pylucene 3.5.0-3
[pylucene.git] / lucene-java-3.4.0 / lucene / contrib / icu / src / java / org / apache / lucene / analysis / icu / segmentation / DefaultICUTokenizerConfig.java
diff --git a/lucene-java-3.4.0/lucene/contrib/icu/src/java/org/apache/lucene/analysis/icu/segmentation/DefaultICUTokenizerConfig.java b/lucene-java-3.4.0/lucene/contrib/icu/src/java/org/apache/lucene/analysis/icu/segmentation/DefaultICUTokenizerConfig.java
deleted file mode 100644 (file)
index ecff824..0000000
+++ /dev/null
@@ -1,118 +0,0 @@
-package org.apache.lucene.analysis.icu.segmentation;
-
-/**
- * Licensed to the Apache Software Foundation (ASF) under one or more
- * contributor license agreements.  See the NOTICE file distributed with
- * this work for additional information regarding copyright ownership.
- * The ASF licenses this file to You under the Apache License, Version 2.0
- * (the "License"); you may not use this file except in compliance with
- * the License.  You may obtain a copy of the License at
- *
- *     http://www.apache.org/licenses/LICENSE-2.0
- *
- * Unless required by applicable law or agreed to in writing, software
- * distributed under the License is distributed on an "AS IS" BASIS,
- * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
- * See the License for the specific language governing permissions and
- * limitations under the License.
- */
-
-import java.io.IOException;
-import java.io.InputStream;
-
-import org.apache.lucene.analysis.standard.StandardTokenizer;
-
-import com.ibm.icu.lang.UScript;
-import com.ibm.icu.text.BreakIterator;
-import com.ibm.icu.text.RuleBasedBreakIterator;
-import com.ibm.icu.util.ULocale;
-
-/**
- * Default {@link ICUTokenizerConfig} that is generally applicable
- * to many languages.
- * <p>
- * Generally tokenizes Unicode text according to UAX#29 
- * ({@link BreakIterator#getWordInstance(ULocale) BreakIterator.getWordInstance(ULocale.ROOT)}), 
- * but with the following tailorings:
- * <ul>
- *   <li>Thai text is broken into words with a 
- *   {@link com.ibm.icu.text.DictionaryBasedBreakIterator}
- *   <li>Lao, Myanmar, and Khmer text is broken into syllables
- *   based on custom BreakIterator rules.
- *   <li>Hebrew text has custom tailorings to handle special cases
- *   involving punctuation.
- * </ul>
- * @lucene.experimental
- */
-public class DefaultICUTokenizerConfig extends ICUTokenizerConfig {
-  /** Token type for words containing ideographic characters */
-  public static final String WORD_IDEO = StandardTokenizer.TOKEN_TYPES[StandardTokenizer.IDEOGRAPHIC];
-  /** Token type for words containing Japanese hiragana */
-  public static final String WORD_HIRAGANA = StandardTokenizer.TOKEN_TYPES[StandardTokenizer.HIRAGANA];
-  /** Token type for words containing Japanese katakana */
-  public static final String WORD_KATAKANA = StandardTokenizer.TOKEN_TYPES[StandardTokenizer.KATAKANA];
-  /** Token type for words containing Korean hangul  */
-  public static final String WORD_HANGUL = StandardTokenizer.TOKEN_TYPES[StandardTokenizer.HANGUL];
-  /** Token type for words that contain letters */
-  public static final String WORD_LETTER = StandardTokenizer.TOKEN_TYPES[StandardTokenizer.ALPHANUM];
-  /** Token type for words that appear to be numbers */
-  public static final String WORD_NUMBER = StandardTokenizer.TOKEN_TYPES[StandardTokenizer.NUM];
-  
-  /*
-   * the default breakiterators in use. these can be expensive to
-   * instantiate, cheap to clone.
-   */  
-  private static final BreakIterator rootBreakIterator = 
-    readBreakIterator("Default.brk");
-  private static final BreakIterator thaiBreakIterator = 
-    BreakIterator.getWordInstance(new ULocale("th_TH"));
-  private static final BreakIterator hebrewBreakIterator = 
-    readBreakIterator("Hebrew.brk");
-  private static final BreakIterator khmerBreakIterator = 
-    readBreakIterator("Khmer.brk");
-  private static final BreakIterator laoBreakIterator = 
-    new LaoBreakIterator(readBreakIterator("Lao.brk"));
-  private static final BreakIterator myanmarBreakIterator = 
-    readBreakIterator("Myanmar.brk");
-  
-  @Override
-  public BreakIterator getBreakIterator(int script) {
-    switch(script) {
-      case UScript.THAI: return (BreakIterator)thaiBreakIterator.clone();
-      case UScript.HEBREW: return (BreakIterator)hebrewBreakIterator.clone();
-      case UScript.KHMER: return (BreakIterator)khmerBreakIterator.clone();
-      case UScript.LAO: return (BreakIterator)laoBreakIterator.clone();
-      case UScript.MYANMAR: return (BreakIterator)myanmarBreakIterator.clone();
-      default: return (BreakIterator)rootBreakIterator.clone();
-    }
-  }
-
-  @Override
-  public String getType(int script, int ruleStatus) {
-    switch (ruleStatus) {
-      case RuleBasedBreakIterator.WORD_IDEO:
-        return WORD_IDEO;
-      case RuleBasedBreakIterator.WORD_KANA:
-        return script == UScript.HIRAGANA ? WORD_HIRAGANA : WORD_KATAKANA;
-      case RuleBasedBreakIterator.WORD_LETTER:
-        return script == UScript.HANGUL ? WORD_HANGUL : WORD_LETTER;
-      case RuleBasedBreakIterator.WORD_NUMBER:
-        return WORD_NUMBER;
-      default: /* some other custom code */
-        return "<OTHER>";
-    }
-  }
-
-  private static RuleBasedBreakIterator readBreakIterator(String filename) {
-    InputStream is = 
-      DefaultICUTokenizerConfig.class.getResourceAsStream(filename);
-    try {
-      RuleBasedBreakIterator bi = 
-        RuleBasedBreakIterator.getInstanceFromCompiledRules(is);
-      is.close();
-      return bi;
-    } catch (IOException e) {
-      throw new RuntimeException(e);
-    }
-  }
-}