~slub.team/goobi-indexserver/3.x

« back to all changes in this revision

Viewing changes to lucene/src/test/org/apache/lucene/analysis/TestUAX29URLEmailTokenizer.java

  • Committer: Sebastian Meyer
  • Date: 2012-08-03 09:12:40 UTC
  • Revision ID: sebastian.meyer@slub-dresden.de-20120803091240-x6861b0vabq1xror
Remove Lucene and Solr source code and add patches instead
Fix Bug #985487: Auto-suggestion for the search interface

Show diffs side-by-side

added added

removed removed

Lines of Context:
1
 
package org.apache.lucene.analysis;
2
 
 
3
 
import org.apache.lucene.analysis.standard.StandardAnalyzer;
4
 
import org.apache.lucene.analysis.standard.UAX29URLEmailTokenizer;
5
 
import org.apache.lucene.analysis.tokenattributes.TypeAttribute;
6
 
import org.apache.lucene.util.Version;
7
 
 
8
 
import java.io.BufferedReader;
9
 
import java.io.IOException;
10
 
import java.io.InputStreamReader;
11
 
import java.io.Reader;
12
 
import java.io.StringReader;
13
 
import java.util.ArrayList;
14
 
import java.util.Arrays;
15
 
import java.util.List;
16
 
 
17
 
/**
18
 
 * Licensed to the Apache Software Foundation (ASF) under one or more
19
 
 * contributor license agreements.  See the NOTICE file distributed with
20
 
 * this work for additional information regarding copyright ownership.
21
 
 * The ASF licenses this file to You under the Apache License, Version 2.0
22
 
 * (the "License"); you may not use this file except in compliance with
23
 
 * the License.  You may obtain a copy of the License at
24
 
 *
25
 
 *     http://www.apache.org/licenses/LICENSE-2.0
26
 
 *
27
 
 * Unless required by applicable law or agreed to in writing, software
28
 
 * distributed under the License is distributed on an "AS IS" BASIS,
29
 
 * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
30
 
 * See the License for the specific language governing permissions and
31
 
 * limitations under the License.
32
 
 */
33
 
 
34
 
public class TestUAX29URLEmailTokenizer extends BaseTokenStreamTestCase {
35
 
  
36
 
  public void testHugeDoc() throws IOException {
37
 
    StringBuilder sb = new StringBuilder();
38
 
    char whitespace[] = new char[4094];
39
 
    Arrays.fill(whitespace, ' ');
40
 
    sb.append(whitespace);
41
 
    sb.append("testing 1234");
42
 
    String input = sb.toString();
43
 
    UAX29URLEmailTokenizer tokenizer = new UAX29URLEmailTokenizer(TEST_VERSION_CURRENT, new StringReader(input));
44
 
    BaseTokenStreamTestCase.assertTokenStreamContents(tokenizer, new String[] { "testing", "1234" });
45
 
  }
46
 
 
47
 
  private Analyzer a = new ReusableAnalyzerBase() {
48
 
    @Override
49
 
    protected TokenStreamComponents createComponents
50
 
      (String fieldName, Reader reader) {
51
 
 
52
 
      Tokenizer tokenizer = new UAX29URLEmailTokenizer(TEST_VERSION_CURRENT, reader);
53
 
      return new TokenStreamComponents(tokenizer);
54
 
    }
55
 
  };
56
 
 
57
 
 
58
 
  /** Passes through tokens with type "<URL>" and blocks all other types. */
59
 
  private class URLFilter extends TokenFilter {
60
 
    private final TypeAttribute typeAtt = addAttribute(TypeAttribute.class);
61
 
    public URLFilter(TokenStream in) {
62
 
      super(in);
63
 
    }
64
 
    @Override
65
 
    public final boolean incrementToken() throws java.io.IOException {
66
 
      boolean isTokenAvailable = false;
67
 
      while (input.incrementToken()) {
68
 
        if (typeAtt.type() == UAX29URLEmailTokenizer.TOKEN_TYPES[UAX29URLEmailTokenizer.URL]) {
69
 
          isTokenAvailable = true;
70
 
          break;
71
 
        }
72
 
      }
73
 
      return isTokenAvailable;
74
 
    }
75
 
  }
76
 
  
77
 
  /** Passes through tokens with type "<EMAIL>" and blocks all other types. */
78
 
  private class EmailFilter extends TokenFilter {
79
 
    private final TypeAttribute typeAtt = addAttribute(TypeAttribute.class);
80
 
    public EmailFilter(TokenStream in) {
81
 
      super(in);
82
 
    }
83
 
    @Override
84
 
    public final boolean incrementToken() throws java.io.IOException {
85
 
      boolean isTokenAvailable = false;
86
 
      while (input.incrementToken()) {
87
 
        if (typeAtt.type() == UAX29URLEmailTokenizer.TOKEN_TYPES[UAX29URLEmailTokenizer.EMAIL]) {
88
 
          isTokenAvailable = true;
89
 
          break;
90
 
        }
91
 
      }
92
 
      return isTokenAvailable;
93
 
    }
94
 
  }
95
 
 
96
 
  private Analyzer urlAnalyzer = new ReusableAnalyzerBase() {
97
 
    @Override
98
 
    protected TokenStreamComponents createComponents(String fieldName, Reader reader) {
99
 
      UAX29URLEmailTokenizer tokenizer = new UAX29URLEmailTokenizer(TEST_VERSION_CURRENT, reader);
100
 
      tokenizer.setMaxTokenLength(Integer.MAX_VALUE);  // Tokenize arbitrary length URLs
101
 
      TokenFilter filter = new URLFilter(tokenizer);
102
 
      return new TokenStreamComponents(tokenizer, filter);
103
 
    }
104
 
  };
105
 
 
106
 
  private Analyzer emailAnalyzer = new ReusableAnalyzerBase() {
107
 
    @Override
108
 
    protected TokenStreamComponents createComponents(String fieldName, Reader reader) {
109
 
      UAX29URLEmailTokenizer tokenizer = new UAX29URLEmailTokenizer(TEST_VERSION_CURRENT, reader);
110
 
      TokenFilter filter = new EmailFilter(tokenizer);
111
 
      return new TokenStreamComponents(tokenizer, filter);
112
 
    }
113
 
  };
114
 
  
115
 
  
116
 
  public void testArmenian() throws Exception {
117
 
    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։",
118
 
        new String[] { "Վիքիպեդիայի", "13", "միլիոն", "հոդվածները", "4,600", "հայերեն", "վիքիպեդիայում", "գրվել", "են", "կամավորների", "կողմից", 
119
 
        "ու", "համարյա", "բոլոր", "հոդվածները", "կարող", "է", "խմբագրել", "ցանկաց", "մարդ", "ով", "կարող", "է", "բացել", "Վիքիպեդիայի", "կայքը" } );
120
 
  }
121
 
  
122
 
  public void testAmharic() throws Exception {
123
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "ዊኪፔድያ የባለ ብዙ ቋንቋ የተሟላ ትክክለኛና ነጻ መዝገበ ዕውቀት (ኢንሳይክሎፒዲያ) ነው። ማንኛውም",
124
 
        new String[] { "ዊኪፔድያ", "የባለ", "ብዙ", "ቋንቋ", "የተሟላ", "ትክክለኛና", "ነጻ", "መዝገበ", "ዕውቀት", "ኢንሳይክሎፒዲያ", "ነው", "ማንኛውም" } );
125
 
  }
126
 
  
127
 
  public void testArabic() throws Exception {
128
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "الفيلم الوثائقي الأول عن ويكيبيديا يسمى \"الحقيقة بالأرقام: قصة ويكيبيديا\" (بالإنجليزية: Truth in Numbers: The Wikipedia Story)، سيتم إطلاقه في 2008.",
129
 
        new String[] { "الفيلم", "الوثائقي", "الأول", "عن", "ويكيبيديا", "يسمى", "الحقيقة", "بالأرقام", "قصة", "ويكيبيديا",
130
 
        "بالإنجليزية", "Truth", "in", "Numbers", "The", "Wikipedia", "Story", "سيتم", "إطلاقه", "في", "2008" } ); 
131
 
  }
132
 
  
133
 
  public void testAramaic() throws Exception {
134
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "ܘܝܩܝܦܕܝܐ (ܐܢܓܠܝܐ: Wikipedia) ܗܘ ܐܝܢܣܩܠܘܦܕܝܐ ܚܐܪܬܐ ܕܐܢܛܪܢܛ ܒܠܫܢ̈ܐ ܣܓܝܐ̈ܐ܂ ܫܡܗ ܐܬܐ ܡܢ ܡ̈ܠܬܐ ܕ\"ܘܝܩܝ\" ܘ\"ܐܝܢܣܩܠܘܦܕܝܐ\"܀",
135
 
        new String[] { "ܘܝܩܝܦܕܝܐ", "ܐܢܓܠܝܐ", "Wikipedia", "ܗܘ", "ܐܝܢܣܩܠܘܦܕܝܐ", "ܚܐܪܬܐ", "ܕܐܢܛܪܢܛ", "ܒܠܫܢ̈ܐ", "ܣܓܝܐ̈ܐ", "ܫܡܗ",
136
 
        "ܐܬܐ", "ܡܢ", "ܡ̈ܠܬܐ", "ܕ", "ܘܝܩܝ", "ܘ", "ܐܝܢܣܩܠܘܦܕܝܐ"});
137
 
  }
138
 
  
139
 
  public void testBengali() throws Exception {
140
 
    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।",
141
 
        new String[] { "এই", "বিশ্বকোষ", "পরিচালনা", "করে", "উইকিমিডিয়া", "ফাউন্ডেশন", "একটি", "অলাভজনক", "সংস্থা", "উইকিপিডিয়ার",
142
 
        "শুরু", "১৫", "জানুয়ারি", "২০০১", "সালে", "এখন", "পর্যন্ত", "২০০টিরও", "বেশী", "ভাষায়", "উইকিপিডিয়া", "রয়েছে" });
143
 
  }
144
 
  
145
 
  public void testFarsi() throws Exception {
146
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "ویکی پدیای انگلیسی در تاریخ ۲۵ دی ۱۳۷۹ به صورت مکملی برای دانشنامهٔ تخصصی نوپدیا نوشته شد.",
147
 
        new String[] { "ویکی", "پدیای", "انگلیسی", "در", "تاریخ", "۲۵", "دی", "۱۳۷۹", "به", "صورت", "مکملی",
148
 
        "برای", "دانشنامهٔ", "تخصصی", "نوپدیا", "نوشته", "شد" });
149
 
  }
150
 
  
151
 
  public void testGreek() throws Exception {
152
 
    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.",
153
 
        new String[] { "Γράφεται", "σε", "συνεργασία", "από", "εθελοντές", "με", "το", "λογισμικό", "wiki", "κάτι", "που",
154
 
        "σημαίνει", "ότι", "άρθρα", "μπορεί", "να", "προστεθούν", "ή", "να", "αλλάξουν", "από", "τον", "καθένα" });
155
 
  }
156
 
 
157
 
  public void testThai() throws Exception {
158
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "การที่ได้ต้องแสดงว่างานดี. แล้วเธอจะไปไหน? ๑๒๓๔",
159
 
        new String[] { "การที่ได้ต้องแสดงว่างานดี", "แล้วเธอจะไปไหน", "๑๒๓๔" });
160
 
  }
161
 
  
162
 
  public void testLao() throws Exception {
163
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "ສາທາລະນະລັດ ປະຊາທິປະໄຕ ປະຊາຊົນລາວ", 
164
 
        new String[] { "ສາທາລະນະລັດ", "ປະຊາທິປະໄຕ", "ປະຊາຊົນລາວ" });
165
 
  }
166
 
  
167
 
  public void testTibetan() throws Exception {
168
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "སྣོན་མཛོད་དང་ལས་འདིས་བོད་ཡིག་མི་ཉམས་གོང་འཕེལ་དུ་གཏོང་བར་ཧ་ཅང་དགེ་མཚན་མཆིས་སོ། །",
169
 
                     new String[] { "སྣོན", "མཛོད", "དང", "ལས", "འདིས", "བོད", "ཡིག", 
170
 
                                    "མི", "ཉམས", "གོང", "འཕེལ", "དུ", "གཏོང", "བར", 
171
 
                                    "ཧ", "ཅང", "དགེ", "མཚན", "མཆིས", "སོ" });
172
 
  }
173
 
  
174
 
  /*
175
 
   * For chinese, tokenize as char (these can later form bigrams or whatever)
176
 
   */
177
 
  public void testChinese() throws Exception {
178
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "我是中国人。 1234 Tests ",
179
 
        new String[] { "我", "是", "中", "国", "人", "1234", "Tests"});
180
 
  }
181
 
  
182
 
  public void testEmpty() throws Exception {
183
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "", new String[] {});
184
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, ".", new String[] {});
185
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, " ", new String[] {});
186
 
  }
187
 
  
188
 
  /* test various jira issues this analyzer is related to */
189
 
  
190
 
  public void testLUCENE1545() throws Exception {
191
 
    /*
192
 
     * Standard analyzer does not correctly tokenize combining character U+0364 COMBINING LATIN SMALL LETTRE E.
193
 
     * The word "moͤchte" is incorrectly tokenized into "mo" "chte", the combining character is lost.
194
 
     * Expected result is only on token "moͤchte".
195
 
     */
196
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "moͤchte", new String[] { "moͤchte" }); 
197
 
  }
198
 
  
199
 
  /* Tests from StandardAnalyzer, just to show behavior is similar */
200
 
  public void testAlphanumericSA() throws Exception {
201
 
    // alphanumeric tokens
202
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "B2B", new String[]{"B2B"});
203
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "2B", new String[]{"2B"});
204
 
  }
205
 
 
206
 
  public void testDelimitersSA() throws Exception {
207
 
    // other delimiters: "-", "/", ","
208
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "some-dashed-phrase", new String[]{"some", "dashed", "phrase"});
209
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "dogs,chase,cats", new String[]{"dogs", "chase", "cats"});
210
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "ac/dc", new String[]{"ac", "dc"});
211
 
  }
212
 
 
213
 
  public void testApostrophesSA() throws Exception {
214
 
    // internal apostrophes: O'Reilly, you're, O'Reilly's
215
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "O'Reilly", new String[]{"O'Reilly"});
216
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "you're", new String[]{"you're"});
217
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "she's", new String[]{"she's"});
218
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "Jim's", new String[]{"Jim's"});
219
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "don't", new String[]{"don't"});
220
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "O'Reilly's", new String[]{"O'Reilly's"});
221
 
  }
222
 
 
223
 
  public void testNumericSA() throws Exception {
224
 
    // floating point, serial, model numbers, ip addresses, etc.
225
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "21.35", new String[]{"21.35"});
226
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "R2D2 C3PO", new String[]{"R2D2", "C3PO"});
227
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "216.239.63.104", new String[]{"216.239.63.104"});
228
 
  }
229
 
 
230
 
  public void testTextWithNumbersSA() throws Exception {
231
 
    // numbers
232
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "David has 5000 bones", new String[]{"David", "has", "5000", "bones"});
233
 
  }
234
 
 
235
 
  public void testVariousTextSA() throws Exception {
236
 
    // various
237
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "C embedded developers wanted", new String[]{"C", "embedded", "developers", "wanted"});
238
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "foo bar FOO BAR", new String[]{"foo", "bar", "FOO", "BAR"});
239
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "foo      bar .  FOO <> BAR", new String[]{"foo", "bar", "FOO", "BAR"});
240
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "\"QUOTED\" word", new String[]{"QUOTED", "word"});
241
 
  }
242
 
 
243
 
  public void testKoreanSA() throws Exception {
244
 
    // Korean words
245
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "안녕하세요 한글입니다", new String[]{"안녕하세요", "한글입니다"});
246
 
  }
247
 
  
248
 
  public void testOffsets() throws Exception {
249
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "David has 5000 bones", 
250
 
        new String[] {"David", "has", "5000", "bones"},
251
 
        new int[] {0, 6, 10, 15},
252
 
        new int[] {5, 9, 14, 20});
253
 
  }
254
 
  
255
 
  public void testTypes() throws Exception {
256
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "David has 5000 bones", 
257
 
        new String[] {"David", "has", "5000", "bones"},
258
 
        new String[] { "<ALPHANUM>", "<ALPHANUM>", "<NUM>", "<ALPHANUM>" });
259
 
  }
260
 
  
261
 
  public void testWikiURLs() throws Exception {
262
 
    Reader reader = null;
263
 
    String luceneResourcesWikiPage;
264
 
    try {
265
 
      reader = new InputStreamReader(getClass().getResourceAsStream
266
 
        ("LuceneResourcesWikiPage.html"), "UTF-8");
267
 
      StringBuilder builder = new StringBuilder();
268
 
      char[] buffer = new char[1024];
269
 
      int numCharsRead;
270
 
      while (-1 != (numCharsRead = reader.read(buffer))) {
271
 
        builder.append(buffer, 0, numCharsRead);
272
 
      }
273
 
      luceneResourcesWikiPage = builder.toString(); 
274
 
    } finally {
275
 
      if (null != reader) {
276
 
        reader.close();
277
 
      }
278
 
    }
279
 
    assertTrue(null != luceneResourcesWikiPage 
280
 
               && luceneResourcesWikiPage.length() > 0);
281
 
    BufferedReader bufferedReader = null;
282
 
    String[] urls;
283
 
    try {
284
 
      List<String> urlList = new ArrayList<String>();
285
 
      bufferedReader = new BufferedReader(new InputStreamReader
286
 
        (getClass().getResourceAsStream("LuceneResourcesWikiPageURLs.txt"), "UTF-8"));
287
 
      String line;
288
 
      while (null != (line = bufferedReader.readLine())) {
289
 
        line = line.trim();
290
 
        if (line.length() > 0) {
291
 
          urlList.add(line);
292
 
        }
293
 
      }
294
 
      urls = urlList.toArray(new String[urlList.size()]);
295
 
    } finally {
296
 
      if (null != bufferedReader) {
297
 
        bufferedReader.close();
298
 
      }
299
 
    }
300
 
    assertTrue(null != urls && urls.length > 0);
301
 
    BaseTokenStreamTestCase.assertAnalyzesTo
302
 
      (urlAnalyzer, luceneResourcesWikiPage, urls);
303
 
  }
304
 
  
305
 
  public void testEmails() throws Exception {
306
 
    Reader reader = null;
307
 
    String randomTextWithEmails;
308
 
    try {
309
 
      reader = new InputStreamReader(getClass().getResourceAsStream
310
 
        ("random.text.with.email.addresses.txt"), "UTF-8");
311
 
      StringBuilder builder = new StringBuilder();
312
 
      char[] buffer = new char[1024];
313
 
      int numCharsRead;
314
 
      while (-1 != (numCharsRead = reader.read(buffer))) {
315
 
        builder.append(buffer, 0, numCharsRead);
316
 
      }
317
 
      randomTextWithEmails = builder.toString(); 
318
 
    } finally {
319
 
      if (null != reader) {
320
 
        reader.close();
321
 
      }
322
 
    }
323
 
    assertTrue(null != randomTextWithEmails 
324
 
               && randomTextWithEmails.length() > 0);
325
 
    BufferedReader bufferedReader = null;
326
 
    String[] emails;
327
 
    try {
328
 
      List<String> emailList = new ArrayList<String>();
329
 
      bufferedReader = new BufferedReader(new InputStreamReader
330
 
        (getClass().getResourceAsStream
331
 
          ("email.addresses.from.random.text.with.email.addresses.txt"), "UTF-8"));
332
 
      String line;
333
 
      while (null != (line = bufferedReader.readLine())) {
334
 
        line = line.trim();
335
 
        if (line.length() > 0) {
336
 
          emailList.add(line);
337
 
        }
338
 
      }
339
 
      emails = emailList.toArray(new String[emailList.size()]);
340
 
    } finally {
341
 
      if (null != bufferedReader) {
342
 
        bufferedReader.close();
343
 
      }
344
 
    }
345
 
    assertTrue(null != emails && emails.length > 0);
346
 
    BaseTokenStreamTestCase.assertAnalyzesTo
347
 
      (emailAnalyzer, randomTextWithEmails, emails);
348
 
  }
349
 
 
350
 
  public void testURLs() throws Exception {
351
 
    Reader reader = null;
352
 
    String randomTextWithURLs;
353
 
    try {
354
 
      reader = new InputStreamReader(getClass().getResourceAsStream
355
 
        ("random.text.with.urls.txt"), "UTF-8");
356
 
      StringBuilder builder = new StringBuilder();
357
 
      char[] buffer = new char[1024];
358
 
      int numCharsRead;
359
 
      while (-1 != (numCharsRead = reader.read(buffer))) {
360
 
        builder.append(buffer, 0, numCharsRead);
361
 
      }
362
 
      randomTextWithURLs = builder.toString(); 
363
 
    } finally {
364
 
      if (null != reader) {
365
 
        reader.close();
366
 
      }
367
 
    }
368
 
    assertTrue(null != randomTextWithURLs 
369
 
               && randomTextWithURLs.length() > 0);
370
 
    BufferedReader bufferedReader = null;
371
 
    String[] urls;
372
 
    try {
373
 
      List<String> urlList = new ArrayList<String>();
374
 
      bufferedReader = new BufferedReader(new InputStreamReader
375
 
        (getClass().getResourceAsStream
376
 
          ("urls.from.random.text.with.urls.txt"), "UTF-8"));
377
 
      String line;
378
 
      while (null != (line = bufferedReader.readLine())) {
379
 
        line = line.trim();
380
 
        if (line.length() > 0) {
381
 
          urlList.add(line);
382
 
        }
383
 
      }
384
 
      urls = urlList.toArray(new String[urlList.size()]);
385
 
    } finally {
386
 
      if (null != bufferedReader) {
387
 
        bufferedReader.close();
388
 
      }
389
 
    }
390
 
    assertTrue(null != urls && urls.length > 0);
391
 
    BaseTokenStreamTestCase.assertAnalyzesTo
392
 
      (urlAnalyzer, randomTextWithURLs, urls);
393
 
  }
394
 
 
395
 
  public void testUnicodeWordBreaks() throws Exception {
396
 
    WordBreakTestUnicode_6_0_0 wordBreakTest = new WordBreakTestUnicode_6_0_0();
397
 
    wordBreakTest.test(a);
398
 
  }
399
 
  
400
 
  public void testSupplementary() throws Exception {
401
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "𩬅艱鍟䇹愯瀛", 
402
 
        new String[] {"𩬅", "艱", "鍟", "䇹", "愯", "瀛"},
403
 
        new String[] { "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<IDEOGRAPHIC>" });
404
 
  }
405
 
  
406
 
  public void testKorean() throws Exception {
407
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "훈민정음",
408
 
        new String[] { "훈민정음" },
409
 
        new String[] { "<HANGUL>" });
410
 
  }
411
 
  
412
 
  public void testJapanese() throws Exception {
413
 
    BaseTokenStreamTestCase.assertAnalyzesTo(a, "仮名遣い カタカナ",
414
 
        new String[] { "仮", "名", "遣", "い", "カタカナ" },
415
 
        new String[] { "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<IDEOGRAPHIC>", "<HIRAGANA>", "<KATAKANA>" });
416
 
  }
417
 
 
418
 
  public void testCombiningMarks() throws Exception {
419
 
    checkOneTerm(a, "ざ", "ざ"); // hiragana
420
 
    checkOneTerm(a, "ザ", "ザ"); // katakana
421
 
    checkOneTerm(a, "壹゙", "壹゙"); // ideographic
422
 
    checkOneTerm(a, "아゙",  "아゙"); // hangul
423
 
  }
424
 
 
425
 
  /** @deprecated remove this and sophisticated backwards layer in 5.0 */
426
 
  @Deprecated
427
 
  public void testCombiningMarksBackwards() throws Exception {
428
 
    Analyzer a = new ReusableAnalyzerBase() {
429
 
      @Override
430
 
      protected TokenStreamComponents createComponents
431
 
        (String fieldName, Reader reader) {
432
 
 
433
 
        Tokenizer tokenizer = new UAX29URLEmailTokenizer(reader);
434
 
        return new TokenStreamComponents(tokenizer);
435
 
      }
436
 
    };
437
 
    checkOneTerm(a, "ざ", "さ"); // hiragana Bug
438
 
    checkOneTerm(a, "ザ", "ザ"); // katakana Works
439
 
    checkOneTerm(a, "壹゙", "壹"); // ideographic Bug
440
 
    checkOneTerm(a, "아゙",  "아゙"); // hangul Works
441
 
  }
442
 
 
443
 
  /** blast some random strings through the analyzer */
444
 
  public void testRandomStrings() throws Exception {
445
 
    checkRandomData(random, a, 10000*RANDOM_MULTIPLIER);
446
 
  }
447
 
}