← Back to branch summary

~ubuntu-branches/ubuntu/trusty/pylucene/trusty

« back to all changes in this revision

Viewing changes to lucene-java-3.5.0/lucene/contrib/analyzers/smartcn/src/java/org/apache/lucene/analysis/cn/smart/WordTokenFilter.java

  • Committer: Package Import Robot
  • Author(s): Dmitry Nezhevenko
  • Date: 2012-04-23 16:43:55 UTC
  • mfrom: (1.1.1)
  • Revision ID: package-import@ubuntu.com-20120423164355-grqtepnwtecdjfk2
Tags: 3.5.0-1
http://bugs.debian.org/670179
http://bugs.debian.org/581198
http://bugs.debian.org/632240
http://bugs.debian.org/581197
* New maintainer (closes: 670179)
* New upstream release
* Switch to dpkg-source 3.0 (quilt) format
* Switch to machine-readable debian/copyright
* Bump debian/compat to 8, drop debian/pycompat
* Switch from cdbs to dh
* Add watch file
* Build for all supported versions of python2 (closes: 581198, 632240)
* Rename binary package to python-lucene (closes: 581197)
* Add -dbg package

Show diffs side-by-side

added added

removed removed

Lines of Context:
lucene-java-3.5.0/lucene/contrib/analyzers/smartcn/src/java/org/apache/lucene/analysis/cn/smart/WordTokenFilter.java
 
1
/**
 
2
 * Licensed to the Apache Software Foundation (ASF) under one or more
 
3
 * contributor license agreements.  See the NOTICE file distributed with
 
4
 * this work for additional information regarding copyright ownership.
 
5
 * The ASF licenses this file to You under the Apache License, Version 2.0
 
6
 * (the "License"); you may not use this file except in compliance with
 
7
 * the License.  You may obtain a copy of the License at
 
8
 *
 
9
 *     http://www.apache.org/licenses/LICENSE-2.0
 
10
 *
 
11
 * Unless required by applicable law or agreed to in writing, software
 
12
 * distributed under the License is distributed on an "AS IS" BASIS,
 
13
 * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
 
14
 * See the License for the specific language governing permissions and
 
15
 * limitations under the License.
 
16
 */
 
17
 
 
18
package org.apache.lucene.analysis.cn.smart;
 
19
 
 
20
import java.io.IOException;
 
21
import java.util.Iterator;
 
22
import java.util.List;
 
23
 
 
24
import org.apache.lucene.analysis.TokenFilter;
 
25
import org.apache.lucene.analysis.TokenStream;
 
26
import org.apache.lucene.analysis.cn.smart.hhmm.SegToken;
 
27
import org.apache.lucene.analysis.tokenattributes.CharTermAttribute;
 
28
import org.apache.lucene.analysis.tokenattributes.OffsetAttribute;
 
29
import org.apache.lucene.analysis.tokenattributes.TypeAttribute;
 
30
 
 
31
/**
 
32
 * A {@link TokenFilter} that breaks sentences into words.
 
33
 * @lucene.experimental
 
34
 */
 
35
public final class WordTokenFilter extends TokenFilter {
 
36
 
 
37
  private WordSegmenter wordSegmenter;
 
38
 
 
39
  private Iterator<SegToken> tokenIter;
 
40
 
 
41
  private List<SegToken> tokenBuffer;
 
42
  
 
43
  private final CharTermAttribute termAtt = addAttribute(CharTermAttribute.class);
 
44
  private final OffsetAttribute offsetAtt = addAttribute(OffsetAttribute.class);
 
45
  private final TypeAttribute typeAtt = addAttribute(TypeAttribute.class);
 
46
 
 
47
  /**
 
48
   * Construct a new WordTokenizer.
 
49
   * 
 
50
   * @param in {@link TokenStream} of sentences 
 
51
   */
 
52
  public WordTokenFilter(TokenStream in) {
 
53
    super(in);
 
54
    this.wordSegmenter = new WordSegmenter();
 
55
  }
 
56
  
 
57
  @Override
 
58
  public boolean incrementToken() throws IOException {   
 
59
    if (tokenIter == null || !tokenIter.hasNext()) {
 
60
      // there are no remaining tokens from the current sentence... are there more sentences?
 
61
      if (input.incrementToken()) {
 
62
        // a new sentence is available: process it.
 
63
        tokenBuffer = wordSegmenter.segmentSentence(termAtt.toString(), offsetAtt.startOffset());
 
64
        tokenIter = tokenBuffer.iterator();
 
65
        /* 
 
66
         * it should not be possible to have a sentence with 0 words, check just in case.
 
67
         * returning EOS isn't the best either, but its the behavior of the original code.
 
68
         */
 
69
        if (!tokenIter.hasNext())
 
70
          return false;
 
71
      } else {
 
72
        return false; // no more sentences, end of stream!
 
73
      }
 
74
    } 
 
75
    // WordTokenFilter must clear attributes, as it is creating new tokens.
 
76
    clearAttributes();
 
77
    // There are remaining tokens from the current sentence, return the next one. 
 
78
    SegToken nextWord = tokenIter.next();
 
79
    termAtt.copyBuffer(nextWord.charArray, 0, nextWord.charArray.length);
 
80
    offsetAtt.setOffset(nextWord.startOffset, nextWord.endOffset);
 
81
    typeAtt.setType("word");
 
82
    return true;
 
83
  }
 
84
 
 
85
  @Override
 
86
  public void reset() throws IOException {
 
87
    super.reset();
 
88
    tokenIter = null;
 
89
  }
 
90
}