mirror of
https://github.com/sphinx-doc/sphinx.git
synced 2025-02-25 18:55:22 -06:00
add Traditional Chinese search
This commit is contained in:
Enhao Hu
parent
80eb821ec8
commit
765f035ec1
291
sphinx/search/zh_TW.py
Normal file
291
sphinx/search/zh_TW.py
Normal file
@ -0,0 +1,291 @@
|
|||||||
|
# -*- coding: utf-8 -*-
|
||||||
|
"""
|
||||||
|
sphinx.search.zh_TW
|
||||||
|
~~~~~~~~~~~~~~~~
|
||||||
|
|
||||||
|
Traditional Chinese search language: includes routine to split words.
|
||||||
|
|
||||||
|
:copyright: Copyright 2015 by the Sphinx team, see AUTHORS.
|
||||||
|
:license: BSD, see LICENSE for details.
|
||||||
|
"""
|
||||||
|
|
||||||
|
import os
|
||||||
|
import re
|
||||||
|
|
||||||
|
from sphinx.search import SearchLanguage
|
||||||
|
|
||||||
|
try:
|
||||||
|
# http://bitbucket.org/methane/porterstemmer/
|
||||||
|
from porterstemmer import Stemmer as CStemmer
|
||||||
|
CSTEMMER = True
|
||||||
|
PYSTEMMER = False
|
||||||
|
except ImportError:
|
||||||
|
CSTEMMER = False
|
||||||
|
try:
|
||||||
|
from Stemmer import Stemmer as PyStemmer
|
||||||
|
PYSTEMMER = True
|
||||||
|
except ImportError:
|
||||||
|
from sphinx.util.stemmer import PorterStemmer
|
||||||
|
PYSTEMMER = False
|
||||||
|
|
||||||
|
try:
|
||||||
|
import jieba
|
||||||
|
JIEBA = True
|
||||||
|
except ImportError:
|
||||||
|
JIEBA = False
|
||||||
|
|
||||||
|
english_stopwords = set("""
|
||||||
|
a and are as at
|
||||||
|
be but by
|
||||||
|
for
|
||||||
|
if in into is it
|
||||||
|
near no not
|
||||||
|
of on or
|
||||||
|
such
|
||||||
|
that the their then there these they this to
|
||||||
|
was will with
|
||||||
|
""".split())
|
||||||
|
|
||||||
|
js_porter_stemmer = """
|
||||||
|
/**
|
||||||
|
* Porter Stemmer
|
||||||
|
*/
|
||||||
|
var Stemmer = function() {
|
||||||
|
|
||||||
|
var step2list = {
|
||||||
|
ational: 'ate',
|
||||||
|
tional: 'tion',
|
||||||
|
enci: 'ence',
|
||||||
|
anci: 'ance',
|
||||||
|
izer: 'ize',
|
||||||
|
bli: 'ble',
|
||||||
|
alli: 'al',
|
||||||
|
entli: 'ent',
|
||||||
|
eli: 'e',
|
||||||
|
ousli: 'ous',
|
||||||
|
ization: 'ize',
|
||||||
|
ation: 'ate',
|
||||||
|
ator: 'ate',
|
||||||
|
alism: 'al',
|
||||||
|
iveness: 'ive',
|
||||||
|
fulness: 'ful',
|
||||||
|
ousness: 'ous',
|
||||||
|
aliti: 'al',
|
||||||
|
iviti: 'ive',
|
||||||
|
biliti: 'ble',
|
||||||
|
logi: 'log'
|
||||||
|
};
|
||||||
|
|
||||||
|
var step3list = {
|
||||||
|
icate: 'ic',
|
||||||
|
ative: '',
|
||||||
|
alize: 'al',
|
||||||
|
iciti: 'ic',
|
||||||
|
ical: 'ic',
|
||||||
|
ful: '',
|
||||||
|
ness: ''
|
||||||
|
};
|
||||||
|
|
||||||
|
var c = "[^aeiou]"; // consonant
|
||||||
|
var v = "[aeiouy]"; // vowel
|
||||||
|
var C = c + "[^aeiouy]*"; // consonant sequence
|
||||||
|
var V = v + "[aeiou]*"; // vowel sequence
|
||||||
|
|
||||||
|
var mgr0 = "^(" + C + ")?" + V + C; // [C]VC... is m>0
|
||||||
|
var meq1 = "^(" + C + ")?" + V + C + "(" + V + ")?$"; // [C]VC[V] is m=1
|
||||||
|
var mgr1 = "^(" + C + ")?" + V + C + V + C; // [C]VCVC... is m>1
|
||||||
|
var s_v = "^(" + C + ")?" + v; // vowel in stem
|
||||||
|
|
||||||
|
this.stemWord = function (w) {
|
||||||
|
var stem;
|
||||||
|
var suffix;
|
||||||
|
var firstch;
|
||||||
|
var origword = w;
|
||||||
|
|
||||||
|
if (w.length < 3)
|
||||||
|
return w;
|
||||||
|
|
||||||
|
var re;
|
||||||
|
var re2;
|
||||||
|
var re3;
|
||||||
|
var re4;
|
||||||
|
|
||||||
|
firstch = w.substr(0,1);
|
||||||
|
if (firstch == "y")
|
||||||
|
w = firstch.toUpperCase() + w.substr(1);
|
||||||
|
|
||||||
|
// Step 1a
|
||||||
|
re = /^(.+?)(ss|i)es$/;
|
||||||
|
re2 = /^(.+?)([^s])s$/;
|
||||||
|
|
||||||
|
if (re.test(w))
|
||||||
|
w = w.replace(re,"$1$2");
|
||||||
|
else if (re2.test(w))
|
||||||
|
w = w.replace(re2,"$1$2");
|
||||||
|
|
||||||
|
// Step 1b
|
||||||
|
re = /^(.+?)eed$/;
|
||||||
|
re2 = /^(.+?)(ed|ing)$/;
|
||||||
|
if (re.test(w)) {
|
||||||
|
var fp = re.exec(w);
|
||||||
|
re = new RegExp(mgr0);
|
||||||
|
if (re.test(fp[1])) {
|
||||||
|
re = /.$/;
|
||||||
|
w = w.replace(re,"");
|
||||||
|
}
|
||||||
|
}
|
||||||
|
else if (re2.test(w)) {
|
||||||
|
var fp = re2.exec(w);
|
||||||
|
stem = fp[1];
|
||||||
|
re2 = new RegExp(s_v);
|
||||||
|
if (re2.test(stem)) {
|
||||||
|
w = stem;
|
||||||
|
re2 = /(at|bl|iz)$/;
|
||||||
|
re3 = new RegExp("([^aeiouylsz])\\\\1$");
|
||||||
|
re4 = new RegExp("^" + C + v + "[^aeiouwxy]$");
|
||||||
|
if (re2.test(w))
|
||||||
|
w = w + "e";
|
||||||
|
else if (re3.test(w)) {
|
||||||
|
re = /.$/;
|
||||||
|
w = w.replace(re,"");
|
||||||
|
}
|
||||||
|
else if (re4.test(w))
|
||||||
|
w = w + "e";
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
// Step 1c
|
||||||
|
re = /^(.+?)y$/;
|
||||||
|
if (re.test(w)) {
|
||||||
|
var fp = re.exec(w);
|
||||||
|
stem = fp[1];
|
||||||
|
re = new RegExp(s_v);
|
||||||
|
if (re.test(stem))
|
||||||
|
w = stem + "i";
|
||||||
|
}
|
||||||
|
|
||||||
|
// Step 2
|
||||||
|
re = /^(.+?)(ational|tional|enci|anci|izer|bli|alli|entli|eli|ousli|\
|
||||||
|
ization|ation|ator|alism|iveness|fulness|ousness|aliti|iviti|biliti|logi)$/;
|
||||||
|
if (re.test(w)) {
|
||||||
|
var fp = re.exec(w);
|
||||||
|
stem = fp[1];
|
||||||
|
suffix = fp[2];
|
||||||
|
re = new RegExp(mgr0);
|
||||||
|
if (re.test(stem))
|
||||||
|
w = stem + step2list[suffix];
|
||||||
|
}
|
||||||
|
|
||||||
|
// Step 3
|
||||||
|
re = /^(.+?)(icate|ative|alize|iciti|ical|ful|ness)$/;
|
||||||
|
if (re.test(w)) {
|
||||||
|
var fp = re.exec(w);
|
||||||
|
stem = fp[1];
|
||||||
|
suffix = fp[2];
|
||||||
|
re = new RegExp(mgr0);
|
||||||
|
if (re.test(stem))
|
||||||
|
w = stem + step3list[suffix];
|
||||||
|
}
|
||||||
|
|
||||||
|
// Step 4
|
||||||
|
re = /^(.+?)(al|ance|ence|er|ic|able|ible|ant|ement|ment|ent|ou|ism|ate|\
|
||||||
|
iti|ous|ive|ize)$/;
|
||||||
|
re2 = /^(.+?)(s|t)(ion)$/;
|
||||||
|
if (re.test(w)) {
|
||||||
|
var fp = re.exec(w);
|
||||||
|
stem = fp[1];
|
||||||
|
re = new RegExp(mgr1);
|
||||||
|
if (re.test(stem))
|
||||||
|
w = stem;
|
||||||
|
}
|
||||||
|
else if (re2.test(w)) {
|
||||||
|
var fp = re2.exec(w);
|
||||||
|
stem = fp[1] + fp[2];
|
||||||
|
re2 = new RegExp(mgr1);
|
||||||
|
if (re2.test(stem))
|
||||||
|
w = stem;
|
||||||
|
}
|
||||||
|
|
||||||
|
// Step 5
|
||||||
|
re = /^(.+?)e$/;
|
||||||
|
if (re.test(w)) {
|
||||||
|
var fp = re.exec(w);
|
||||||
|
stem = fp[1];
|
||||||
|
re = new RegExp(mgr1);
|
||||||
|
re2 = new RegExp(meq1);
|
||||||
|
re3 = new RegExp("^" + C + v + "[^aeiouwxy]$");
|
||||||
|
if (re.test(stem) || (re2.test(stem) && !(re3.test(stem))))
|
||||||
|
w = stem;
|
||||||
|
}
|
||||||
|
re = /ll$/;
|
||||||
|
re2 = new RegExp(mgr1);
|
||||||
|
if (re.test(w) && re2.test(w)) {
|
||||||
|
re = /.$/;
|
||||||
|
w = w.replace(re,"");
|
||||||
|
}
|
||||||
|
|
||||||
|
// and turn initial Y back to y
|
||||||
|
if (firstch == "y")
|
||||||
|
w = firstch.toLowerCase() + w.substr(1);
|
||||||
|
return w;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
"""
|
||||||
|
|
||||||
|
class SearchChinese(SearchLanguage):
|
||||||
|
"""
|
||||||
|
Traditional Chinese search implementation
|
||||||
|
"""
|
||||||
|
|
||||||
|
lang = 'zh_TW'
|
||||||
|
language_name = 'Traditional Chinese'
|
||||||
|
js_stemmer_code = js_porter_stemmer
|
||||||
|
stopwords = english_stopwords
|
||||||
|
latin1_letters = re.compile(r'\w+(?u)[\u0000-\u00ff]')
|
||||||
|
|
||||||
|
def init(self, options):
|
||||||
|
if JIEBA:
|
||||||
|
dict = options.get('dict')
|
||||||
|
if os.path.isfile(dict):
|
||||||
|
jieba.set_dictionary(dict)
|
||||||
|
print
|
||||||
|
print "Dictionary path：", dict
|
||||||
|
|
||||||
|
if CSTEMMER:
|
||||||
|
class Stemmer(CStemmer):
|
||||||
|
def stem(self, word):
|
||||||
|
return self(word.lower())
|
||||||
|
elif PYSTEMMER:
|
||||||
|
class Stemmer(object):
|
||||||
|
def __init__(self):
|
||||||
|
self.stemmer = PyStemmer('porter')
|
||||||
|
|
||||||
|
def stem(self, word):
|
||||||
|
return self.stemmer.stemWord(word)
|
||||||
|
else:
|
||||||
|
class Stemmer(PorterStemmer):
|
||||||
|
"""All those porter stemmer implementations look hideous;
|
||||||
|
make at least the stem method nicer.
|
||||||
|
"""
|
||||||
|
def stem(self, word):
|
||||||
|
word = word.lower()
|
||||||
|
return PorterStemmer.stem(self, word, 0, len(word) - 1)
|
||||||
|
|
||||||
|
self.stemmer = Stemmer()
|
||||||
|
|
||||||
|
def split(self, input):
|
||||||
|
if JIEBA:
|
||||||
|
chinese = list(jieba.cut_for_search(input))
|
||||||
|
|
||||||
|
latin1 = self.latin1_letters.findall(input)
|
||||||
|
return chinese + latin1
|
||||||
|
|
||||||
|
def word_filter(self, stemmed_word):
|
||||||
|
return len(stemmed_word) > 1
|
||||||
|
|
||||||
|
def stem(self, word):
|
||||||
|
return self.stemmer.stem(word)
|
||||||
|
|
||||||
|
def setup(app):
|
||||||
|
app.add_search_language(SearchChinese)
|
||||||
|
|
||||||
Loading…
Reference in New Issue
Block a user