lucene-java-3.4.0/lucene/contrib/analyzers/smartcn/src/java/org/apache/lucene/analysis/cn/smart/hhmm/SegTokenFilter.java

   1 /**
   2  * Licensed to the Apache Software Foundation (ASF) under one or more
   3  * contributor license agreements.  See the NOTICE file distributed with
   4  * this work for additional information regarding copyright ownership.
   5  * The ASF licenses this file to You under the Apache License, Version 2.0
   6  * (the "License"); you may not use this file except in compliance with
   7  * the License.  You may obtain a copy of the License at
   8  *
   9  *     http://www.apache.org/licenses/LICENSE-2.0
  10  *
  11  * Unless required by applicable law or agreed to in writing, software
  12  * distributed under the License is distributed on an "AS IS" BASIS,
  13  * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  14  * See the License for the specific language governing permissions and
  15  * limitations under the License.
  16  */
  17
  18 package org.apache.lucene.analysis.cn.smart.hhmm;
  19
  20 import org.apache.lucene.analysis.cn.smart.Utility;
  21 import org.apache.lucene.analysis.cn.smart.WordType;
  22
  23 /**
  24  * <p>
  25  * Filters a {@link SegToken} by converting full-width latin to half-width, then lowercasing latin.
  26  * Additionally, all punctuation is converted into {@link Utility#COMMON_DELIMITER}
  27  * </p>
  28  * @lucene.experimental
  29  */
  30 public class SegTokenFilter {
  31
  32   /**
  33    * Filter an input {@link SegToken}
  34    * <p>
  35    * Full-width latin will be converted to half-width, then all latin will be lowercased.
  36    * All punctuation is converted into {@link Utility#COMMON_DELIMITER}
  37    * </p>
  38    *
  39    * @param token input {@link SegToken}
  40    * @return normalized {@link SegToken}
  41    */
  42   public SegToken filter(SegToken token) {
  43     switch (token.wordType) {
  44       case WordType.FULLWIDTH_NUMBER:
  45       case WordType.FULLWIDTH_STRING: /* first convert full-width -> half-width */
  46         for (int i = 0; i < token.charArray.length; i++) {
  47           if (token.charArray[i] >= 0xFF10)
  48             token.charArray[i] -= 0xFEE0;
  49
  50           if (token.charArray[i] >= 0x0041 && token.charArray[i] <= 0x005A) /* lowercase latin */
  51             token.charArray[i] += 0x0020;
  52         }
  53         break;
  54       case WordType.STRING:
  55         for (int i = 0; i < token.charArray.length; i++) {
  56           if (token.charArray[i] >= 0x0041 && token.charArray[i] <= 0x005A) /* lowercase latin */
  57             token.charArray[i] += 0x0020;
  58         }
  59         break;
  60       case WordType.DELIMITER: /* convert all punctuation to Utility.COMMON_DELIMITER */
  61         token.charArray = Utility.COMMON_DELIMITER;
  62         break;
  63       default:
  64         break;
  65     }
  66     return token;
  67   }
  68 }