lucene-java-3.4.0/lucene/contrib/icu/src/test/org/apache/lucene/analysis/icu/segmentation/TestICUTokenizer.java

   1 package org.apache.lucene.analysis.icu.segmentation;
   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 org.apache.lucene.analysis.Analyzer;
  21 import org.apache.lucene.analysis.BaseTokenStreamTestCase;
  22 import org.apache.lucene.analysis.ReusableAnalyzerBase;
  23 import org.apache.lucene.analysis.TokenFilter;
  24 import org.apache.lucene.analysis.Tokenizer;
  25 import org.apache.lucene.analysis.icu.ICUNormalizer2Filter;
  26
  27 import java.io.IOException;
  28 import java.io.Reader;
  29 import java.io.StringReader;
  30 import java.util.Arrays;
  31
  32 public class TestICUTokenizer extends BaseTokenStreamTestCase {
  33
  34   public void testHugeDoc() throws IOException {
  35     StringBuilder sb = new StringBuilder();
  36     char whitespace[] = new char[4094];
  37     Arrays.fill(whitespace, ' ');
  38     sb.append(whitespace);
  39     sb.append("testing 1234");
  40     String input = sb.toString();
  41     ICUTokenizer tokenizer = new ICUTokenizer(new StringReader(input));
  42     assertTokenStreamContents(tokenizer, new String[] { "testing", "1234" });
  43   }
  44
  45   public void testHugeTerm2() throws IOException {
  46     StringBuilder sb = new StringBuilder();
  47     for (int i = 0; i < 40960; i++) {
  48       sb.append('a');
  49     }
  50     String input = sb.toString();
  51     ICUTokenizer tokenizer = new ICUTokenizer(new StringReader(input));
  52     char token[] = new char[4096];
  53     Arrays.fill(token, 'a');
  54     String expectedToken = new String(token);
  55     String expected[] = {
  56         expectedToken, expectedToken, expectedToken,
  57         expectedToken, expectedToken, expectedToken,
  58         expectedToken, expectedToken, expectedToken,
  59         expectedToken
  60     };
  61     assertTokenStreamContents(tokenizer, expected);
  62   }
  63
  64   private Analyzer a = new ReusableAnalyzerBase() {
  65     @Override
  66     protected TokenStreamComponents createComponents(String fieldName,
  67         Reader reader) {
  68       Tokenizer tokenizer = new ICUTokenizer(reader);
  69       TokenFilter filter = new ICUNormalizer2Filter(tokenizer);
  70       return new TokenStreamComponents(tokenizer, filter);
  71     }
  72   };
  73
  74   public void testArmenian() throws Exception {
  75     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։",
  76         new String[] { "վիքիպեդիայի", "13", "միլիոն", "հոդվածները", "4,600", "հայերեն", "վիքիպեդիայում", "գրվել", "են", "կամավորների", "կողմից",
  77         "ու", "համարյա", "բոլոր", "հոդվածները", "կարող", "է", "խմբագրել", "ցանկաց", "մարդ", "ով", "կարող", "է", "բացել", "վիքիպեդիայի", "կայքը" } );
  78   }
  79
  80   public void testAmharic() throws Exception {
  81     assertAnalyzesTo(a, "ዊኪፔድያ የባለ ብዙ ቋንቋ የተሟላ ትክክለኛና ነጻ መዝገበ ዕውቀት (ኢንሳይክሎፒዲያ) ነው። ማንኛውም",
  82         new String[] { "ዊኪፔድያ", "የባለ", "ብዙ", "ቋንቋ", "የተሟላ", "ትክክለኛና", "ነጻ", "መዝገበ", "ዕውቀት", "ኢንሳይክሎፒዲያ", "ነው", "ማንኛውም" } );
  83   }
  84
  85   public void testArabic() throws Exception {
  86     assertAnalyzesTo(a, "الفيلم الوثائقي الأول عن ويكيبيديا يسمى \"الحقيقة بالأرقام: قصة ويكيبيديا\" (بالإنجليزية: Truth in Numbers: The Wikipedia Story)، سيتم إطلاقه في 2008.",
  87         new String[] { "الفيلم", "الوثائقي", "الأول", "عن", "ويكيبيديا", "يسمى", "الحقيقة", "بالأرقام", "قصة", "ويكيبيديا",
  88         "بالإنجليزية", "truth", "in", "numbers", "the", "wikipedia", "story", "سيتم", "إطلاقه", "في", "2008" } );
  89   }
  90
  91   public void testAramaic() throws Exception {
  92     assertAnalyzesTo(a, "ܘܝܩܝܦܕܝܐ (ܐܢܓܠܝܐ: Wikipedia) ܗܘ ܐܝܢܣܩܠܘܦܕܝܐ ܚܐܪܬܐ ܕܐܢܛܪܢܛ ܒܠܫܢ̈ܐ ܣܓܝܐ̈ܐ܂ ܫܡܗ ܐܬܐ ܡܢ ܡ̈ܠܬܐ ܕ\"ܘܝܩܝ\" ܘ\"ܐܝܢܣܩܠܘܦܕܝܐ\"܀",
  93         new String[] { "ܘܝܩܝܦܕܝܐ", "ܐܢܓܠܝܐ", "wikipedia", "ܗܘ", "ܐܝܢܣܩܠܘܦܕܝܐ", "ܚܐܪܬܐ", "ܕܐܢܛܪܢܛ", "ܒܠܫܢ̈ܐ", "ܣܓܝܐ̈ܐ", "ܫܡܗ",
  94         "ܐܬܐ", "ܡܢ", "ܡ̈ܠܬܐ", "ܕ", "ܘܝܩܝ", "ܘ", "ܐܝܢܣܩܠܘܦܕܝܐ"});
  95   }
  96
  97   public void testBengali() throws Exception {
  98     assertAnalyzesTo(a, "এই বিশ্বকোষ পরিচালনা করে উইকিমিডিয়া ফাউন্ডেশন (একটি অলাভজনক সংস্থা)। উইকিপিডিয়ার শুরু ১৫ জানুয়ারি, ২০০১ সালে। এখন পর্যন্ত ২০০টিরও বেশী ভাষায় উইকিপিডিয়া রয়েছে।",
  99         new String[] { "এই", "বিশ্বকোষ", "পরিচালনা", "করে", "উইকিমিডিয়া", "ফাউন্ডেশন", "একটি", "অলাভজনক", "সংস্থা", "উইকিপিডিয়ার",
 100         "শুরু", "১৫", "জানুয়ারি", "২০০১", "সালে", "এখন", "পর্যন্ত", "২০০টিরও", "বেশী", "ভাষায়", "উইকিপিডিয়া", "রয়েছে" });
 101   }
 102
 103   public void testFarsi() throws Exception {
 104     assertAnalyzesTo(a, "ویکی پدیای انگلیسی در تاریخ ۲۵ دی ۱۳۷۹ به صورت مکملی برای دانشنامهٔ تخصصی نوپدیا نوشته شد.",
 105         new String[] { "ویکی", "پدیای", "انگلیسی", "در", "تاریخ", "۲۵", "دی", "۱۳۷۹", "به", "صورت", "مکملی",
 106         "برای", "دانشنامهٔ", "تخصصی", "نوپدیا", "نوشته", "شد" });
 107   }
 108
 109   public void testGreek() throws Exception {
 110     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.",
 111         new String[] { "γράφεται", "σε", "συνεργασία", "από", "εθελοντέσ", "με", "το", "λογισμικό", "wiki", "κάτι", "που",
 112         "σημαίνει", "ότι", "άρθρα", "μπορεί", "να", "προστεθούν", "ή", "να", "αλλάξουν", "από", "τον", "καθένα" });
 113   }
 114
 115   public void testLao() throws Exception {
 116     assertAnalyzesTo(a, "ກວ່າດອກ", new String[] { "ກວ່າ", "ດອກ" });
 117   }
 118
 119   public void testThai() throws Exception {
 120     assertAnalyzesTo(a, "การที่ได้ต้องแสดงว่างานดี. แล้วเธอจะไปไหน? ๑๒๓๔",
 121         new String[] { "การ", "ที่", "ได้", "ต้อง", "แสดง", "ว่า", "งาน", "ดี", "แล้ว", "เธอ", "จะ", "ไป", "ไหน", "๑๒๓๔"});
 122   }
 123
 124   public void testTibetan() throws Exception {
 125     assertAnalyzesTo(a, "སྣོན་མཛོད་དང་ལས་འདིས་བོད་ཡིག་མི་ཉམས་གོང་འཕེལ་དུ་གཏོང་བར་ཧ་ཅང་དགེ་མཚན་མཆིས་སོ། །",
 126         new String[] { "སྣོན", "མཛོད", "དང", "ལས", "འདིས", "བོད", "ཡིག", "མི", "ཉམས", "གོང", "འཕེལ", "དུ", "གཏོང", "བར", "ཧ", "ཅང", "དགེ", "མཚན", "མཆིས", "སོ" });
 127   }
 128
 129   /*
 130    * For chinese, tokenize as char (these can later form bigrams or whatever)
 131    */
 132   public void testChinese() throws Exception {
 133     assertAnalyzesTo(a, "我是中国人。 １２３４ Ｔｅｓｔｓ ",
 134         new String[] { "我", "是", "中", "国", "人", "1234", "tests"});
 135   }
 136
 137   public void testEmpty() throws Exception {
 138     assertAnalyzesTo(a, "", new String[] {});
 139     assertAnalyzesTo(a, ".", new String[] {});
 140     assertAnalyzesTo(a, " ", new String[] {});
 141   }
 142
 143   /* test various jira issues this analyzer is related to */
 144
 145   public void testLUCENE1545() throws Exception {
 146     /*
 147      * Standard analyzer does not correctly tokenize combining character U+0364 COMBINING LATIN SMALL LETTRE E.
 148      * The word "moͤchte" is incorrectly tokenized into "mo" "chte", the combining character is lost.
 149      * Expected result is only on token "moͤchte".
 150      */
 151     assertAnalyzesTo(a, "moͤchte", new String[] { "moͤchte" });
 152   }
 153
 154   /* Tests from StandardAnalyzer, just to show behavior is similar */
 155   public void testAlphanumericSA() throws Exception {
 156     // alphanumeric tokens
 157     assertAnalyzesTo(a, "B2B", new String[]{"b2b"});
 158     assertAnalyzesTo(a, "2B", new String[]{"2b"});
 159   }
 160
 161   public void testDelimitersSA() throws Exception {
 162     // other delimiters: "-", "/", ","
 163     assertAnalyzesTo(a, "some-dashed-phrase", new String[]{"some", "dashed", "phrase"});
 164     assertAnalyzesTo(a, "dogs,chase,cats", new String[]{"dogs", "chase", "cats"});
 165     assertAnalyzesTo(a, "ac/dc", new String[]{"ac", "dc"});
 166   }
 167
 168   public void testApostrophesSA() throws Exception {
 169     // internal apostrophes: O'Reilly, you're, O'Reilly's
 170     assertAnalyzesTo(a, "O'Reilly", new String[]{"o'reilly"});
 171     assertAnalyzesTo(a, "you're", new String[]{"you're"});
 172     assertAnalyzesTo(a, "she's", new String[]{"she's"});
 173     assertAnalyzesTo(a, "Jim's", new String[]{"jim's"});
 174     assertAnalyzesTo(a, "don't", new String[]{"don't"});
 175     assertAnalyzesTo(a, "O'Reilly's", new String[]{"o'reilly's"});
 176   }
 177
 178   public void testNumericSA() throws Exception {
 179     // floating point, serial, model numbers, ip addresses, etc.
 180     // every other segment must have at least one digit
 181     assertAnalyzesTo(a, "21.35", new String[]{"21.35"});
 182     assertAnalyzesTo(a, "R2D2 C3PO", new String[]{"r2d2", "c3po"});
 183     assertAnalyzesTo(a, "216.239.63.104", new String[]{"216.239.63.104"});
 184     assertAnalyzesTo(a, "216.239.63.104", new String[]{"216.239.63.104"});
 185   }
 186
 187   public void testTextWithNumbersSA() throws Exception {
 188     // numbers
 189     assertAnalyzesTo(a, "David has 5000 bones", new String[]{"david", "has", "5000", "bones"});
 190   }
 191
 192   public void testVariousTextSA() throws Exception {
 193     // various
 194     assertAnalyzesTo(a, "C embedded developers wanted", new String[]{"c", "embedded", "developers", "wanted"});
 195     assertAnalyzesTo(a, "foo bar FOO BAR", new String[]{"foo", "bar", "foo", "bar"});
 196     assertAnalyzesTo(a, "foo      bar .  FOO <> BAR", new String[]{"foo", "bar", "foo", "bar"});
 197     assertAnalyzesTo(a, "\"QUOTED\" word", new String[]{"quoted", "word"});
 198   }
 199
 200   public void testKoreanSA() throws Exception {
 201     // Korean words
 202     assertAnalyzesTo(a, "안녕하세요 한글입니다", new String[]{"안녕하세요", "한글입니다"});
 203   }
 204
 205   public void testReusableTokenStream() throws Exception {
 206     assertAnalyzesToReuse(a, "སྣོན་མཛོད་དང་ལས་འདིས་བོད་ཡིག་མི་ཉམས་གོང་འཕེལ་དུ་གཏོང་བར་ཧ་ཅང་དགེ་མཚན་མཆིས་སོ། །",
 207         new String[] { "སྣོན", "མཛོད", "དང", "ལས", "འདིས", "བོད", "ཡིག", "མི", "ཉམས", "གོང",
 208                       "འཕེལ", "དུ", "གཏོང", "བར", "ཧ", "ཅང", "དགེ", "མཚན", "མཆིས", "སོ" });
 209   }
 210
 211   public void testOffsets() throws Exception {
 212     assertAnalyzesTo(a, "David has 5000 bones",
 213         new String[] {"david", "has", "5000", "bones"},
 214         new int[] {0, 6, 10, 15},
 215         new int[] {5, 9, 14, 20});
 216   }
 217
 218   public void testTypes() throws Exception {
 219     assertAnalyzesTo(a, "David has 5000 bones",
 220         new String[] {"david", "has", "5000", "bones"},
 221         new String[] { "<ALPHANUM>", "<ALPHANUM>", "<NUM>", "<ALPHANUM>" });
 222   }
 223
 224   public void testKorean() throws Exception {
 225     BaseTokenStreamTestCase.assertAnalyzesTo(a, "훈민정음",
 226         new String[] { "훈민정음" },
 227         new String[] { "<HANGUL>" });
 228   }
 229
 230   public void testJapanese() throws Exception {
 231     BaseTokenStreamTestCase.assertAnalyzesTo(a, "仮名遣い カタカナ",
 232         new String[] { "仮", "名", "遣", "い", "カタカナ" },
 233         new String[] { "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<HIRAGANA>", "<KATAKANA>" });
 234   }
 235
 236   /** blast some random strings through the analyzer */
 237   public void testRandomStrings() throws Exception {
 238     checkRandomData(random, a, 10000*RANDOM_MULTIPLIER);
 239   }
 240 }