new int[] { 1, 2, 3 });
  63     }
  64
  65     /*
  66      * Analyzer that just uses ChineseTokenizer, not ChineseFilter.
  67      * convenience to show the behavior of the tokenizer
  68      */
  69     private class JustChineseTokenizerAnalyzer extends Analyzer {
  70       @Override
  71       public TokenStream tokenStream(String fieldName, Reader reader) {
  72         return new ChineseTokenizer(reader);
  73       }
  74     }
  75
  76     /*
  77      * Analyzer that just uses ChineseFilter, not ChineseTokenizer.
  78      * convenience to show the behavior of the filter.
  79      */
  80     private class JustChineseFilterAnalyzer extends Analyzer {
  81       @Override
  82       public TokenStream tokenStream(String fieldName, Reader reader) {
  83         return new ChineseFilter(new WhitespaceTokenizer(Version.LUCENE_CURRENT, reader));
  84       }
  85     }
  86
  87     /*
  88      * ChineseTokenizer tokenizes numbers as one token, but they are filtered by ChineseFilter
  89      */
  90     public void testNumerics() throws Exception
  91     {
  92       Analyzer justTokenizer = new JustChineseTokenizerAnalyzer();
  93       assertAnalyzesTo(justTokenizer, "中1234", new String[] { "中", "1234" });
  94
  95       // in this case the ChineseAnalyzer (which applies ChineseFilter) will remove the numeric token.
  96       Analyzer a = new ChineseAnalyzer();
  97       assertAnalyzesTo(a, "中1234", new String[] { "中" });
  98     }
  99
 100     /*
 101      * ChineseTokenizer tokenizes english similar to SimpleAnalyzer.
 102      * it will lowercase terms automatically.
 103      *
 104      * ChineseFilter has an english stopword list, it also removes any single character tokens.
 105      * the stopword list is case-sensitive.
 106      */
 107     public void testEnglish() throws Exception
 108     {
 109       Analyzer chinese = new ChineseAnalyzer();
 110       assertAnalyzesTo(chinese, "This is a Test. b c d",
 111           new String[] { "test" });
 112
 113       Analyzer justTokenizer = new JustChineseTokenizerAnalyzer();
 114       assertAnalyzesTo(justTokenizer, "This is a Test. b c d",
 115           new String[] { "this", "is", "a", "test", "b", "c", "d" });
 116
 117       Analyzer justFilter = new JustChineseFilterAnalyzer();
 118       assertAnalyzesTo(justFilter, "This is a Test. b c d",
 119           new String[] { "This", "Test." });
 120     }
 121
 122 }