lucene-java-3.4.0/lucene/contrib/icu/src/tools/java/org/apache/lucene/analysis/icu/GenerateJFlexSupplementaryMacros.java

   1 package org.apache.lucene.analysis.icu;
   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.text.DateFormat;
  21 import java.util.Date;
  22 import java.util.HashMap;
  23 import java.util.Locale;
  24 import java.util.TimeZone;
  25
  26 import com.ibm.icu.text.UnicodeSet;
  27 import com.ibm.icu.text.UnicodeSetIterator;
  28 import com.ibm.icu.util.VersionInfo;
  29
  30 /** creates a macro to augment jflex's unicode wordbreak support for > BMP */
  31 public class GenerateJFlexSupplementaryMacros {
  32   private static final UnicodeSet BMP = new UnicodeSet("[\u0000-\uFFFF]");
  33   private static final String NL = System.getProperty("line.separator");
  34   private static final DateFormat DATE_FORMAT = DateFormat.getDateTimeInstance
  35     (DateFormat.FULL, DateFormat.FULL, Locale.US);
  36   static {
  37     DATE_FORMAT.setTimeZone(TimeZone.getTimeZone("UTC"));
  38   }
  39
  40   private static final String APACHE_LICENSE
  41     = "/*" + NL
  42       + " * Copyright 2010 The Apache Software Foundation." + NL
  43       + " *" + NL
  44       + " * Licensed under the Apache License, Version 2.0 (the \"License\");" + NL
  45       + " * you may not use this file except in compliance with the License." + NL
  46       + " * You may obtain a copy of the License at" + NL
  47       + " *" + NL
  48       + " *      http://www.apache.org/licenses/LICENSE-2.0" + NL
  49       + " *" + NL
  50       + " * Unless required by applicable law or agreed to in writing, software" + NL
  51       + " * distributed under the License is distributed on an \"AS IS\" BASIS," + NL
  52       + " * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied." + NL
  53       + " * See the License for the specific language governing permissions and" + NL
  54       + " * limitations under the License." + NL
  55       + " */" + NL + NL;
  56
  57
  58   public static void main(String args[]) throws Exception {
  59     outputHeader();
  60     outputMacro("ALetterSupp",         "[:WordBreak=ALetter:]");
  61     outputMacro("FormatSupp",          "[:WordBreak=Format:]");
  62     outputMacro("ExtendSupp",          "[:WordBreak=Extend:]");
  63     outputMacro("NumericSupp",         "[:WordBreak=Numeric:]");
  64     outputMacro("KatakanaSupp",        "[:WordBreak=Katakana:]");
  65     outputMacro("MidLetterSupp",       "[:WordBreak=MidLetter:]");
  66     outputMacro("MidNumSupp",          "[:WordBreak=MidNum:]");
  67     outputMacro("MidNumLetSupp",       "[:WordBreak=MidNumLet:]");
  68     outputMacro("ExtendNumLetSupp",    "[:WordBreak=ExtendNumLet:]");
  69     outputMacro("ExtendNumLetSupp",    "[:WordBreak=ExtendNumLet:]");
  70     outputMacro("ComplexContextSupp",  "[:LineBreak=Complex_Context:]");
  71     outputMacro("HanSupp",             "[:Script=Han:]");
  72     outputMacro("HiraganaSupp",        "[:Script=Hiragana:]");
  73   }
  74
  75   static void outputHeader() {
  76     System.out.print(APACHE_LICENSE);
  77     System.out.print("// Generated using ICU4J " + VersionInfo.ICU_VERSION.toString() + " on ");
  78     System.out.println(DATE_FORMAT.format(new Date()));
  79     System.out.println("// by " + GenerateJFlexSupplementaryMacros.class.getName());
  80     System.out.print(NL + NL);
  81   }
  82
  83   // we have to carefully output the possibilities as compact utf-16
  84   // range expressions, or jflex will OOM!
  85   static void outputMacro(String name, String pattern) {
  86     UnicodeSet set = new UnicodeSet(pattern);
  87     set.removeAll(BMP);
  88     System.out.println(name + " = (");
  89     // if the set is empty, we have to do this or jflex will barf
  90     if (set.isEmpty()) {
  91       System.out.println("\t  []");
  92     }
  93
  94     HashMap<Character,UnicodeSet> utf16ByLead = new HashMap<Character,UnicodeSet>();
  95     for (UnicodeSetIterator it = new UnicodeSetIterator(set); it.next();) {
  96       char utf16[] = Character.toChars(it.codepoint);
  97       UnicodeSet trails = utf16ByLead.get(utf16[0]);
  98       if (trails == null) {
  99         trails = new UnicodeSet();
 100         utf16ByLead.put(utf16[0], trails);
 101       }
 102       trails.add(utf16[1]);
 103     }
 104
 105     boolean isFirst = true;
 106     for (Character c : utf16ByLead.keySet()) {
 107       UnicodeSet trail = utf16ByLead.get(c);
 108       System.out.print( isFirst ? "\t  " : "\t| ");
 109       isFirst = false;
 110       System.out.println("([\\u" + Integer.toHexString(c) + "]" + trail.getRegexEquivalent() + ")");
 111     }
 112     System.out.println(")");
 113   }
 114 }