lucene-java-3.5.0/lucene/contrib/analyzers/common/src/test/org/apache/lucene/analysis/hi/TestHindiNormalizer.java

   1 package org.apache.lucene.analysis.hi;
   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.StringReader;
  22
  23 import org.apache.lucene.analysis.BaseTokenStreamTestCase;
  24 import org.apache.lucene.analysis.MockTokenizer;
  25 import org.apache.lucene.analysis.TokenFilter;
  26 import org.apache.lucene.analysis.Tokenizer;
  27
  28 /**
  29  * Test HindiNormalizer
  30  */
  31 public class TestHindiNormalizer extends BaseTokenStreamTestCase {
  32   /**
  33    * Test some basic normalization, with an example from the paper.
  34    */
  35   public void testBasics() throws IOException {
  36     check("अँगरेज़ी", "अंगरेजि");
  37     check("अँगरेजी", "अंगरेजि");
  38     check("अँग्रेज़ी", "अंगरेजि");
  39     check("अँग्रेजी", "अंगरेजि");
  40     check("अंगरेज़ी", "अंगरेजि");
  41     check("अंगरेजी", "अंगरेजि");
  42     check("अंग्रेज़ी", "अंगरेजि");
  43     check("अंग्रेजी", "अंगरेजि");
  44   }
  45
  46   public void testDecompositions() throws IOException {
  47     // removing nukta dot
  48     check("क़िताब", "किताब");
  49     check("फ़र्ज़", "फरज");
  50     check("क़र्ज़", "करज");
  51     // some other composed nukta forms
  52     check("ऱऴख़ग़ड़ढ़य़", "रळखगडढय");
  53     // removal of format (ZWJ/ZWNJ)
  54     check("शार्‍मा", "शारमा");
  55     check("शार्‌मा", "शारमा");
  56     // removal of chandra
  57     check("ॅॆॉॊऍऎऑऒ\u0972", "ेेोोएएओओअ");
  58     // vowel shortening
  59     check("आईऊॠॡऐऔीूॄॣैौ", "अइउऋऌएओिुृॢेो");
  60   }
  61   private void check(String input, String output) throws IOException {
  62     Tokenizer tokenizer = new MockTokenizer(new StringReader(input), MockTokenizer.WHITESPACE, false);
  63     TokenFilter tf = new HindiNormalizationFilter(tokenizer);
  64     assertTokenStreamContents(tf, new String[] { output });
  65   }
  66 }