lucene-java-3.5.0/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 import org.apache.lucene.util.Version;
   6
   7 import java.io.IOException;
   8 import java.io.Reader;
   9 import java.io.StringReader;
  10 import java.util.Arrays;
  11
  12 /**
  13  * Licensed to the Apache Software Foundation (ASF) under one or more
  14  * contributor license agreements.  See the NOTICE file distributed with
  15  * this work for additional information regarding copyright ownership.
  16  * The ASF licenses this file to You under the Apache License, Version 2.0
  17  * (the "License"); you may not use this file except in compliance with
  18  * the License.  You may obtain a copy of the License at
  19  *
  20  *     http://www.apache.org/licenses/LICENSE-2.0
  21  *
  22  * Unless required by applicable law or agreed to in writing, software
  23  * distributed under the License is distributed on an "AS IS" BASIS,
  24  * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  25  * See the License for the specific language governing permissions and
  26  * limitations under the License.
  27  */
  28
  29 public class TestStandardAnalyzer extends BaseTokenStreamTestCase {
  30
  31   public void testHugeDoc() throws IOException {
  32     StringBuilder sb = new StringBuilder();
  33     char whitespace[] = new char[4094];
  34     Arrays.fill(whitespace, ' ');
  35     sb.append(whitespace);
  36     sb.append("testing 1234");
  37     String input = sb.toString();
  38     StandardTokenizer tokenizer = new StandardTokenizer(TEST_VERSION_CURRENT, new StringReader(input));
  39     BaseTokenStreamTestCase.assertTokenStreamContents(tokenizer, new String[] { "testing", "1234" });
  40   }
  41
  42   private Analyzer a = new ReusableAnalyzerBase() {
  43     @Override
  44     protected TokenStreamComponents createComponents
  45       (String fieldName, Reader reader) {
  46
  47       Tokenizer tokenizer = new StandardTokenizer(TEST_VERSION_CURRENT, reader);
  48       return new TokenStreamComponents(tokenizer);
  49     }
  50   };
  51
  52   public void testArmenian() throws Exception {
  53     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։",
  54         new String[] { "Վիքիպեդիայի", "13", "միլիոն", "հոդվածները", "4,600", "հայերեն", "վիքիպեդիայում", "գրվել", "են", "կամավորների", "կողմից",
  55         "ու", "համարյա", "բոլոր", "հոդվածները", "կարող", "է", "խմբագրել", "ցանկաց", "մարդ", "ով", "կարող", "է", "բացել", "Վիքիպեդիայի", "կայքը" } );
  56   }
  57
  58   public void testAmharic() throws Exception {
  59     BaseTokenStreamTestCase.assertAnalyzesTo(a, "ዊኪፔድያ የባለ ብዙ ቋንቋ የተሟላ ትክክለኛና ነጻ መዝገበ ዕውቀት (ኢንሳይክሎፒዲያ) ነው። ማንኛውም",
  60         new String[] { "ዊኪፔድያ", "የባለ", "ብዙ", "ቋንቋ", "የተሟላ", "ትክክለኛና", "ነጻ", "መዝገበ", "ዕውቀት", "ኢንሳይክሎፒዲያ", "ነው", "ማንኛውም" } );
  61   }
  62
  63   public void testArabic() throws Exception {
  64     BaseTokenStreamTestCase.assertAnalyzesTo(a, "الفيلم الوثائقي الأول عن ويكيبيديا يسمى \"الحقيقة بالأرقام: قصة ويكيبيديا\" (بالإنجليزية: Truth in Numbers: The Wikipedia Story)، سيتم إطلاقه في 2008.",
  65         new String[] { "الفيلم", "الوثائقي", "الأول", "عن", "ويكيبيديا", "يسمى", "الحقيقة", "بالأرقام", "قصة", "ويكيبيديا",
  66         "بالإنجليزية", "Truth", "in", "Numbers", "The", "Wikipedia", "Story", "سيتم", "إطلاقه", "في", "2008" } );
  67   }
  68
  69   public void testAramaic() throws Exception {
  70     BaseTokenStreamTestCase.assertAnalyzesTo(a, "ܘܝܩܝܦܕܝܐ (ܐܢܓܠܝܐ: Wikipedia) ܗܘ ܐܝܢܣܩܠܘܦܕܝܐ ܚܐܪܬܐ ܕܐܢܛܪܢܛ ܒܠܫܢ̈ܐ ܣܓܝܐ̈ܐ܂ ܫܡܗ ܐܬܐ ܡܢ ܡ̈ܠܬܐ ܕ\"ܘܝܩܝ\" ܘ\"ܐܝܢܣܩܠܘܦܕܝܐ\"܀",
  71         new String[] { "ܘܝܩܝܦܕܝܐ", "ܐܢܓܠܝܐ", "Wikipedia", "ܗܘ", "ܐܝܢܣܩܠܘܦܕܝܐ", "ܚܐܪܬܐ", "ܕܐܢܛܪܢܛ", "ܒܠܫܢ̈ܐ", "ܣܓܝܐ̈ܐ", "ܫܡܗ",
  72         "ܐܬܐ", "ܡܢ", "ܡ̈ܠܬܐ", "ܕ", "ܘܝܩܝ", "ܘ", "ܐܝܢܣܩܠܘܦܕܝܐ"});
  73   }
  74
  75   public void testBengali() throws Exception {
  76     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।",
  77         new String[] { "এই", "বিশ্বকোষ", "পরিচালনা", "করে", "উইকিমিডিয়া", "ফাউন্ডেশন", "একটি", "অলাভজনক", "সংস্থা", "উইকিপিডিয়ার",
  78         "শুরু", "১৫", "জানুয়ারি", "২০০১", "সালে", "এখন", "পর্যন্ত", "২০০টিরও", "বেশী", "ভাষায়", "উইকিপিডিয়া", "রয়েছে" });
  79   }
  80
  81   public void testFarsi() throws Exception {
  82     BaseTokenStreamTestCase.assertAnalyzesTo(a, "ویکی پدیای انگلیسی در تاریخ ۲۵ دی ۱۳۷۹ به صورت مکملی برای دانشنامهٔ تخصصی نوپدیا نوشته شد.",
  83         new String[] { "ویکی", "پدیای", "انگلیسی", "در", "تاریخ", "۲۵", "دی", "۱۳۷۹", "به", "صورت", "مکملی",
  84         "برای", "دانشنامهٔ", "تخصصی", "نوپدیا", "نوشته", "شد" });
  85   }
  86
  87   public void testGreek() throws Exception {
  88     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.",
  89         new String[] { "Γράφεται", "σε", "συνεργασία", "από", "εθελοντές", "με", "το", "λογισμικό", "wiki", "κάτι", "που",
  90         "σημαίνει", "ότι", "άρθρα", "μπορεί", "να", "προστεθούν", "ή", "να", "αλλάξουν", "από", "τον", "καθένα" });
  91   }
  92
  93   public void testThai() throws Exception {
  94     BaseTokenStreamTestCase.assertAnalyzesTo(a, "การที่ได้ต้องแสดงว่างานดี. แล้วเธอจะไปไหน? ๑๒๓๔",
  95         new String[] { "การที่ได้ต้องแสดงว่างานดี", "แล้วเธอจะไปไหน", "๑๒๓๔" });
  96   }
  97
  98   public void testLao() throws Exception {
  99     BaseTokenStreamTestCase.assertAnalyzesTo(a, "ສາທາລະນະລັດ ປະຊາທິປະໄຕ ປະຊາຊົນລາວ",
 100         new String[] { "ສາທາລະນະລັດ", "ປະຊາທິປະໄຕ", "ປະຊາຊົນລາວ" });
 101   }
 102
 103   public void testTibetan() throws Exception {
 104     BaseTokenStreamTestCase.assertAnalyzesTo(a, "སྣོན་མཛོད་དང་ལས་འདིས་བོད་ཡིག་མི་ཉམས་གོང་འཕེལ་དུ་གཏོང་བར་ཧ་ཅང་དགེ་མཚན་མཆིས་སོ། །",
 105                      new String[] { "སྣོན", "མཛོད", "དང", "ལས", "འདིས", "བོད", "ཡིག",
 106                                     "མི", "ཉམས", "གོང", "འཕེལ", "དུ", "གཏོང", "བར",
 107                                     "ཧ", "ཅང", "དགེ", "མཚན", "མཆིས", "སོ" });
 108   }
 109
 110   /*
 111    * For chinese, tokenize as char (these can later form bigrams or whatever)
 112    */
 113   public void testChinese() throws Exception {
 114     BaseTokenStreamTestCase.assertAnalyzesTo(a, "我是中国人。 １２３４ Ｔｅｓｔｓ ",
 115         new String[] { "我", "是", "中", "国", "人", "１２３４", "Ｔｅｓｔｓ"});
 116   }
 117
 118   public void testEmpty() throws Exception {
 119     BaseTokenStreamTestCase.assertAnalyzesTo(a, "", new String[] {});
 120     BaseTokenStreamTestCase.assertAnalyzesTo(a, ".", new String[] {});
 121     BaseTokenStreamTestCase.assertAnalyzesTo(a, " ", new String[] {});
 122   }
 123
 124   /* test various jira issues this analyzer is related to */
 125
 126   public void testLUCENE1545() throws Exception {
 127     /*
 128      * Standard analyzer does not correctly tokenize combining character U+0364 COMBINING LATIN SMALL LETTRE E.
 129      * The word "moͤchte" is incorrectly tokenized into "mo" "chte", the combining character is lost.
 130      * Expected result is only on token "moͤchte".
 131      */
 132     BaseTokenStreamTestCase.assertAnalyzesTo(a, "moͤchte", new String[] { "moͤchte" });
 133   }
 134
 135   /* Tests from StandardAnalyzer, just to show behavior is similar */
 136   public void testAlphanumericSA() throws Exception {
 137     // alphanumeric tokens
 138     BaseTokenStreamTestCase.assertAnalyzesTo(a, "B2B", new String[]{"B2B"});
 139     BaseTokenStreamTestCase.assertAnalyzesTo(a, "2B", new String[]{"2B"});
 140   }
 141
 142   public void testDelimitersSA() throws Exception {
 143     // other delimiters: "-", "/", ","
 144     BaseTokenStreamTestCase.assertAnalyzesTo(a, "some-dashed-phrase", new String[]{"some", "dashed", "phrase"});
 145     BaseTokenStreamTestCase.assertAnalyzesTo(a, "dogs,chase,cats", new String[]{"dogs", "chase", "cats"});
 146     BaseTokenStreamTestCase.assertAnalyzesTo(a, "ac/dc", new String[]{"ac", "dc"});
 147   }
 148
 149   public void testApostrophesSA() throws Exception {
 150     // internal apostrophes: O'Reilly, you're, O'Reilly's
 151     BaseTokenStreamTestCase.assertAnalyzesTo(a, "O'Reilly", new String[]{"O'Reilly"});
 152     BaseTokenStreamTestCase.assertAnalyzesTo(a, "you're", new String[]{"you're"});
 153     BaseTokenStreamTestCase.assertAnalyzesTo(a, "she's", new String[]{"she's"});
 154     BaseTokenStreamTestCase.assertAnalyzesTo(a, "Jim's", new String[]{"Jim's"});
 155     BaseTokenStreamTestCase.assertAnalyzesTo(a, "don't", new String[]{"don't"});
 156     BaseTokenStreamTestCase.assertAnalyzesTo(a, "O'Reilly's", new String[]{"O'Reilly's"});
 157   }
 158
 159   public void testNumericSA() throws Exception {
 160     // floating point, serial, model numbers, ip addresses, etc.
 161     BaseTokenStreamTestCase.assertAnalyzesTo(a, "21.35", new String[]{"21.35"});
 162     BaseTokenStreamTestCase.assertAnalyzesTo(a, "R2D2 C3PO", new String[]{"R2D2", "C3PO"});
 163     BaseTokenStreamTestCase.assertAnalyzesTo(a, "216.239.63.104", new String[]{"216.239.63.104"});
 164     BaseTokenStreamTestCase.assertAnalyzesTo(a, "216.239.63.104", new String[]{"216.239.63.104"});
 165   }
 166
 167   public void testTextWithNumbersSA() throws Exception {
 168     // numbers
 169     BaseTokenStreamTestCase.assertAnalyzesTo(a, "David has 5000 bones", new String[]{"David", "has", "5000", "bones"});
 170   }
 171
 172   public void testVariousTextSA() throws Exception {
 173     // various
 174     BaseTokenStreamTestCase.assertAnalyzesTo(a, "C embedded developers wanted", new String[]{"C", "embedded", "developers", "wanted"});
 175     BaseTokenStreamTestCase.assertAnalyzesTo(a, "foo bar FOO BAR", new String[]{"foo", "bar", "FOO", "BAR"});
 176     BaseTokenStreamTestCase.assertAnalyzesTo(a, "foo      bar .  FOO <> BAR", new String[]{"foo", "bar", "FOO", "BAR"});
 177     BaseTokenStreamTestCase.assertAnalyzesTo(a, "\"QUOTED\" word", new String[]{"QUOTED", "word"});
 178   }
 179
 180   public void testKoreanSA() throws Exception {
 181     // Korean words
 182     BaseTokenStreamTestCase.assertAnalyzesTo(a, "안녕하세요 한글입니다", new String[]{"안녕하세요", "한글입니다"});
 183   }
 184
 185   public void testOffsets() throws Exception {
 186     BaseTokenStreamTestCase.assertAnalyzesTo(a, "David has 5000 bones",
 187         new String[] {"David", "has", "5000", "bones"},
 188         new int[] {0, 6, 10, 15},
 189         new int[] {5, 9, 14, 20});
 190   }
 191
 192   public void testTypes() throws Exception {
 193     BaseTokenStreamTestCase.assertAnalyzesTo(a, "David has 5000 bones",
 194         new String[] {"David", "has", "5000", "bones"},
 195         new String[] { "<ALPHANUM>", "<ALPHANUM>", "<NUM>", "<ALPHANUM>" });
 196   }
 197
 198   public void testUnicodeWordBreaks() throws Exception {
 199     WordBreakTestUnicode_6_0_0 wordBreakTest = new WordBreakTestUnicode_6_0_0();
 200     wordBreakTest.test(a);
 201   }
 202
 203   public void testSupplementary() throws Exception {
 204     BaseTokenStreamTestCase.assertAnalyzesTo(a, "𩬅艱鍟䇹愯瀛",
 205         new String[] {"𩬅", "艱", "鍟", "䇹", "愯", "瀛"},
 206         new String[] { "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<IDEOGRAPHIC>" });
 207   }
 208
 209   public void testKorean() throws Exception {
 210     BaseTokenStreamTestCase.assertAnalyzesTo(a, "훈민정음",
 211         new String[] { "훈민정음" },
 212         new String[] { "<HANGUL>" });
 213   }
 214
 215   public void testJapanese() throws Exception {
 216     BaseTokenStreamTestCase.assertAnalyzesTo(a, "仮名遣い カタカナ",
 217         new String[] { "仮", "名", "遣", "い", "カタカナ" },
 218         new String[] { "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<HIRAGANA>", "<KATAKANA>" });
 219   }
 220
 221   public void testCombiningMarks() throws Exception {
 222     checkOneTerm(a, "ざ", "ざ"); // hiragana
 223     checkOneTerm(a, "ザ", "ザ"); // katakana
 224     checkOneTerm(a, "壹゙", "壹゙"); // ideographic
 225     checkOneTerm(a, "아゙",  "아゙"); // hangul
 226   }
 227
 228   /** @deprecated remove this and sophisticated backwards layer in 5.0 */
 229   @Deprecated
 230   public void testCombiningMarksBackwards() throws Exception {
 231     Analyzer a = new StandardAnalyzer(Version.LUCENE_33);
 232     checkOneTerm(a, "ざ", "さ"); // hiragana Bug
 233     checkOneTerm(a, "ザ", "ザ"); // katakana Works
 234     checkOneTerm(a, "壹゙", "壹"); // ideographic Bug
 235     checkOneTerm(a, "아゙",  "아゙"); // hangul Works
 236   }
 237
 238   /** blast some random strings through the analyzer */
 239   public void testRandomStrings() throws Exception {
 240     checkRandomData(random, new StandardAnalyzer(TEST_VERSION_CURRENT), 10000*RANDOM_MULTIPLIER);
 241   }
 242 }