parent
7970f42c29
commit
50bd082257
|
@ -7,9 +7,6 @@
|
|||
// either express or implied. See the License for the specific language governing permissions
|
||||
// and limitations under the License.
|
||||
|
||||
// +build libstemmer full
|
||||
// +build icu full
|
||||
|
||||
package pt
|
||||
|
||||
import (
|
||||
|
@ -17,13 +14,13 @@ import (
|
|||
"github.com/blevesearch/bleve/registry"
|
||||
|
||||
"github.com/blevesearch/bleve/analysis/token_filters/lower_case_filter"
|
||||
"github.com/blevesearch/bleve/analysis/tokenizers/icu"
|
||||
"github.com/blevesearch/bleve/analysis/tokenizers/unicode"
|
||||
)
|
||||
|
||||
const AnalyzerName = "pt"
|
||||
|
||||
func AnalyzerConstructor(config map[string]interface{}, cache *registry.Cache) (*analysis.Analyzer, error) {
|
||||
icuTokenizer, err := cache.TokenizerNamed(icu.Name)
|
||||
tokenizer, err := cache.TokenizerNamed(unicode.Name)
|
||||
if err != nil {
|
||||
return nil, err
|
||||
}
|
||||
|
@ -35,12 +32,12 @@ func AnalyzerConstructor(config map[string]interface{}, cache *registry.Cache) (
|
|||
if err != nil {
|
||||
return nil, err
|
||||
}
|
||||
stemmerPtFilter, err := cache.TokenFilterNamed(StemmerName)
|
||||
stemmerPtFilter, err := cache.TokenFilterNamed(LightStemmerName)
|
||||
if err != nil {
|
||||
return nil, err
|
||||
}
|
||||
rv := analysis.Analyzer{
|
||||
Tokenizer: icuTokenizer,
|
||||
Tokenizer: tokenizer,
|
||||
TokenFilters: []analysis.TokenFilter{
|
||||
toLowerFilter,
|
||||
stopPtFilter,
|
||||
|
|
|
@ -7,9 +7,6 @@
|
|||
// either express or implied. See the License for the specific language governing permissions
|
||||
// and limitations under the License.
|
||||
|
||||
// +build libstemmer full
|
||||
// +build icu full
|
||||
|
||||
package pt
|
||||
|
||||
import (
|
||||
|
@ -26,24 +23,22 @@ func TestPortugueseAnalyzer(t *testing.T) {
|
|||
output analysis.TokenStream
|
||||
}{
|
||||
// stemming
|
||||
// fails due to stemming discrepencies
|
||||
// got quilométr instead of quilometric
|
||||
// {
|
||||
// input: []byte("quilométricas"),
|
||||
// output: analysis.TokenStream{
|
||||
// &analysis.Token{
|
||||
// Term: []byte("quilometric"),
|
||||
// },
|
||||
// },
|
||||
// },
|
||||
// {
|
||||
// input: []byte("quilométricos"),
|
||||
// output: analysis.TokenStream{
|
||||
// &analysis.Token{
|
||||
// Term: []byte("quilometric"),
|
||||
// },
|
||||
// },
|
||||
// },
|
||||
{
|
||||
input: []byte("quilométricas"),
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("quilometric"),
|
||||
},
|
||||
},
|
||||
},
|
||||
{
|
||||
input: []byte("quilométricos"),
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("quilometric"),
|
||||
},
|
||||
},
|
||||
},
|
||||
// stop word
|
||||
{
|
||||
input: []byte("não"),
|
||||
|
|
190
analysis/language/pt/light_stemmer_pt.go
Normal file
190
analysis/language/pt/light_stemmer_pt.go
Normal file
|
@ -0,0 +1,190 @@
|
|||
// Copyright (c) 2015 Couchbase, Inc.
|
||||
// Licensed 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.
|
||||
|
||||
package pt
|
||||
|
||||
import (
|
||||
"bytes"
|
||||
|
||||
"github.com/blevesearch/bleve/analysis"
|
||||
"github.com/blevesearch/bleve/registry"
|
||||
)
|
||||
|
||||
const LightStemmerName = "stemmer_pt_light"
|
||||
|
||||
type PortugueseLightStemmerFilter struct {
|
||||
}
|
||||
|
||||
func NewPortugueseLightStemmerFilter() *PortugueseLightStemmerFilter {
|
||||
return &PortugueseLightStemmerFilter{}
|
||||
}
|
||||
|
||||
func (s *PortugueseLightStemmerFilter) Filter(input analysis.TokenStream) analysis.TokenStream {
|
||||
for _, token := range input {
|
||||
runes := bytes.Runes(token.Term)
|
||||
runes = stem(runes)
|
||||
token.Term = analysis.BuildTermFromRunes(runes)
|
||||
}
|
||||
return input
|
||||
}
|
||||
|
||||
func stem(input []rune) []rune {
|
||||
|
||||
inputLen := len(input)
|
||||
|
||||
if inputLen < 4 {
|
||||
return input
|
||||
}
|
||||
|
||||
input = removeSuffix(input)
|
||||
inputLen = len(input)
|
||||
|
||||
if inputLen > 3 && input[inputLen-1] == 'a' {
|
||||
input = normFeminine(input)
|
||||
inputLen = len(input)
|
||||
}
|
||||
|
||||
if inputLen > 4 {
|
||||
switch input[inputLen-1] {
|
||||
case 'e', 'a', 'o':
|
||||
input = input[0 : inputLen-1]
|
||||
inputLen = len(input)
|
||||
}
|
||||
}
|
||||
|
||||
for i := 0; i < inputLen; i++ {
|
||||
switch input[i] {
|
||||
case 'à', 'á', 'â', 'ä', 'ã':
|
||||
input[i] = 'a'
|
||||
case 'ò', 'ó', 'ô', 'ö', 'õ':
|
||||
input[i] = 'o'
|
||||
case 'è', 'é', 'ê', 'ë':
|
||||
input[i] = 'e'
|
||||
case 'ù', 'ú', 'û', 'ü':
|
||||
input[i] = 'u'
|
||||
case 'ì', 'í', 'î', 'ï':
|
||||
input[i] = 'i'
|
||||
case 'ç':
|
||||
input[i] = 'c'
|
||||
}
|
||||
}
|
||||
|
||||
return input
|
||||
}
|
||||
|
||||
func removeSuffix(input []rune) []rune {
|
||||
|
||||
inputLen := len(input)
|
||||
|
||||
if inputLen > 4 && analysis.RunesEndsWith(input, "es") {
|
||||
switch input[inputLen-3] {
|
||||
case 'r', 's', 'l', 'z':
|
||||
return input[0 : inputLen-2]
|
||||
}
|
||||
}
|
||||
|
||||
if inputLen > 3 && analysis.RunesEndsWith(input, "ns") {
|
||||
input[inputLen-2] = 'm'
|
||||
return input[0 : inputLen-1]
|
||||
}
|
||||
|
||||
if inputLen > 4 && (analysis.RunesEndsWith(input, "eis") || analysis.RunesEndsWith(input, "éis")) {
|
||||
input[inputLen-3] = 'e'
|
||||
input[inputLen-2] = 'l'
|
||||
return input[0 : inputLen-1]
|
||||
}
|
||||
|
||||
if inputLen > 4 && analysis.RunesEndsWith(input, "ais") {
|
||||
input[inputLen-2] = 'l'
|
||||
return input[0 : inputLen-1]
|
||||
}
|
||||
|
||||
if inputLen > 4 && analysis.RunesEndsWith(input, "óis") {
|
||||
input[inputLen-3] = 'o'
|
||||
input[inputLen-2] = 'l'
|
||||
return input[0 : inputLen-1]
|
||||
}
|
||||
|
||||
if inputLen > 4 && analysis.RunesEndsWith(input, "is") {
|
||||
input[inputLen-1] = 'l'
|
||||
return input
|
||||
}
|
||||
|
||||
if inputLen > 3 &&
|
||||
(analysis.RunesEndsWith(input, "ões") ||
|
||||
analysis.RunesEndsWith(input, "ães")) {
|
||||
input = input[0 : inputLen-1]
|
||||
inputLen = len(input)
|
||||
input[inputLen-2] = 'ã'
|
||||
input[inputLen-1] = 'o'
|
||||
return input
|
||||
}
|
||||
|
||||
if inputLen > 6 && analysis.RunesEndsWith(input, "mente") {
|
||||
return input[0 : inputLen-5]
|
||||
}
|
||||
|
||||
if inputLen > 3 && input[inputLen-1] == 's' {
|
||||
return input[0 : inputLen-1]
|
||||
}
|
||||
return input
|
||||
}
|
||||
|
||||
func normFeminine(input []rune) []rune {
|
||||
inputLen := len(input)
|
||||
|
||||
if inputLen > 7 &&
|
||||
(analysis.RunesEndsWith(input, "inha") ||
|
||||
analysis.RunesEndsWith(input, "iaca") ||
|
||||
analysis.RunesEndsWith(input, "eira")) {
|
||||
input[inputLen-1] = 'o'
|
||||
return input
|
||||
}
|
||||
|
||||
if inputLen > 6 {
|
||||
if analysis.RunesEndsWith(input, "osa") ||
|
||||
analysis.RunesEndsWith(input, "ica") ||
|
||||
analysis.RunesEndsWith(input, "ida") ||
|
||||
analysis.RunesEndsWith(input, "ada") ||
|
||||
analysis.RunesEndsWith(input, "iva") ||
|
||||
analysis.RunesEndsWith(input, "ama") {
|
||||
input[inputLen-1] = 'o'
|
||||
return input
|
||||
}
|
||||
|
||||
if analysis.RunesEndsWith(input, "ona") {
|
||||
input[inputLen-3] = 'ã'
|
||||
input[inputLen-2] = 'o'
|
||||
return input[0 : inputLen-1]
|
||||
}
|
||||
|
||||
if analysis.RunesEndsWith(input, "ora") {
|
||||
return input[0 : inputLen-1]
|
||||
}
|
||||
|
||||
if analysis.RunesEndsWith(input, "esa") {
|
||||
input[inputLen-3] = 'ê'
|
||||
return input[0 : inputLen-1]
|
||||
}
|
||||
|
||||
if analysis.RunesEndsWith(input, "na") {
|
||||
input[inputLen-1] = 'o'
|
||||
return input
|
||||
}
|
||||
}
|
||||
return input
|
||||
}
|
||||
|
||||
func PortugueseLightStemmerFilterConstructor(config map[string]interface{}, cache *registry.Cache) (analysis.TokenFilter, error) {
|
||||
return NewPortugueseLightStemmerFilter(), nil
|
||||
}
|
||||
|
||||
func init() {
|
||||
registry.RegisterTokenFilter(LightStemmerName, PortugueseLightStemmerFilterConstructor)
|
||||
}
|
399
analysis/language/pt/light_stemmer_pt_test.go
Normal file
399
analysis/language/pt/light_stemmer_pt_test.go
Normal file
|
@ -0,0 +1,399 @@
|
|||
// Copyright (c) 2015 Couchbase, Inc.
|
||||
// Licensed 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.
|
||||
|
||||
package pt
|
||||
|
||||
import (
|
||||
"reflect"
|
||||
"testing"
|
||||
|
||||
"github.com/blevesearch/bleve/analysis"
|
||||
"github.com/blevesearch/bleve/registry"
|
||||
)
|
||||
|
||||
func TestPortugueseLightStemmer(t *testing.T) {
|
||||
tests := []struct {
|
||||
input analysis.TokenStream
|
||||
output analysis.TokenStream
|
||||
}{
|
||||
{
|
||||
input: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("doutores"),
|
||||
},
|
||||
},
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("doutor"),
|
||||
},
|
||||
},
|
||||
},
|
||||
{
|
||||
input: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("doutor"),
|
||||
},
|
||||
},
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("doutor"),
|
||||
},
|
||||
},
|
||||
},
|
||||
{
|
||||
input: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("homens"),
|
||||
},
|
||||
},
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("homem"),
|
||||
},
|
||||
},
|
||||
},
|
||||
{
|
||||
input: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("homem"),
|
||||
},
|
||||
},
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("homem"),
|
||||
},
|
||||
},
|
||||
},
|
||||
{
|
||||
input: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("papéis"),
|
||||
},
|
||||
},
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("papel"),
|
||||
},
|
||||
},
|
||||
},
|
||||
{
|
||||
input: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("papel"),
|
||||
},
|
||||
},
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("papel"),
|
||||
},
|
||||
},
|
||||
},
|
||||
{
|
||||
input: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("normais"),
|
||||
},
|
||||
},
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("normal"),
|
||||
},
|
||||
},
|
||||
},
|
||||
{
|
||||
input: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("normal"),
|
||||
},
|
||||
},
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("normal"),
|
||||
},
|
||||
},
|
||||
},
|
||||
{
|
||||
input: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("lencóis"),
|
||||
},
|
||||
},
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("lencol"),
|
||||
},
|
||||
},
|
||||
},
|
||||
{
|
||||
input: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("lencol"),
|
||||
},
|
||||
},
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("lencol"),
|
||||
},
|
||||
},
|
||||
},
|
||||
{
|
||||
input: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("barris"),
|
||||
},
|
||||
},
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("barril"),
|
||||
},
|
||||
},
|
||||
},
|
||||
{
|
||||
input: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("barril"),
|
||||
},
|
||||
},
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("barril"),
|
||||
},
|
||||
},
|
||||
},
|
||||
{
|
||||
input: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("botões"),
|
||||
},
|
||||
},
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("bota"),
|
||||
},
|
||||
},
|
||||
},
|
||||
{
|
||||
input: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("botão"),
|
||||
},
|
||||
},
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("bota"),
|
||||
},
|
||||
},
|
||||
},
|
||||
// longer
|
||||
{
|
||||
input: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("o"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("debate"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("político"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("pelo"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("menos"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("o"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("que"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("vem"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("a"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("público"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("parece"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("de"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("modo"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("nada"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("surpreendente"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("restrito"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("a"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("temas"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("menores"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("mas"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("há"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("evidentemente"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("grandes"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("questões"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("em"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("jogo"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("nas"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("eleições"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("que"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("se"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("aproximam"),
|
||||
},
|
||||
},
|
||||
output: analysis.TokenStream{
|
||||
&analysis.Token{
|
||||
Term: []byte("o"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("debat"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("politic"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("pelo"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("meno"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("o"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("que"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("vem"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("a"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("public"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("parec"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("de"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("modo"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("nada"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("surpreendent"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("restrit"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("a"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("tema"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("menor"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("mas"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("há"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("evident"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("grand"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("questa"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("em"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("jogo"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("nas"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("eleica"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("que"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("se"),
|
||||
},
|
||||
&analysis.Token{
|
||||
Term: []byte("aproximam"),
|
||||
},
|
||||
},
|
||||
},
|
||||
}
|
||||
|
||||
cache := registry.NewCache()
|
||||
filter, err := cache.TokenFilterNamed(LightStemmerName)
|
||||
if err != nil {
|
||||
t.Fatal(err)
|
||||
}
|
||||
for _, test := range tests {
|
||||
actual := filter.Filter(test.input)
|
||||
if !reflect.DeepEqual(actual, test.output) {
|
||||
t.Errorf("expected %s, got %s", test.output[0].Term, actual[0].Term)
|
||||
}
|
||||
}
|
||||
}
|
Loading…
Reference in New Issue
Block a user