This is an automated email from the ASF dual-hosted git repository.
jianliangqi pushed a commit to branch clucene
in repository https://gitbox.apache.org/repos/asf/doris-thirdparty.git
The following commit(s) were added to refs/heads/clucene by this push:
new 486ce950 [unitest](tokenizer) fix chinese tokenizer unitest (#164)
486ce950 is described below
commit 486ce95095a61f0251dc072dcf4b802ea560ff9e
Author: airborne12 <airborn...@gmail.com>
AuthorDate: Mon Dec 25 19:40:23 2023 +0800
[unitest](tokenizer) fix chinese tokenizer unitest (#164)
---
.../CLucene/analysis/LanguageBasedAnalyzer.cpp | 5 +-
.../CLucene/analysis/cjk/CJKAnalyzer.cpp | 122 +--
.../CLucene/analysis/cjk/CJKAnalyzer.h | 3 +-
src/test/contribs-lib/analysis/testChinese.cpp | 844 ++++++++++++---------
src/test/tests.cpp | 2 +-
5 files changed, 568 insertions(+), 408 deletions(-)
diff --git a/src/contribs-lib/CLucene/analysis/LanguageBasedAnalyzer.cpp
b/src/contribs-lib/CLucene/analysis/LanguageBasedAnalyzer.cpp
index 0bc03443..2a32ff04 100644
--- a/src/contribs-lib/CLucene/analysis/LanguageBasedAnalyzer.cpp
+++ b/src/contribs-lib/CLucene/analysis/LanguageBasedAnalyzer.cpp
@@ -43,10 +43,7 @@ LanguageBasedAnalyzer::~LanguageBasedAnalyzer() {
}
bool LanguageBasedAnalyzer::isSDocOpt() {
- if (_tcscmp(lang, _T("chinese")) == 0) {
- return true;
- }
- return false;
+ return true;
}
void LanguageBasedAnalyzer::setStopWords(const TCHAR** stopwords) {
diff --git a/src/contribs-lib/CLucene/analysis/cjk/CJKAnalyzer.cpp
b/src/contribs-lib/CLucene/analysis/cjk/CJKAnalyzer.cpp
index b19ed77d..23d7b08c 100644
--- a/src/contribs-lib/CLucene/analysis/cjk/CJKAnalyzer.cpp
+++ b/src/contribs-lib/CLucene/analysis/cjk/CJKAnalyzer.cpp
@@ -8,26 +8,23 @@
#include "CJKAnalyzer.h"
#include "CLucene/util/CLStreams.h"
-CL_NS_DEF2(analysis,cjk)
+CL_NS_DEF2(analysis, cjk)
CL_NS_USE(analysis)
CL_NS_USE(util)
-
const TCHAR* CJKTokenizer::tokenTypeSingle = _T("single");
const TCHAR* CJKTokenizer::tokenTypeDouble = _T("double");
-CJKTokenizer::CJKTokenizer(Reader* in):
- Tokenizer(in)
-{
- tokenType = Token::getDefaultType();
- offset = 0;
- bufferIndex = 0;
- dataLen = 0;
- preIsTokened = false;
- ignoreSurrogates = true;
+CJKTokenizer::CJKTokenizer(Reader* in) : Tokenizer(in) {
+ tokenType = Token::getDefaultType();
+ offset = 0;
+ bufferIndex = 0;
+ dataLen = 0;
+ preIsTokened = false;
+ ignoreSurrogates = true;
}
-CL_NS(analysis)::Token* CJKTokenizer::next(Token* token){
+CL_NS(analysis)::Token* CJKTokenizer::next(Token* token) {
/** how many character(s) has been stored in buffer */
int32_t length = 0;
@@ -37,13 +34,17 @@ CL_NS(analysis)::Token* CJKTokenizer::next(Token* token){
while (true) {
/** current character */
clunichar c;
- int charlen = 1;
+ int charlen = 1;
offset++;
if (bufferIndex >= dataLen) {
- dataLen = input->read((const void**)&ioBuffer, 1,
LUCENE_IO_BUFFER_SIZE);
+ dataLen = input->read((const void**)&cbuffer, 1,
LUCENE_IO_BUFFER_SIZE);
bufferIndex = 0;
+ if (dataLen > 0) {
+ lucene_utf8towcs(ioBuffer, cbuffer, LUCENE_MAX_WORD_LEN);
+ dataLen = _tcslen(ioBuffer);
+ }
}
if (dataLen == -1) {
@@ -62,33 +63,33 @@ CL_NS(analysis)::Token* CJKTokenizer::next(Token* token){
c = ioBuffer[bufferIndex++];
}
- //to support surrogates, we'll need to convert the incoming
utf16 into
- //ucs4(c variable). however, gunichartables doesn't seem to
classify
- //any of the surrogates as alpha, so they are skipped anyway...
- //so for now we just convert to ucs4 so that we dont corrupt
the input.
- if ( c >= 0xd800 || c <= 0xdfff ){
- clunichar c2 = ioBuffer[bufferIndex];
- if ( c2 >= 0xdc00 && c2 <= 0xdfff ){
- bufferIndex++;
- offset++;
- charlen=2;
-
- c = (((c & 0x03ffL) << 10) | ((c2 & 0x03ffL) <<
0)) + 0x00010000L;
- }
- }
+ //to support surrogates, we'll need to convert the incoming utf16 into
+ //ucs4(c variable). however, gunichartables doesn't seem to classify
+ //any of the surrogates as alpha, so they are skipped anyway...
+ //so for now we just convert to ucs4 so that we dont corrupt the input.
+ if (c >= 0xd800 || c <= 0xdfff) {
+ clunichar c2 = ioBuffer[bufferIndex];
+ if (c2 >= 0xdc00 && c2 <= 0xdfff) {
+ bufferIndex++;
+ offset++;
+ charlen = 2;
+
+ c = (((c & 0x03ffL) << 10) | ((c2 & 0x03ffL) << 0)) +
0x00010000L;
+ }
+ }
//if the current character is ASCII or Extend ASCII
- if ((c <= 0xFF) //is BASIC_LATIN
- || (c>=0xFF00 && c<=0xFFEF) //ascii >0x74 cast to unsigned...
- ) {
+ if ((c <= 0xFF) //is BASIC_LATIN
+ || (c >= 0xFF00 && c <= 0xFFEF) //ascii >0x74 cast to unsigned...
+ ) {
if (c >= 0xFF00) {
- //todo: test this... only happens on platforms
where char is signed, i think...
+ //todo: test this... only happens on platforms where char is
signed, i think...
/** convert HALFWIDTH_AND_FULLWIDTH_FORMS to BASIC_LATIN */
c -= 0xFEE0;
}
// if the current character is a letter or "_" "+" "#"
- if (_istalnum(c) || ((c == '_') || (c == '+') || (c ==
'#')) ) {
+ if (_istalnum(c) || ((c == '_') || (c == '+') || (c == '#'))) {
if (length == 0) {
// "javaC1C2C3C4linux" <br>
// ^--: the current character begin to token the ASCII
@@ -98,8 +99,8 @@ CL_NS(analysis)::Token* CJKTokenizer::next(Token* token){
// "javaC1C2C3C4linux" <br>
// ^--: the previous non-ASCII
// : the current character
- offset-=charlen;
- bufferIndex-=charlen;
+ offset -= charlen;
+ bufferIndex -= charlen;
tokenType = tokenTypeSingle;
if (preIsTokened == true) {
@@ -115,7 +116,7 @@ CL_NS(analysis)::Token* CJKTokenizer::next(Token* token){
// store the LowerCase(c) in the buffer
buffer[length++] = _totlower((TCHAR)c);
- tokenType = tokenTypeSingle;
+ tokenType = tokenTypeSingle;
// break the procedure if buffer overflowed!
if (length == LUCENE_MAX_WORD_LEN) {
@@ -131,39 +132,39 @@ CL_NS(analysis)::Token* CJKTokenizer::next(Token* token){
}
} else {
// non-ASCII letter, eg."C1C2C3C4"
- if ( _istalpha(c) || (!ignoreSurrogates && c>=0x10000)
) {
+ if (_istalpha(c) || (!ignoreSurrogates && c >= 0x10000)) {
if (length == 0) {
start = offset - 1;
-
- if ( c < 0x00010000L )
- buffer[length++] = (TCHAR)c;
- else{
- clunichar ucs4 = c -
0x00010000L;
- buffer[length++] =
(TCHAR)((ucs4 >> 10) & 0x3ff) | 0xd800;
- buffer[length++] =
(TCHAR)((ucs4 >> 0) & 0x3ff) | 0xdc00;
- }
+
+ if (c < 0x00010000L)
+ buffer[length++] = (TCHAR)c;
+ else {
+ clunichar ucs4 = c - 0x00010000L;
+ buffer[length++] = (TCHAR)((ucs4 >> 10) & 0x3ff) |
0xd800;
+ buffer[length++] = (TCHAR)((ucs4 >> 0) & 0x3ff) |
0xdc00;
+ }
tokenType = tokenTypeDouble;
} else {
if (tokenType == tokenTypeSingle) {
- offset-=charlen;
- bufferIndex-=charlen;
+ offset -= charlen;
+ bufferIndex -= charlen;
//return the previous ASCII characters
break;
} else {
- if ( c < 0x00010000L )
- buffer[length++] =
(TCHAR)c;
- else{
- clunichar ucs4 = c -
0x00010000L;
- buffer[length++] =
(TCHAR)((ucs4 >> 10) & 0x3ff) | 0xd800;
- buffer[length++] =
(TCHAR)((ucs4 >> 0) & 0x3ff) | 0xdc00;
- }
- tokenType = tokenTypeDouble;
+ if (c < 0x00010000L)
+ buffer[length++] = (TCHAR)c;
+ else {
+ clunichar ucs4 = c - 0x00010000L;
+ buffer[length++] = (TCHAR)((ucs4 >> 10) & 0x3ff) |
0xd800;
+ buffer[length++] = (TCHAR)((ucs4 >> 0) & 0x3ff) |
0xdc00;
+ }
+ tokenType = tokenTypeDouble;
if (length >= 2) {
- offset-=charlen;
- bufferIndex-=charlen;
+ offset -= charlen;
+ bufferIndex -= charlen;
preIsTokened = true;
break;
@@ -182,9 +183,10 @@ CL_NS(analysis)::Token* CJKTokenizer::next(Token* token){
}
}
- buffer[length]='\0';
- token->set(buffer,start, start+length, tokenType);
- return token;
+ buffer[length] = '\0';
+ std::string term = lucene_wcstoutf8string(buffer, length);
+ token->set(term.c_str(), 0, term.length(), tokenType);
+ return token;
}
CL_NS_END2
diff --git a/src/contribs-lib/CLucene/analysis/cjk/CJKAnalyzer.h
b/src/contribs-lib/CLucene/analysis/cjk/CJKAnalyzer.h
index 978ad81a..ccba7080 100644
--- a/src/contribs-lib/CLucene/analysis/cjk/CJKAnalyzer.h
+++ b/src/contribs-lib/CLucene/analysis/cjk/CJKAnalyzer.h
@@ -40,12 +40,13 @@ private:
* the returned Token
*/
TCHAR buffer[LUCENE_MAX_WORD_LEN];
+ char* cbuffer;
/**
* I/O buffer, used to store the content of the input(one of the <br>
* members of Tokenizer)
*/
- const TCHAR* ioBuffer;
+ TCHAR ioBuffer[LUCENE_MAX_WORD_LEN]{};
/** word type: single=>ASCII double=>non-ASCII word=>default */
const TCHAR* tokenType;
diff --git a/src/test/contribs-lib/analysis/testChinese.cpp
b/src/test/contribs-lib/analysis/testChinese.cpp
index 2aeb0367..ab365895 100644
--- a/src/test/contribs-lib/analysis/testChinese.cpp
+++ b/src/test/contribs-lib/analysis/testChinese.cpp
@@ -4,6 +4,7 @@
* Distributable under the terms of either the Apache License (Version 2.0) or
* the GNU Lesser General Public License, as specified in the COPYING file.
------------------------------------------------------------------------------*/
+#include <memory>
#include "test.h"
#include "CLucene/analysis/cjk/CJKAnalyzer.h"
#include "CLucene/analysis/LanguageBasedAnalyzer.h"
@@ -22,7 +23,7 @@
CL_NS_USE2(analysis, cjk)
-void test(CuTest *tc, char* orig, Reader* reader, bool verbose, int64_t bytes)
{
+void test(CuTest* tc, char* orig, Reader* reader, bool verbose, int64_t bytes)
{
StandardAnalyzer analyzer;
TokenStream* stream = analyzer.tokenStream(NULL, reader);
@@ -34,7 +35,8 @@ void test(CuTest *tc, char* orig, Reader* reader, bool
verbose, int64_t bytes) {
TCHAR ttmp[LUCENE_MAX_WORD_LEN + 1];
for (; stream->next(&t);) {
if (verbose) {
- CuMessage(tc, _T("Text=%s start=%d end=%d\n"),
t.termBuffer<TCHAR>(), t.startOffset(), t.endOffset());
+ CuMessage(tc, _T("Text=%s start=%d end=%d\n"),
t.termBuffer<TCHAR>(), t.startOffset(),
+ t.endOffset());
}
int len = t.termLength<TCHAR>();
@@ -46,7 +48,8 @@ void test(CuTest *tc, char* orig, Reader* reader, bool
verbose, int64_t bytes) {
if (_tcsncmp(t.termBuffer<TCHAR>(), ttmp, len) != 0) {
TCHAR err[1024];
- _sntprintf(err, 1024, _T("token '%s' didnt match original text at
%d-%d"), t.termBuffer<TCHAR>(), t.startOffset(), t.endOffset());
+ _sntprintf(err, 1024, _T("token '%s' didnt match original text at
%d-%d"),
+ t.termBuffer<TCHAR>(), t.startOffset(), t.endOffset());
CuAssert(tc, err, false);
}
@@ -64,7 +67,7 @@ void test(CuTest *tc, char* orig, Reader* reader, bool
verbose, int64_t bytes) {
_CLDELETE(stream);
}
-void _testFile(CuTest *tc, const char* fname, bool verbose) {
+void _testFile(CuTest* tc, const char* fname, bool verbose) {
struct fileStat buf;
fileStat(fname, &buf);
int64_t bytes = buf.st_size;
@@ -78,13 +81,12 @@ void _testFile(CuTest *tc, const char* fname, bool verbose)
{
CuMessageA(tc, " Reading test file containing %d bytes.\n", bytes);
jstreams::FileReader fr(fname, "ASCII");
- const TCHAR *start;
+ const TCHAR* start;
size_t total = 0;
int32_t numRead;
do {
numRead = fr.read((const void**)&start, 1, 0);
- if (numRead == -1)
- break;
+ if (numRead == -1) break;
total += numRead;
} while (numRead >= 0);
@@ -95,29 +97,32 @@ void _testFile(CuTest *tc, const char* fname, bool verbose)
{
_CLDELETE_CaARRAY(orig);
}
-void testFile(CuTest *tc) {
+void testFile(CuTest* tc) {
char loc[1024];
strcpy(loc, clucene_data_location);
strcat(loc, "/reuters-21578/feldman-cia-worldfactbook-data.txt");
- CuAssert(tc, _T("reuters-21578/feldman-cia-worldfactbook-data.txt does not
exist"), Misc::dir_Exists(loc));
+ CuAssert(tc, _T("reuters-21578/feldman-cia-worldfactbook-data.txt does not
exist"),
+ Misc::dir_Exists(loc));
_testFile(tc, loc, false);
}
-void _testCJK(CuTest *tc, const char* astr, const char** results, bool
ignoreSurrogates = true) {
- SimpleInputStreamReader r(new AStringReader(astr),
SimpleInputStreamReader::UTF8);
+void _testCJK(CuTest* tc, const char* astr, const char** results, bool
ignoreSurrogates = true) {
+ //SimpleInputStreamReader r(new AStringReader(astr),
SimpleInputStreamReader::UTF8);
+ auto r = std::make_unique<lucene::util::SStringReader<char>>(astr,
strlen(astr), false);
- CJKTokenizer* tokenizer = _CLNEW CJKTokenizer(&r);
+ CJKTokenizer* tokenizer = _CLNEW CJKTokenizer(r.get());
tokenizer->setIgnoreSurrogates(ignoreSurrogates);
int pos = 0;
Token tok;
- TCHAR tres[LUCENE_MAX_WORD_LEN];
+ //TCHAR tres[LUCENE_MAX_WORD_LEN];
while (results[pos] != NULL) {
CLUCENE_ASSERT(tokenizer->next(&tok) != NULL);
- lucene_utf8towcs(tres, results[pos], LUCENE_MAX_WORD_LEN);
- //wcout << tres << " actual " << tok.termBuffer<TCHAR>() << std::endl;
- CuAssertStrEquals(tc, _T("unexpected token value"), tres,
tok.termBuffer<TCHAR>());
+ //lucene_utf8towcs(tres, results[pos], LUCENE_MAX_WORD_LEN);
+ //cout << results[pos] << " actual " <<
std::string(tok.termBuffer<char>() ,tok.termLength<char>())<< std::endl;
+ CLUCENE_ASSERT(strncmp(tok.termBuffer<char>(), results[pos],
tok.termLength<char>()) == 0);
+ //CuAssertStrEquals(tc, "unexpected token value", tres,
tok.termBuffer<char>());
pos++;
}
CLUCENE_ASSERT(!tokenizer->next(&tok));
@@ -125,28 +130,30 @@ void _testCJK(CuTest *tc, const char* astr, const char**
results, bool ignoreSur
_CLDELETE(tokenizer);
}
-void testCJK(CuTest *tc) {
+void testCJK(CuTest* tc) {
//utf16 test
//we have a very large unicode character:
//xEFFFF = utf8(F3 AF BF BF) = utf16(DB7F DFFF) = utf8(ED AD BF, ED BF BF)
- static const char* exp4[4] = {"我爱","爱你","", NULL};
- _testCJK(tc, "我爱你",exp4, false);
+ static const char* exp4[4] = {"我爱", "爱你", "", NULL};
+ _testCJK(tc, "我爱你", exp4, false);
- static const char* exp3[4] = {"\xED\xAD\xBF\xED\xBF\xBF\xe5\x95\xa4",
"\xe5\x95\xa4\xED\xAD\xBF\xED\xBF\xBF", "", NULL};
+ static const char* exp3[4] = {"\xED\xAD\xBF\xED\xBF\xBF\xe5\x95\xa4",
+ "\xe5\x95\xa4\xED\xAD\xBF\xED\xBF\xBF", "",
NULL};
_testCJK(tc,
"\xED\xAD\xBF\xED\xBF\xBF\xe5\x95\xa4\xED\xAD\xBF\xED\xBF\xBF", exp3, false);
static const char* exp1[5] = {"test", "t\xc3\xbcrm", "values", NULL};
_testCJK(tc, "test t\xc3\xbcrm values", exp1);
- static const char* exp2[6] = {"a", "\xe5\x95\xa4\xe9\x85\x92",
"\xe9\x85\x92\xe5\x95\xa4", "", "x", NULL};
+ static const char* exp2[6] = {
+ "a", "\xe5\x95\xa4\xe9\x85\x92", "\xe9\x85\x92\xe5\x95\xa4", "",
"x", NULL};
_testCJK(tc, "a\xe5\x95\xa4\xe9\x85\x92\xe5\x95\xa4x", exp2);
}
void testSimpleJiebaSearchModeTokenizer2(CuTest* tc) {
LanguageBasedAnalyzer a;
const char* field_value_data = "冰咒龙";
- auto stringReader =
- _CLNEW lucene::util::SStringReader<char>(field_value_data,
strlen(field_value_data), false);
+ auto stringReader = std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data, strlen(field_value_data), false);
TokenStream* ts;
Token t;
@@ -155,12 +162,12 @@ void testSimpleJiebaSearchModeTokenizer2(CuTest* tc) {
a.setStem(false);
a.setMode(lucene::analysis::AnalyzerMode::Search);
a.initDict("./dict");
- ts = a.tokenStream(_T("contents"), stringReader);
+ ts = a.tokenStream(_T("contents"), stringReader.get());
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("冰咒")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "冰咒", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("龙")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "龙", t.termLength<char>()) ==
0);
CLUCENE_ASSERT(ts->next(&t) == NULL);
_CLDELETE(ts);
}
@@ -168,8 +175,8 @@ void testSimpleJiebaSearchModeTokenizer2(CuTest* tc) {
void testSimpleJiebaAllModeTokenizer2(CuTest* tc) {
LanguageBasedAnalyzer a;
const char* field_value_data = "冰咒龙";
- auto stringReader =
- _CLNEW lucene::util::SStringReader<char>(field_value_data,
strlen(field_value_data), false);
+ auto stringReader = std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data, strlen(field_value_data), false);
TokenStream* ts;
Token t;
@@ -178,14 +185,14 @@ void testSimpleJiebaAllModeTokenizer2(CuTest* tc) {
a.setStem(false);
a.setMode(lucene::analysis::AnalyzerMode::All);
a.initDict("./dict");
- ts = a.tokenStream(_T("contents"), stringReader);
+ ts = a.tokenStream(_T("contents"), stringReader.get());
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("冰")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "冰", t.termLength<char>()) ==
0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("咒")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "咒", t.termLength<char>()) ==
0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("龙")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "龙", t.termLength<char>()) ==
0);
CLUCENE_ASSERT(ts->next(&t) == NULL);
_CLDELETE(ts);
}
@@ -193,8 +200,8 @@ void testSimpleJiebaAllModeTokenizer2(CuTest* tc) {
void testSimpleJiebaAllModeTokenizer(CuTest* tc) {
LanguageBasedAnalyzer a;
const char* field_value_data = "我来到北京清华大学";
- auto stringReader =
- _CLNEW lucene::util::SStringReader<char>(field_value_data,
strlen(field_value_data), false);
+ auto stringReader = std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data, strlen(field_value_data), false);
TokenStream* ts;
Token t;
@@ -203,20 +210,22 @@ void testSimpleJiebaAllModeTokenizer(CuTest* tc) {
a.setStem(false);
a.setMode(lucene::analysis::AnalyzerMode::All);
a.initDict("./dict");
- ts = a.tokenStream(_T("contents"), stringReader);
+ ts = a.tokenStream(_T("contents"), stringReader.get());
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("来到")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "我", t.termLength<char>()) ==
0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("北京")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "来到", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("清华")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "北京", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("清华大学")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "清华", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("华大")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "清华大学", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("大学")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "华大", t.termLength<char>())
== 0);
+ CLUCENE_ASSERT(ts->next(&t) != NULL);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "大学", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) == NULL);
_CLDELETE(ts);
}
@@ -224,8 +233,8 @@ void testSimpleJiebaAllModeTokenizer(CuTest* tc) {
void testSimpleJiebaDefaultModeTokenizer2(CuTest* tc) {
LanguageBasedAnalyzer a;
const char* field_value_data = "中国的科技发展在世界上处于领先";
- auto stringReader =
- _CLNEW lucene::util::SStringReader<char>(field_value_data,
strlen(field_value_data), false);
+ auto stringReader = std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data, strlen(field_value_data), false);
TokenStream* ts;
Token t;
@@ -234,7 +243,7 @@ void testSimpleJiebaDefaultModeTokenizer2(CuTest* tc) {
a.setStem(false);
a.setMode(lucene::analysis::AnalyzerMode::Default);
a.initDict("./dict");
- ts = a.tokenStream(_T("contents"), stringReader);
+ ts = a.tokenStream(_T("contents"), stringReader.get());
/*char tmp[255] = {};
while(ts->next(&t) != nullptr) {
@@ -243,17 +252,17 @@ void testSimpleJiebaDefaultModeTokenizer2(CuTest* tc) {
}*/
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("中国")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "中国", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("科技")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "科技", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("发展")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "发展", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("在世界上")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "在世界上", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("处于")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "处于", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("领先")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "领先", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) == NULL);
_CLDELETE(ts);
}
@@ -261,8 +270,8 @@ void testSimpleJiebaDefaultModeTokenizer2(CuTest* tc) {
void testSimpleJiebaDefaultModeTokenizer(CuTest* tc) {
LanguageBasedAnalyzer a;
const char* field_value_data = "我来到北京清华大学";
- auto stringReader =
- _CLNEW lucene::util::SStringReader<char>(field_value_data,
strlen(field_value_data), false);
+ auto stringReader = std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data, strlen(field_value_data), false);
TokenStream* ts;
Token t;
@@ -271,14 +280,16 @@ void testSimpleJiebaDefaultModeTokenizer(CuTest* tc) {
a.setStem(false);
a.setMode(lucene::analysis::AnalyzerMode::Default);
a.initDict("./dict");
- ts = a.tokenStream(_T("contents"), stringReader);
+ ts = a.tokenStream(_T("contents"), stringReader.get());
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("来到")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "我", t.termLength<char>()) ==
0);
+ CLUCENE_ASSERT(ts->next(&t) != NULL);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "来到", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("北京")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "北京", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("清华大学")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "清华大学", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) == NULL);
_CLDELETE(ts);
}
@@ -286,8 +297,8 @@ void testSimpleJiebaDefaultModeTokenizer(CuTest* tc) {
void testSimpleJiebaSearchModeTokenizer(CuTest* tc) {
LanguageBasedAnalyzer a;
const char* field_value_data = "我来到北京清华大学";
- auto stringReader =
- _CLNEW lucene::util::SStringReader<char>(field_value_data,
strlen(field_value_data), false);
+ auto stringReader = std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data, strlen(field_value_data), false);
TokenStream* ts;
Token t;
@@ -296,22 +307,22 @@ void testSimpleJiebaSearchModeTokenizer(CuTest* tc) {
a.setStem(false);
a.setMode(lucene::analysis::AnalyzerMode::Search);
a.initDict("./dict");
- ts = a.tokenStream(_T("contents"), stringReader);
+ ts = a.tokenStream(_T("contents"), stringReader.get());
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("我")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "我", t.termLength<char>()) ==
0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("来到")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "来到", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("北京")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "北京", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("清华")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "清华", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("华大")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "华大", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("大学")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "大学", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("清华大学")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "清华大学", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) == NULL);
_CLDELETE(ts);
}
@@ -319,8 +330,8 @@ void testSimpleJiebaSearchModeTokenizer(CuTest* tc) {
void testSimpleJiebaTokenizer(CuTest* tc) {
LanguageBasedAnalyzer a;
const char* field_value_data = "我爱你中国";
- auto stringReader =
- _CLNEW lucene::util::SStringReader<char>(field_value_data,
strlen(field_value_data), false);
+ auto stringReader = std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data, strlen(field_value_data), false);
TokenStream* ts;
Token t;
@@ -329,12 +340,12 @@ void testSimpleJiebaTokenizer(CuTest* tc) {
a.setStem(false);
a.setMode(lucene::analysis::AnalyzerMode::Default);
a.initDict("./dict");
- ts = a.tokenStream(_T("contents"), stringReader);
+ ts = a.tokenStream(_T("contents"), stringReader.get());
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("我爱你")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "我爱你", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("中国")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "中国", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) == NULL);
_CLDELETE(ts);
}
@@ -342,8 +353,8 @@ void testSimpleJiebaTokenizer(CuTest* tc) {
void testSimpleJiebaTokenizer2(CuTest* tc) {
LanguageBasedAnalyzer a;
const char* field_value_data = "人民可以得到更多实惠";
- auto stringReader =
- _CLNEW lucene::util::SStringReader<char>(field_value_data,
strlen(field_value_data), false);
+ auto stringReader = std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data, strlen(field_value_data), false);
TokenStream* ts;
Token t;
@@ -351,16 +362,20 @@ void testSimpleJiebaTokenizer2(CuTest* tc) {
a.setLanguage(_T("chinese"));
a.setStem(false);
a.setMode(lucene::analysis::AnalyzerMode::Default);
- ts = a.tokenStream(_T("contents"), stringReader);
+ ts = a.tokenStream(_T("contents"), stringReader.get());
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("人民")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "人民", t.termLength<char>())
== 0);
+ CLUCENE_ASSERT(ts->next(&t) != NULL);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "可以", t.termLength<char>())
== 0);
+ CLUCENE_ASSERT(ts->next(&t) != NULL);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "得到", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("得到")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "更", t.termLength<char>()) ==
0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("更")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "多", t.termLength<char>()) ==
0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("实惠")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "实惠", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) == NULL);
_CLDELETE(ts);
}
@@ -368,8 +383,8 @@ void testSimpleJiebaTokenizer2(CuTest* tc) {
void testSimpleJiebaTokenizer3(CuTest* tc) {
LanguageBasedAnalyzer a;
const char* field_value_data = "中国人民银行";
- auto stringReader =
- _CLNEW lucene::util::SStringReader<char>(field_value_data,
strlen(field_value_data), false);
+ auto stringReader = std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data, strlen(field_value_data), false);
TokenStream* ts;
Token t;
@@ -378,10 +393,10 @@ void testSimpleJiebaTokenizer3(CuTest* tc) {
a.setLanguage(_T("chinese"));
a.setStem(false);
a.setMode(lucene::analysis::AnalyzerMode::Default);
- ts = a.tokenStream(_T("contents"), stringReader);
+ ts = a.tokenStream(_T("contents"), stringReader.get());
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("中国人民银行")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "中国人民银行",
t.termLength<char>()) == 0);
CLUCENE_ASSERT(ts->next(&t) == NULL);
_CLDELETE(ts);
}
@@ -389,44 +404,46 @@ void testSimpleJiebaTokenizer3(CuTest* tc) {
void testSimpleJiebaTokenizer4(CuTest* tc) {
LanguageBasedAnalyzer a;
const char* field_value_data = "人民，银行";
- auto stringReader =
- _CLNEW lucene::util::SStringReader<char>(field_value_data,
strlen(field_value_data), false);
+ auto stringReader = std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data, strlen(field_value_data), false);
TokenStream* ts;
Token t;
//test with chinese
a.setLanguage(_T("chinese"));
a.setStem(false);
- ts = a.tokenStream(_T("contents"), stringReader);
+ ts = a.tokenStream(_T("contents"), stringReader.get());
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("人民")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "人民", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("银行")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "银行", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) == NULL);
_CLDELETE(ts);
}
void testChineseAnalyzer(CuTest* tc) {
LanguageBasedAnalyzer a;
- CL_NS(util)::StringReader reader(_T("我爱你"));
- reader.mark(50);
+ //CL_NS(util)::StringReader reader(_T("我爱你"));
+ auto reader =
+ std::make_unique<lucene::util::SStringReader<char>>("我爱你",
strlen("我爱你"), false);
+ //reader->mark(50);
TokenStream* ts;
Token t;
//test with cjk
a.setLanguage(_T("cjk"));
a.setStem(false);
- ts = a.tokenStream(_T("contents"), &reader);
+ ts = a.tokenStream(_T("contents"), reader.get());
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("我爱")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "我爱", t.termLength<char>())
== 0);
CLUCENE_ASSERT(ts->next(&t) != NULL);
- CLUCENE_ASSERT(_tcscmp(t.termBuffer<TCHAR>(), _T("爱你")) == 0);
+ CLUCENE_ASSERT(strncmp(t.termBuffer<char>(), "爱你", t.termLength<char>())
== 0);
_CLDELETE(ts);
}
-void testChinese(CuTest *tc) {
+void testChinese(CuTest* tc) {
RAMDirectory dir;
auto analyzer = _CLNEW lucene::analysis::LanguageBasedAnalyzer();
@@ -439,229 +456,260 @@ void testChinese(CuTest *tc) {
auto field = _CLNEW Field(field_name, Field::INDEX_TOKENIZED |
Field::STORE_NO);
doc.add(*field);
-
const char* field_value_data = "人民可以得到更多实惠";
- auto stringReader =
- _CLNEW lucene::util::SimpleInputStreamReader(new
lucene::util::AStringReader(field_value_data),
lucene::util::SimpleInputStreamReader::UTF8);
+ auto stringReader = _CLNEW lucene::util::SimpleInputStreamReader(
+ new lucene::util::AStringReader(field_value_data),
+ lucene::util::SimpleInputStreamReader::UTF8);
field->setValue(stringReader);
w.addDocument(&doc);
const char* field_value_data1 = "中国人民银行";
- auto stringReader1 =
- _CLNEW lucene::util::SimpleInputStreamReader(new
lucene::util::AStringReader(field_value_data1),
lucene::util::SimpleInputStreamReader::UTF8);
+ auto stringReader1 = _CLNEW lucene::util::SimpleInputStreamReader(
+ new lucene::util::AStringReader(field_value_data1),
+ lucene::util::SimpleInputStreamReader::UTF8);
field->setValue(stringReader1);
w.addDocument(&doc);
const char* field_value_data2 = "洛杉矶人，洛杉矶居民";
- auto stringReader2 =
- _CLNEW lucene::util::SimpleInputStreamReader(new
lucene::util::AStringReader(field_value_data2),
lucene::util::SimpleInputStreamReader::UTF8);
+ auto stringReader2 = _CLNEW lucene::util::SimpleInputStreamReader(
+ new lucene::util::AStringReader(field_value_data2),
+ lucene::util::SimpleInputStreamReader::UTF8);
field->setValue(stringReader2);
w.addDocument(&doc);
const char* field_value_data3 = "民族，人民";
- auto stringReader3 =
- _CLNEW lucene::util::SimpleInputStreamReader(new
lucene::util::AStringReader(field_value_data3),
lucene::util::SimpleInputStreamReader::UTF8);
+ auto stringReader3 = _CLNEW lucene::util::SimpleInputStreamReader(
+ new lucene::util::AStringReader(field_value_data3),
+ lucene::util::SimpleInputStreamReader::UTF8);
field->setValue(stringReader3);
w.addDocument(&doc);
w.close();
IndexSearcher searcher(&dir);
- Term *t1 = _CLNEW Term(_T("chinese"), _T("人民"));
- auto *query1 = _CLNEW TermQuery(t1);
- Hits *hits1 = searcher.search(query1);
+ Term* t1 = _CLNEW Term(_T("chinese"), _T("人民"));
+ auto* query1 = _CLNEW TermQuery(t1);
+ Hits* hits1 = searcher.search(query1);
CLUCENE_ASSERT(3 == hits1->length());
- Term *t2 = _CLNEW Term(_T("chinese"), _T("民族"));
- auto *query2 = _CLNEW TermQuery(t2);
- Hits *hits2 = searcher.search(query2);
+ Term* t2 = _CLNEW Term(_T("chinese"), _T("民族"));
+ auto* query2 = _CLNEW TermQuery(t2);
+ Hits* hits2 = searcher.search(query2);
CLUCENE_ASSERT(1 == hits2->length());
doc.clear();
//_CLDELETE(field)
+ _CLDELETE(hits1)
+ _CLDELETE(hits2)
}
void testJiebaMatch(CuTest* tc) {
RAMDirectory dir;
-
- auto analyzer = _CLNEW lucene::analysis::LanguageBasedAnalyzer();
- analyzer->setLanguage(L"chinese");
- analyzer->setMode(lucene::analysis::AnalyzerMode::Default);
- IndexWriter w(&dir, analyzer, true);
auto field_name = lucene::util::Misc::_charToWide("chinese");
-
- Document doc;
- auto field = _CLNEW Field(field_name, Field::INDEX_TOKENIZED |
Field::STORE_NO);
- doc.add(*field);
-
-
- const char* field_value_data = "人民可以得到更多实惠";
- auto stringReader =
- _CLNEW lucene::util::SStringReader<char>(field_value_data,
strlen(field_value_data), false);
- field->setValue(stringReader);
- w.addDocument(&doc);
-
- const char* field_value_data1 = "中国人民银行";
- auto stringReader1 =
- _CLNEW lucene::util::SStringReader<char>(field_value_data1,
strlen(field_value_data1), false);
- field->setValue(stringReader1);
- w.addDocument(&doc);
-
- const char* field_value_data2 = "洛杉矶人，洛杉矶居民";
- auto stringReader2 =
- _CLNEW lucene::util::SStringReader<char>(field_value_data2,
strlen(field_value_data2), false);
- field->setValue(stringReader2);
- w.addDocument(&doc);
-
- const char* field_value_data3 = "民族，人民";
- auto stringReader3 =
- _CLNEW lucene::util::SStringReader<char>(field_value_data3,
strlen(field_value_data3), false);
- field->setValue(stringReader3);
- w.addDocument(&doc);
-
- w.close();
-
+ try {
+ auto analyzer =
std::make_unique<lucene::analysis::LanguageBasedAnalyzer>();
+ analyzer->setLanguage(L"chinese");
+ analyzer->setMode(lucene::analysis::AnalyzerMode::Default);
+ IndexWriter w(&dir, analyzer.get(), true);
+ w.setUseCompoundFile(false);
+
+ Document doc;
+ auto field = _CLNEW Field(field_name, Field::INDEX_TOKENIZED |
Field::STORE_NO);
+ doc.add(*field);
+
+ const char* field_value_data = "人民可以得到更多实惠";
+ auto stringReader =
std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data, strlen(field_value_data), false);
+ auto* stream = analyzer->tokenStream(field->name(),
stringReader.get());
+ field->setValue(stream);
+ w.addDocument(&doc);
+
+ const char* field_value_data1 = "中国人民银行";
+ auto stringReader1 =
std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data1, strlen(field_value_data1), false);
+ auto* stream1 = analyzer->tokenStream(field->name(),
stringReader1.get());
+ field->setValue(stream1);
+ w.addDocument(&doc);
+
+ const char* field_value_data2 = "洛杉矶人，洛杉矶居民";
+ auto stringReader2 =
std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data2, strlen(field_value_data2), false);
+ auto* stream2 = analyzer->tokenStream(field->name(),
stringReader2.get());
+ field->setValue(stream2);
+ w.addDocument(&doc);
+
+ const char* field_value_data3 = "民族，人民";
+ auto stringReader3 =
std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data3, strlen(field_value_data3), false);
+ auto* stream3 = analyzer->tokenStream(field->name(),
stringReader3.get());
+ field->setValue(stream3);
+ w.addDocument(&doc);
+
+ w.close();
+ doc.clear();
+ _CLDELETE(stream)
+ _CLDELETE(stream1)
+ _CLDELETE(stream2)
+ _CLDELETE(stream3)
+ } catch (CLuceneError& r) {
+ printf("clucene error in testJiebaMatch: %s\n", r.what());
+ }
IndexSearcher searcher(&dir);
- lucene::util::Reader* reader = nullptr;
- std::vector<std::wstring> analyse_result;
+ std::vector<std::string> analyse_result;
const char* value = "民族";
- analyzer = _CLNEW lucene::analysis::LanguageBasedAnalyzer(L"chinese",
false);
- reader = _CLNEW lucene::util::SStringReader<char>(value, strlen(value),
false);
+ auto analyzer =
std::make_unique<lucene::analysis::LanguageBasedAnalyzer>(L"chinese", false);
+ auto reader = std::make_unique<lucene::util::SStringReader<char>>(value,
strlen(value), false);
- lucene::analysis::TokenStream* token_stream =
analyzer->tokenStream(field_name, reader);
+ lucene::analysis::TokenStream* token_stream =
analyzer->tokenStream(field_name, reader.get());
lucene::analysis::Token token;
while (token_stream->next(&token)) {
- if(token.termLength<TCHAR>() != 0) {
- analyse_result.emplace_back(token.termBuffer<TCHAR>(),
token.termLength<TCHAR>());
+ if (token.termLength<char>() != 0) {
+ analyse_result.emplace_back(token.termBuffer<char>(),
token.termLength<char>());
}
}
if (token_stream != nullptr) {
token_stream->close();
}
+ _CLDELETE(token_stream)
- lucene::search::Query* query = _CLNEW lucene::search::BooleanQuery();
+ auto query = std::make_unique<lucene::search::BooleanQuery>();
for (const auto& t : analyse_result) {
- //std::wstring token_ws = std::wstring(token.begin(), token.end());
- auto* term =
- _CLNEW lucene::index::Term(field_name, t.c_str());
- dynamic_cast<lucene::search::BooleanQuery*>(query)
+ std::wstring token_ws = StringUtil::string_to_wstring(t);
+ auto* term = _CLNEW lucene::index::Term(field_name, token_ws.c_str());
+ dynamic_cast<lucene::search::BooleanQuery*>(query.get())
->add(_CLNEW lucene::search::TermQuery(term), true,
lucene::search::BooleanClause::SHOULD);
_CLDECDELETE(term);
}
-
- Hits *hits1 = searcher.search(query);
+ Hits* hits1 = searcher.search(query.get());
CLUCENE_ASSERT(1 == hits1->length());
-
- doc.clear();
+ _CLDELETE(hits1)
+ _CLDELETE_ARRAY(field_name)
}
void testJiebaMatch2(CuTest* tc) {
RAMDirectory dir;
- auto analyzer = _CLNEW lucene::analysis::LanguageBasedAnalyzer();
+ auto analyzer =
std::make_unique<lucene::analysis::LanguageBasedAnalyzer>();
analyzer->setLanguage(L"chinese");
analyzer->setMode(lucene::analysis::AnalyzerMode::Default);
- IndexWriter w(&dir, analyzer, true);
+ IndexWriter w(&dir, analyzer.get(), true);
+ w.setUseCompoundFile(false);
auto field_name = lucene::util::Misc::_charToWide("chinese");
Document doc;
auto field = _CLNEW Field(field_name, Field::INDEX_TOKENIZED |
Field::STORE_NO);
doc.add(*field);
-
- const char* field_value_data = "人民可以得到更多实惠";
- auto stringReader =
- _CLNEW lucene::util::SStringReader<char>(field_value_data,
strlen(field_value_data), false);
- field->setValue(stringReader);
- w.addDocument(&doc);
-
- const char* field_value_data1 = "中国人民银行";
- auto stringReader1 =
- _CLNEW lucene::util::SStringReader<char>(field_value_data1,
strlen(field_value_data1), false);
- field->setValue(stringReader1);
- w.addDocument(&doc);
-
- const char* field_value_data2 = "洛杉矶人，洛杉矶居民";
- auto stringReader2 =
- _CLNEW lucene::util::SStringReader<char>(field_value_data2,
strlen(field_value_data2), false);
- field->setValue(stringReader2);
- w.addDocument(&doc);
-
- const char* field_value_data3 = "民族，人民";
- auto stringReader3 =
- _CLNEW lucene::util::SStringReader<char>(field_value_data3,
strlen(field_value_data3), false);
- field->setValue(stringReader3);
- w.addDocument(&doc);
-
- w.close();
-
+ try {
+ const char* field_value_data = "人民可以得到更多实惠";
+ auto stringReader =
std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data, strlen(field_value_data), false);
+ auto* stream = analyzer->tokenStream(field->name(),
stringReader.get());
+ field->setValue(stream);
+ w.addDocument(&doc);
+
+ const char* field_value_data1 = "中国人民银行";
+ auto stringReader1 =
std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data1, strlen(field_value_data1), false);
+ auto* stream1 = analyzer->tokenStream(field->name(),
stringReader1.get());
+ field->setValue(stream1);
+ w.addDocument(&doc);
+
+ const char* field_value_data2 = "洛杉矶人，洛杉矶居民";
+ auto stringReader2 =
std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data2, strlen(field_value_data2), false);
+ auto* stream2 = analyzer->tokenStream(field->name(),
stringReader2.get());
+ field->setValue(stream2);
+ w.addDocument(&doc);
+
+ const char* field_value_data3 = "民族，人民";
+ auto stringReader3 =
std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data3, strlen(field_value_data3), false);
+ auto* stream3 = analyzer->tokenStream(field->name(),
stringReader3.get());
+ field->setValue(stream3);
+ w.addDocument(&doc);
+
+ w.close();
+ doc.clear();
+ _CLDELETE(stream)
+ _CLDELETE(stream1)
+ _CLDELETE(stream2)
+ _CLDELETE(stream3)
+ } catch (CLuceneError& r) {
+ printf("clucene error in testJiebaMatch2: %s\n", r.what());
+ }
IndexSearcher searcher(&dir);
- lucene::util::Reader* reader = nullptr;
- std::vector<std::wstring> analyse_result;
+ std::vector<std::string> analyse_result;
const char* value = "人民";
- analyzer = _CLNEW lucene::analysis::LanguageBasedAnalyzer(L"chinese",
false);
- reader = _CLNEW lucene::util::SStringReader<char>(value, strlen(value),
false);
+ auto analyzer1 =
std::make_unique<lucene::analysis::LanguageBasedAnalyzer>(L"chinese", false);
+ auto reader = std::make_unique<lucene::util::SStringReader<char>>(value,
strlen(value), false);
- lucene::analysis::TokenStream* token_stream =
analyzer->tokenStream(field_name, reader);
+ lucene::analysis::TokenStream* token_stream =
analyzer1->tokenStream(field_name, reader.get());
lucene::analysis::Token token;
while (token_stream->next(&token)) {
- if(token.termLength<TCHAR>() != 0) {
- analyse_result.emplace_back(token.termBuffer<TCHAR>(),
token.termLength<TCHAR>());
+ if (token.termLength<char>() != 0) {
+ analyse_result.emplace_back(token.termBuffer<char>(),
token.termLength<char>());
}
}
if (token_stream != nullptr) {
token_stream->close();
}
-
- lucene::search::Query* query = _CLNEW lucene::search::BooleanQuery();
+ _CLDELETE(token_stream)
+ auto query = std::make_unique<lucene::search::BooleanQuery>();
for (const auto& t : analyse_result) {
- //std::wstring token_ws = std::wstring(token.begin(), token.end());
- auto* term =
- _CLNEW lucene::index::Term(field_name, t.c_str());
- dynamic_cast<lucene::search::BooleanQuery*>(query)
+ std::wstring token_ws = StringUtil::string_to_wstring(t);
+ auto* term = _CLNEW lucene::index::Term(field_name, token_ws.c_str());
+ dynamic_cast<lucene::search::BooleanQuery*>(query.get())
->add(_CLNEW lucene::search::TermQuery(term), true,
lucene::search::BooleanClause::SHOULD);
_CLDECDELETE(term);
}
- Hits *hits1 = searcher.search(query);
+ Hits* hits1 = searcher.search(query.get());
CLUCENE_ASSERT(2 == hits1->length());
-
- doc.clear();
+ _CLDELETE(hits1)
+ _CLDELETE_ARRAY(field_name)
}
void testJiebaMatchHuge(CuTest* tc) {
RAMDirectory dir;
- auto analyzer = _CLNEW lucene::analysis::LanguageBasedAnalyzer();
+ auto analyzer =
std::make_unique<lucene::analysis::LanguageBasedAnalyzer>();
analyzer->setLanguage(L"chinese");
analyzer->setMode(lucene::analysis::AnalyzerMode::Default);
analyzer->initDict("./dict");
- IndexWriter w(&dir, analyzer, true);
+ IndexWriter w(&dir, analyzer.get(), true);
+ w.setUseCompoundFile(false);
auto field_name = lucene::util::Misc::_charToWide("chinese");
Document doc;
auto field = _CLNEW Field(field_name, Field::INDEX_TOKENIZED |
Field::STORE_NO);
doc.add(*field);
-
- const char* field_value_data = "数据模型\n"
- "本文档主要从逻辑层面，描述 Doris 的数据模型，以帮助用户更好的使用 Doris 应对不同的业务场景。\n"
+ const char* field_value_data =
+ "数据模型\n"
+ "本文档主要从逻辑层面，描述 Doris 的数据模型，以帮助用户更好的使用 Doris "
+ "应对不同的业务场景。\n"
"\n"
"基本概念\n"
- "在 Doris 中，数据以表（Table）的形式进行逻辑上的描述。 一张表包括行（Row）和列（Column）。Row
即用户的一行数据。Column 用于描述一行数据中不同的字段。\n"
+ "在 Doris 中，数据以表（Table）的形式进行逻辑上的描述。 "
+ "一张表包括行（Row）和列（Column）。Row 即用户的一行数据。Column "
+ "用于描述一行数据中不同的字段。\n"
"\n"
- "Column 可以分为两大类：Key 和 Value。从业务角度看，Key 和 Value
可以分别对应维度列和指标列。Doris的key列是建表语句中指定的列，建表语句中的关键字\\'unique key\\'或\\'aggregate
key\\'或\\'duplicate key\\'后面的列就是 Key 列，除了 Key 列剩下的就是 Value a列。\n"
+ "Column 可以分为两大类：Key 和 Value。从业务角度看，Key 和 Value "
+ "可以分别对应维度列和指标列。Doris的key列是建表语句中指定的列，建表语句中的关键字\\'"
+ "unique key\\'或\\'aggregate key\\'或\\'duplicate key\\'后面的列就是 Key
列，除了 Key "
+ "列剩下的就是 Value a列。\n"
"\n"
"Doris 的数据模型主要分为3类:\n"
"\n"
@@ -695,7 +743,8 @@ void testJiebaMatchHuge(CuTest* tc) {
"city VARCHAR(20) COMMENT \"用户所在城市\",\n"
"age SMALLINT COMMENT \"用户年龄\",\n"
"sex TINYINT COMMENT \"用户性别\",\n"
- "last_visit_date DATETIME REPLACE DEFAULT \"1970-01-01 00:00:00\"
COMMENT \"用户最后一次访问时间\",\n"
+ "last_visit_date DATETIME REPLACE DEFAULT \"1970-01-01 00:00:00\"
COMMENT "
+ "\"用户最后一次访问时间\",\n"
"cost BIGINT SUM DEFAULT \"0\" COMMENT \"用户总消费\",\n"
"max_dwell_time INT MAX DEFAULT \"0\" COMMENT \"用户最大停留时间\",\n"
"min_dwell_time INT MIN DEFAULT \"99999\" COMMENT \"用户最小停留时间\"\n"
@@ -706,11 +755,16 @@ void testJiebaMatchHuge(CuTest* tc) {
"\"replication_allocation\" = \"tag.location.default: 1\"\n"
");\n"
"\n"
- "可以看到，这是一个典型的用户信息和访问行为的事实表。
在一般星型模型中，用户信息和访问行为一般分别存放在维度表和事实表中。这里我们为了更加方便的解释 Doris 的数据模型，将两部分信息统一存放在一张表中。\n"
+ "可以看到，这是一个典型的用户信息和访问行为的事实表。 "
+ "在一般星型模型中，用户信息和访问行为一般分别存放在维度表和事实表中。这里我们为了更加方"
+ "便的解释 Doris 的数据模型，将两部分信息统一存放在一张表中。\n"
"\n"
- "表中的列按照是否设置了 AggregationType，分为 Key (维度列) 和 Value（指标列）。没有设置
AggregationType 的，如 user_id、date、age ... 等称为 Key，而设置了 AggregationType 的称为
Value。\n"
+ "表中的列按照是否设置了 AggregationType，分为 Key (维度列) 和 "
+ "Value（指标列）。没有设置 AggregationType 的，如 user_id、date、age ... 等称为 "
+ "Key，而设置了 AggregationType 的称为 Value。\n"
"\n"
- "当我们导入数据时，对于 Key 列相同的行会聚合成一行，而 Value 列会按照设置的 AggregationType 进行聚合。
AggregationType 目前有以下四种聚合方式：\n"
+ "当我们导入数据时，对于 Key 列相同的行会聚合成一行，而 Value 列会按照设置的 "
+ "AggregationType 进行聚合。 AggregationType 目前有以下四种聚合方式：\n"
"\n"
"SUM：求和，多行的 Value 进行累加。\n"
"REPLACE：替代，下一批数据中的 Value 会替换之前导入过的行中的 Value。\n"
@@ -758,13 +812,18 @@ void testJiebaMatchHuge(CuTest* tc) {
"10003 2017-10-02 广州 32 0 2017-10-02 11:20:00 30 11 11\n"
"10004 2017-10-01 深圳 35 0 2017-10-01 10:00:15 100 3 3\n"
"10004 2017-10-03 深圳 35 0 2017-10-03 10:20:22 11 6 6\n"
- "可以看到，用户 10000 只剩下了一行聚合后的数据。而其余用户的数据和原始数据保持一致。这里先解释下用户 10000
聚合后的数据：\n"
+ "可以看到，用户 10000 "
+ "只剩下了一行聚合后的数据。而其余用户的数据和原始数据保持一致。这里先解释下用户 10000 "
+ "聚合后的数据：\n"
"\n"
"前5列没有变化，从第6列 last_visit_date 开始：\n"
"\n"
- "2017-10-01 07:00:00：因为 last_visit_date 列的聚合方式为 REPLACE，所以
2017-10-01 07:00:00 替换了 2017-10-01 06:00:00 保存了下来。\n"
+ "2017-10-01 07:00:00：因为 last_visit_date 列的聚合方式为 REPLACE，所以
2017-10-01 "
+ "07:00:00 替换了 2017-10-01 06:00:00 保存了下来。\n"
"\n"
- "注：在同一个导入批次中的数据，对于 REPLACE 这种聚合方式，替换顺序不做保证。如在这个例子中，最终保存下来的，也有可能是
2017-10-01 06:00:00。而对于不同导入批次中的数据，可以保证，后一批次的数据会替换前一批次。\n"
+ "注：在同一个导入批次中的数据，对于 REPLACE "
+ "这种聚合方式，替换顺序不做保证。如在这个例子中，最终保存下来的，也有可能是 2017-10-01 "
+ "06:00:00。而对于不同导入批次中的数据，可以保证，后一批次的数据会替换前一批次。\n"
"\n"
"35：因为 cost 列的聚合类型为 SUM，所以由 20 + 15 累加获得 35。\n"
"\n"
@@ -772,7 +831,9 @@ void testJiebaMatchHuge(CuTest* tc) {
"\n"
"2：因为 min_dwell_time 列的聚合类型为 MIN，所以 10 和 2 取最小值，获得 2。\n"
"\n"
- "经过聚合，Doris 中最终只会存储聚合后的数据。换句话说，即明细数据会丢失，用户不能够再查询到聚合前的明细数据了。\n"
+ "经过聚合，Doris "
+ "中最终只会存储聚合后的数据。换句话说，即明细数据会丢失，用户不能够再查询到聚合前的明细"
+ "数据了。\n"
"\n"
"示例2：保留明细数据\n"
"接示例1，我们将表结构修改如下：\n"
@@ -788,11 +849,13 @@ void testJiebaMatchHuge(CuTest* tc) {
"cost BIGINT SUM 用户总消费\n"
"max_dwell_time INT MAX 用户最大停留时间\n"
"min_dwell_time INT MIN 用户最小停留时间\n"
- "即增加了一列 timestamp，记录精确到秒的数据灌入时间。 同时，将AGGREGATE KEY设置为AGGREGATE
KEY(user_id, date, timestamp, city, age, sex)\n"
+ "即增加了一列 timestamp，记录精确到秒的数据灌入时间。 同时，将AGGREGATE "
+ "KEY设置为AGGREGATE KEY(user_id, date, timestamp, city, age, sex)\n"
"\n"
"导入数据如下：\n"
"\n"
- "user_id date timestamp city age sex last_visit_date cost
max_dwell_time min_dwell_time\n"
+ "user_id date timestamp city age sex last_visit_date cost
max_dwell_time "
+ "min_dwell_time\n"
"10000 2017-10-01 2017-10-01 08:00:05 北京 20 0 2017-10-01 06:00:00
20 10 10\n"
"10000 2017-10-01 2017-10-01 09:00:05 北京 20 0 2017-10-01 07:00:00
15 2 2\n"
"10001 2017-10-01 2017-10-01 18:12:10 北京 30 1 2017-10-01 17:05:45
2 22 22\n"
@@ -803,17 +866,25 @@ void testJiebaMatchHuge(CuTest* tc) {
"通过sql导入数据：\n"
"\n"
"insert into example_db.example_tbl values\n"
- "(10000,\"2017-10-01\",\"2017-10-01
08:00:05\",\"北京\",20,0,\"2017-10-01 06:00:00\",20,10,10),\n"
- "(10000,\"2017-10-01\",\"2017-10-01
09:00:05\",\"北京\",20,0,\"2017-10-01 07:00:00\",15,2,2),\n"
- "(10001,\"2017-10-01\",\"2017-10-01
18:12:10\",\"北京\",30,1,\"2017-10-01 17:05:45\",2,22,22),\n"
- "(10002,\"2017-10-02\",\"2017-10-02
13:10:00\",\"上海\",20,1,\"2017-10-02 12:59:12\",200,5,5),\n"
- "(10003,\"2017-10-02\",\"2017-10-02
13:15:00\",\"广州\",32,0,\"2017-10-02 11:20:00\",30,11,11),\n"
- "(10004,\"2017-10-01\",\"2017-10-01
12:12:48\",\"深圳\",35,0,\"2017-10-01 10:00:15\",100,3,3),\n"
- "(10004,\"2017-10-03\",\"2017-10-03
12:38:20\",\"深圳\",35,0,\"2017-10-03 10:20:22\",11,6,6);\n"
+ "(10000,\"2017-10-01\",\"2017-10-01
08:00:05\",\"北京\",20,0,\"2017-10-01 "
+ "06:00:00\",20,10,10),\n"
+ "(10000,\"2017-10-01\",\"2017-10-01
09:00:05\",\"北京\",20,0,\"2017-10-01 "
+ "07:00:00\",15,2,2),\n"
+ "(10001,\"2017-10-01\",\"2017-10-01
18:12:10\",\"北京\",30,1,\"2017-10-01 "
+ "17:05:45\",2,22,22),\n"
+ "(10002,\"2017-10-02\",\"2017-10-02
13:10:00\",\"上海\",20,1,\"2017-10-02 "
+ "12:59:12\",200,5,5),\n"
+ "(10003,\"2017-10-02\",\"2017-10-02
13:15:00\",\"广州\",32,0,\"2017-10-02 "
+ "11:20:00\",30,11,11),\n"
+ "(10004,\"2017-10-01\",\"2017-10-01
12:12:48\",\"深圳\",35,0,\"2017-10-01 "
+ "10:00:15\",100,3,3),\n"
+ "(10004,\"2017-10-03\",\"2017-10-03
12:38:20\",\"深圳\",35,0,\"2017-10-03 "
+ "10:20:22\",11,6,6);\n"
"\n"
"那么当这批数据正确导入到 Doris 中后，Doris 中最终存储如下：\n"
"\n"
- "user_id date timestamp city age sex last_visit_date cost
max_dwell_time min_dwell_time\n"
+ "user_id date timestamp city age sex last_visit_date cost
max_dwell_time "
+ "min_dwell_time\n"
"10000 2017-10-01 2017-10-01 08:00:05 北京 20 0 2017-10-01 06:00:00
20 10 10\n"
"10000 2017-10-01 2017-10-01 09:00:05 北京 20 0 2017-10-01 07:00:00
15 2 2\n"
"10001 2017-10-01 2017-10-01 18:12:10 北京 30 1 2017-10-01 17:05:45
2 22 22\n"
@@ -821,7 +892,10 @@ void testJiebaMatchHuge(CuTest* tc) {
"10003 2017-10-02 2017-10-02 13:15:00 广州 32 0 2017-10-02 11:20:00
30 11 11\n"
"10004 2017-10-01 2017-10-01 12:12:48 深圳 35 0 2017-10-01 10:00:15
100 3 3\n"
"10004 2017-10-03 2017-10-03 12:38:20 深圳 35 0 2017-10-03 10:20:22
11 6 6\n"
- "我们可以看到，存储的数据，和导入数据完全一样，没有发生任何聚合。这是因为，这批数据中，因为加入了 timestamp 列，所有行的
Key 都不完全相同。也就是说，只要保证导入的数据中，每一行的 Key 都不完全相同，那么即使在聚合模型下，Doris 也可以保存完整的明细数据。\n"
+ "我们可以看到，存储的数据，和导入数据完全一样，没有发生任何聚合。这是因为，这批数据中，"
+ "因为加入了 timestamp 列，所有行的 Key "
+ "都不完全相同。也就是说，只要保证导入的数据中，每一行的 Key "
+ "都不完全相同，那么即使在聚合模型下，Doris 也可以保存完整的明细数据。\n"
"\n"
"示例3：导入数据与已有数据聚合\n"
"接示例1。假设现在表中已有数据如下：\n"
@@ -854,17 +928,31 @@ void testJiebaMatchHuge(CuTest* tc) {
"10004 2017-10-01 深圳 35 0 2017-10-01 10:00:15 100 3 3\n"
"10004 2017-10-03 深圳 35 0 2017-10-03 11:22:00 55 19 6\n"
"10005 2017-10-03 长沙 29 1 2017-10-03 18:11:02 3 1 1\n"
- "可以看到，用户 10004 的已有数据和新导入的数据发生了聚合。同时新增了 10005 用户的数据。\n"
+ "可以看到，用户 10004 的已有数据和新导入的数据发生了聚合。同时新增了 10005 "
+ "用户的数据。\n"
"\n"
"数据的聚合，在 Doris 中有如下三个阶段发生：\n"
"\n"
"每一批次数据导入的 ETL 阶段。该阶段会在每一批次导入的数据内部进行聚合。\n"
- "底层 BE 进行数据 Compaction 的阶段。该阶段，BE 会对已导入的不同批次的数据进行进一步的聚合。\n"
+ "底层 BE 进行数据 Compaction 的阶段。该阶段，BE "
+ "会对已导入的不同批次的数据进行进一步的聚合。\n"
"数据查询阶段。在数据查询时，对于查询涉及到的数据，会进行对应的聚合。\n"
-
"数据在不同时间，可能聚合的程度不一致。比如一批数据刚导入时，可能还未与之前已存在的数据进行聚合。但是对于用户而言，用户只能查询到聚合后的数据。即不同的聚合程度对于用户查询而言是透明的。用户需始终认为数据以最终的完成的聚合程度存在，而不应假设某些聚合还未发生。（可参阅聚合模型的局限性一节获得更多详情。）\n"
+ "数据在不同时间，可能聚合的程度不一致。比如一批数据刚导入时，可能还未与之前已存在的数据"
+ "进行聚合。但是对于用户而言，用户只能查询到聚合后的数据。即不同的聚合程度对于用户查询而"
+ "言是透明的。用户需始终认为数据以最终的完成的聚合程度存在，而不应假设某些聚合还未发生。"
+ "（可参阅聚合模型的局限性一节获得更多详情。）\n"
"\n"
"Unique 模型\n"
- "在某些多维分析场景下，用户更关注的是如何保证 Key 的唯一性，即如何获得 Primary Key 唯一性约束。因此，我们引入了
/；·90Unique
数据模型。在1.2版本之前，该模型本质上是聚合模型的一个特例，也是一种简化的表结构表示方式。由于聚合模型的实现方式是读时合并（merge on
read)，因此在一些聚合查询上性能不佳（参考后续章节聚合模型的局限性的描述），在1.2版本我们引入了Unique模型新的实现方式，写时合并（merge on
write），通过在写入时做一些额外的工作，实现了最优的查询性能。写时合并将在未来替换读时合并成为Unique模型的默认实现方式，两者将会短暂的共存一段时间。下面将对两种实现方式分别举例进行说明。\n"
+ "在某些多维分析场景下，用户更关注的是如何保证 Key 的唯一性，即如何获得 Primary Key "
+ "唯一性约束。因此，我们引入了 /；·90Unique "
+ "数据模型。在1."
+ "2版本之前，该模型本质上是聚合模型的一个特例，也是一种简化的表结构表示方式。由于聚合模"
+ "型的实现方式是读时合并（merge on "
+ "read)，因此在一些聚合查询上性能不佳（参考后续章节聚合模型的局限性的描述），在1."
+ "2版本我们引入了Unique模型新的实现方式，写时合并（merge on "
+ "write），通过在写入时做一些额外的工作，实现了最优的查询性能。写时合并将在未来替换读时"
+ "合并成为Unique模型的默认实现方式，两者将会短暂的共存一段时间。下面将对两种实现方式分别"
+ "举例进行说明。\n"
"\n"
"读时合并（与聚合模型相同的实现方式）\n"
"ColumnName Type IsKey Comment\n"
@@ -876,7 +964,8 @@ void testJiebaMatchHuge(CuTest* tc) {
"phone LARGEINT No 用户电话\n"
"address VARCHAR(500) No 用户住址\n"
"register_time DATETIME No 用户注册时间\n"
- "这是一个典型的用户基础信息表。这类数据没有聚合需求，只需保证主键唯一性。（这里的主键为 user_id +
username）。那么我们的建表语句如下：\n"
+ "这是一个典型的用户基础信息表。这类数据没有聚合需求，只需保证主键唯一性。（这里的主键为"
+ " user_id + username）。那么我们的建表语句如下：\n"
"\n"
"CREATE TABLE IF NOT EXISTS example_db.example_tbl\n"
"(\n"
@@ -925,13 +1014,17 @@ void testJiebaMatchHuge(CuTest* tc) {
"\"replication_allocation\" = \"tag.location.default: 1\"\n"
");\n"
"\n"
- "即Unique 模型的读时合并实现完全可以用聚合模型中的 REPLACE
方式替代。其内部的实现方式和数据存储方式也完全一样。这里不再继续举例说明。\n"
+ "即Unique 模型的读时合并实现完全可以用聚合模型中的 REPLACE "
+ "方式替代。其内部的实现方式和数据存储方式也完全一样。这里不再继续举例说明。\n"
"\n"
"SinceVersion 1.2\n"
"写时合并\n"
-
"Unqiue模型的写时合并实现，与聚合模型就是完全不同的两种模型了，查询性能更接近于duplicate模型，在有主键约束需求的场景上相比聚合模型有较大的查询性能优势，尤其是在聚合查询以及需要用索引过滤大量数据的查询中。\n"
+ "Unqiue模型的写时合并实现，与聚合模型就是完全不同的两种模型了，查询性能更接近于duplicat"
+ "e模型，在有主键约束需求的场景上相比聚合模型有较大的查询性能优势，尤其是在聚合查询以及"
+ "需要用索引过滤大量数据的查询中。\n"
"\n"
- "在 1.2.0 版本中，作为一个新的feature，写时合并默认关闭，用户可以通过添加下面的property来开启\n"
+ "在 1.2.0 "
+ "版本中，作为一个新的feature，写时合并默认关闭，用户可以通过添加下面的property来开启\n"
"\n"
"\"enable_unique_key_merge_on_write\" = \"true\"\n"
"\n"
@@ -966,15 +1059,23 @@ void testJiebaMatchHuge(CuTest* tc) {
"phone LARGEINT NONE 用户电话\n"
"address VARCHAR(500) NONE 用户住址\n"
"register_time DATETIME NONE 用户注册时间\n"
-
"在开启了写时合并选项的Unique表上，数据在导入阶段就会去将被覆盖和被更新的数据进行标记删除，同时将新的数据写入新的文件。在查询的时候，所有被标记删除的数据都会在文件级别被过滤掉，读取出来的数据就都是最新的数据，消除掉了读时合并中的数据聚合过程，并且能够在很多情况下支持多种谓词的下推。因此在许多场景都能带来比较大的性能提升，尤其是在有聚合查询的情况下。\n"
+ "在开启了写时合并选项的Unique表上，数据在导入阶段就会去将被覆盖和被更新的数据进行标记删"
+ "除，同时将新的数据写入新的文件。在查询的时候，所有被标记删除的数据都会在文件级别被过滤"
+ "掉，读取出来的数据就都是最新的数据，消除掉了读时合并中的数据聚合过程，并且能够在很多情"
+ "况下支持多种谓词的下推。因此在许多场景都能带来比较大的性能提升，尤其是在有聚合查询的情"
+ "况下。\n"
"\n"
"【注意】\n"
"\n"
"新的Merge-on-write实现默认关闭，且只能在建表时通过指定property的方式打开。\n"
-
"旧的Merge-on-read的实现无法无缝升级到新版本的实现（数据组织方式完全不同），如果需要改为使用写时合并的实现版本，需要手动执行insert
into unique-mow-table select * from source table.\n"
- "在Unique模型上独有的delete sign 和 sequence
col，在写时合并的新版实现中仍可以正常使用，用法没有变化。\n"
+ "旧的Merge-on-"
+ "read的实现无法无缝升级到新版本的实现（数据组织方式完全不同），如果需要改为使用写时合并"
+ "的实现版本，需要手动执行insert into unique-mow-table select * from source
table.\n"
+ "在Unique模型上独有的delete sign 和 sequence "
+ "col，在写时合并的新版实现中仍可以正常使用，用法没有变化。\n"
"Duplicate 模型\n"
- "在某些多维分析场景下，数据既没有主键，也没有聚合需求。因此，我们引入 Duplicate 数据模型来满足这类需求。举例说明。\n"
+ "在某些多维分析场景下，数据既没有主键，也没有聚合需求。因此，我们引入 Duplicate "
+ "数据模型来满足这类需求。举例说明。\n"
"\n"
"ColumnName Type SortKey Comment\n"
"timestamp DATETIME Yes 日志时间\n"
@@ -1000,14 +1101,22 @@ void testJiebaMatchHuge(CuTest* tc) {
"\"replication_allocation\" = \"tag.location.default: 1\"\n"
");\n"
"\n"
- "这种数据模型区别于 Aggregate 和 Unique
模型。数据完全按照导入文件中的数据进行存储，不会有任何聚合。即使两行数据完全相同，也都会保留。 而在建表语句中指定的 DUPLICATE
KEY，只是用来指明底层数据按照那些列进行排序。（更贴切的名称应该为 “Sorted Column”，这里取名 “DUPLICATE KEY”
只是用以明确表示所用的数据模型。关于 “Sorted Column”的更多解释，可以参阅前缀索引）。在 DUPLICATE KEY
的选择上，我们建议适当的选择前 2-4 列就可以。\n"
+ "这种数据模型区别于 Aggregate 和 Unique "
+ "模型。数据完全按照导入文件中的数据进行存储，不会有任何聚合。即使两行数据完全相同，也都"
+ "会保留。 而在建表语句中指定的 DUPLICATE "
+ "KEY，只是用来指明底层数据按照那些列进行排序。（更贴切的名称应该为 “Sorted "
+ "Column”，这里取名 “DUPLICATE KEY” 只是用以明确表示所用的数据模型。关于 “Sorted "
+ "Column”的更多解释，可以参阅前缀索引）。在 DUPLICATE KEY "
+ "的选择上，我们建议适当的选择前 2-4 列就可以。\n"
"\n"
- "这种数据模型适用于既没有聚合需求，又没有主键唯一性约束的原始数据的存储。更多使用场景，可参阅聚合模型的局限性小节。\n"
+ "这种数据模型适用于既没有聚合需求，又没有主键唯一性约束的原始数据的存储。更多使用场景，"
+ "可参阅聚合模型的局限性小节。\n"
"\n"
"聚合模型的局限性\n"
"这里我们针对 Aggregate 模型，来介绍下聚合模型的局限性。\n"
"\n"
-
"在聚合模型中，模型对外展现的，是最终聚合后的数据。也就是说，任何还未聚合的数据（比如说两个不同导入批次的数据），必须通过某种方式，以保证对外展示的一致性。我们举例说明。\n"
+ "在聚合模型中，模型对外展现的，是最终聚合后的数据。也就是说，任何还未聚合的数据（比如说"
+ "两个不同导入批次的数据），必须通过某种方式，以保证对外展示的一致性。我们举例说明。\n"
"\n"
"假设表结构如下：\n"
"\n"
@@ -1028,7 +1137,9 @@ void testJiebaMatchHuge(CuTest* tc) {
"10001 2017-11-20 1\n"
"10001 2017-11-21 5\n"
"10003 2017-11-22 22\n"
- "可以看到，用户 10001 分属在两个导入批次中的数据还没有聚合。但是为了保证用户只能查询到如下最终聚合后的数据：\n"
+ "可以看到，用户 10001 "
+ "分属在两个导入批次中的数据还没有聚合。但是为了保证用户只能查询到如下最终聚合后的数据："
+ "\n"
"\n"
"user_id date cost\n"
"10001 2017-11-20 51\n"
@@ -1037,7 +1148,8 @@ void testJiebaMatchHuge(CuTest* tc) {
"10003 2017-11-22 22\n"
"我们在查询引擎中加入了聚合算子，来保证数据对外的一致性。\n"
"\n"
- "另外，在聚合列（Value）上，执行与聚合类型不一致的聚合类查询时，要注意语意。比如我们在如上示例中执行如下查询：\n"
+ "另外，在聚合列（Value）上，执行与聚合类型不一致的聚合类查询时，要注意语意。比如我们在"
+ "如上示例中执行如下查询：\n"
"\n"
"SELECT MIN(cost) FROM table;\n"
"\n"
@@ -1049,7 +1161,10 @@ void testJiebaMatchHuge(CuTest* tc) {
"\n"
"SELECT COUNT(*) FROM table;\n"
"\n"
- "在其他数据库中，这类查询都会很快的返回结果。因为在实现上，我们可以通过如“导入时对行进行计数，保存 count
的统计信息”，或者在查询时“仅扫描某一列数据，获得 count 值”的方式，只需很小的开销，即可获得查询结果。但是在 Doris
的聚合模型中，这种查询的开销非常大。\n"
+ "在其他数据库中，这类查询都会很快的返回结果。因为在实现上，我们可以通过如“导入时对行进"
+ "行计数，保存 count 的统计信息”，或者在查询时“仅扫描某一列数据，获得 count "
+ "值”的方式，只需很小的开销，即可获得查询结果。但是在 Doris "
+ "的聚合模型中，这种查询的开销非常大。\n"
"\n"
"我们以刚才的数据为例：\n"
"\n"
@@ -1071,23 +1186,39 @@ void testJiebaMatchHuge(CuTest* tc) {
"10001 2017-11-21 5\n"
"10002 2017-11-21 39\n"
"10003 2017-11-22 22\n"
- "所以，select count(*) from table; 的正确结果应该为 4。但如果我们只扫描 user_id
这一列，如果加上查询时聚合，最终得到的结果是 3（10001, 10002, 10003）。而如果不加查询时聚合，则得到的结果是
5（两批次一共5行数据）。可见这两个结果都是不对的。\n"
+ "所以，select count(*) from table; 的正确结果应该为 4。但如果我们只扫描 user_id "
+ "这一列，如果加上查询时聚合，最终得到的结果是 3（10001, 10002, "
+ "10003）。而如果不加查询时聚合，则得到的结果是 "
+ "5（两批次一共5行数据）。可见这两个结果都是不对的。\n"
"\n"
- "为了得到正确的结果，我们必须同时读取 user_id 和 date 这两列的数据，再加上查询时聚合，才能返回 4
这个正确的结果。也就是说，在 count() 查询中，Doris 必须扫描所有的 AGGREGATE KEY 列（这里就是 user_id 和
date），并且聚合后，才能得到语意正确的结果。当聚合列非常多时，count() 查询需要扫描大量的数据。\n"
+ "为了得到正确的结果，我们必须同时读取 user_id 和 date "
+ "这两列的数据，再加上查询时聚合，才能返回 4 这个正确的结果。也就是说，在 count() "
+ "查询中，Doris 必须扫描所有的 AGGREGATE KEY 列（这里就是 user_id 和 "
+ "date），并且聚合后，才能得到语意正确的结果。当聚合列非常多时，count() "
+ "查询需要扫描大量的数据。\n"
"\n"
- "因此，当业务上有频繁的 count() 查询时，我们建议用户通过增加一个值恒为 1 的，聚合类型为 SUM 的列来模拟
count()。如刚才的例子中的表结构，我们修改如下：\n"
+ "因此，当业务上有频繁的 count() 查询时，我们建议用户通过增加一个值恒为 1 "
+ "的，聚合类型为 SUM 的列来模拟 count()。如刚才的例子中的表结构，我们修改如下：\n"
"\n"
"ColumnName Type AggregateType Comment\n"
"user_id BIGINT 用户id\n"
"date DATE 数据灌入日期\n"
"cost BIGINT SUM 用户总消费\n"
"count BIGINT SUM 用于计算count\n"
- "增加一个 count 列，并且导入数据中，该列值恒为 1。则 select count() from table; 的结果等价于
select sum(count) from table;。而后者的查询效率将远高于前者。不过这种方式也有使用限制，就是用户需要自行保证，不会重复导入
AGGREGATE KEY 列都相同的行。否则，select sum(count) from table; 只能表述原始导入的行数，而不是 select
count() from table; 的语义。\n"
+ "增加一个 count 列，并且导入数据中，该列值恒为 1。则 select count() from table; "
+ "的结果等价于 select sum(count) from "
+ "table;"
+ "。而后者的查询效率将远高于前者。不过这种方式也有使用限制，就是用户需要自行保证，不会重"
+ "复导入 AGGREGATE KEY 列都相同的行。否则，select sum(count) from table; "
+ "只能表述原始导入的行数，而不是 select count() from table; 的语义。\n"
"\n"
- "另一种方式，就是 将如上的 count 列的聚合类型改为 REPLACE，且依然值恒为 1。那么 select
sum(count) from table; 和 select count(*) from table;
的结果将是一致的。并且这种方式，没有导入重复行的限制。\n"
+ "另一种方式，就是 将如上的 count 列的聚合类型改为 REPLACE，且依然值恒为 1。那么 select "
+ "sum(count) from table; 和 select count(*) from table; "
+ "的结果将是一致的。并且这种方式，没有导入重复行的限制。\n"
"\n"
"Unique模型的写时合并实现\n"
- "Unique模型的写时合并实现没有聚合模型的局限性，还是以刚才的数据为例，写时合并为每次导入的rowset增加了对应的delete
bitmap，来标记哪些数据被覆盖。第一批数据导入后状态如下\n"
+ "Unique模型的写时合并实现没有聚合模型的局限性，还是以刚才的数据为例，写时合并为每次导入"
+ "的rowset增加了对应的delete bitmap，来标记哪些数据被覆盖。第一批数据导入后状态如下\n"
"\n"
"batch 1\n"
"\n"
@@ -1107,147 +1238,176 @@ void testJiebaMatchHuge(CuTest* tc) {
"10001 2017-11-20 1 false\n"
"10001 2017-11-21 5 false\n"
"10003 2017-11-22 22 false\n"
- "在查询时，所有在delete
bitmap中被标记删除的数据都不会读出来，因此也无需进行做任何数据聚合，上述数据中有效的行数为4行，查询出的结果也应该是4行，也就可以采取开销最小的方式来获取结果，即前面提到的“仅扫描某一列数据，获得
count 值”的方式。\n"
+ "在查询时，所有在delete "
+ "bitmap中被标记删除的数据都不会读出来，因此也无需进行做任何数据聚合，上述数据中有效的行"
+ "数为4行，查询出的结果也应该是4行，也就可以采取开销最小的方式来获取结果，即前面提到的“"
+ "仅扫描某一列数据，获得 count 值”的方式。\n"
"\n"
- "在测试环境中，count(*) 查询在Unique模型的写时合并实现上的性能，相比聚合模型有10倍以上的提升。\n"
+ "在测试环境中，count(*) "
+ "查询在Unique模型的写时合并实现上的性能，相比聚合模型有10倍以上的提升。\n"
"\n"
"Duplicate 模型\n"
- "Duplicate 模型没有聚合模型的这个局限性。因为该模型不涉及聚合语意，在做 count(*)
查询时，任意选择一列查询，即可得到语意正确的结果。\n"
+ "Duplicate 模型没有聚合模型的这个局限性。因为该模型不涉及聚合语意，在做 count(*) "
+ "查询时，任意选择一列查询，即可得到语意正确的结果。\n"
"\n"
"key 列\n"
- "Duplicate、Aggregate、Unique 模型，都会在建表指定 key 列，然而实际上是有所区别的：对于
Duplicate 模型，表的key列，可以认为只是 “排序列”，并非起到唯一标识的作用。而 Aggregate、Unique 模型这种聚合类型的表，key
列是兼顾 “排序列” 和 “唯一标识列”，是真正意义上的“ key 列”。\n"
+ "Duplicate、Aggregate、Unique 模型，都会在建表指定 key "
+ "列，然而实际上是有所区别的：对于 Duplicate 模型，表的key列，可以认为只是 "
+ "“排序列”，并非起到唯一标识的作用。而 Aggregate、Unique 模型这种聚合类型的表，key "
+ "列是兼顾 “排序列” 和 “唯一标识列”，是真正意义上的“ key 列”。\n"
"\n"
"数据模型的选择建议\n"
"因为数据模型在建表时就已经确定，且无法修改。所以，选择一个合适的数据模型非常重要。\n"
"\n"
- "Aggregate
模型可以通过预聚合，极大地降低聚合查询时所需扫描的数据量和查询的计算量，非常适合有固定模式的报表类查询场景。但是该模型对 count(*)
查询很不友好。同时因为固定了 Value 列上的聚合方式，在进行其他类型的聚合查询时，需要考虑语意正确性。\n"
- "Unique 模型针对需要唯一主键约束的场景，可以保证主键唯一性约束。但是无法利用 ROLLUP 等预聚合带来的查询优势。\n"
+ "Aggregate "
+ "模型可以通过预聚合，极大地降低聚合查询时所需扫描的数据量和查询的计算量，非常适合有固定"
+ "模式的报表类查询场景。但是该模型对 count(*) 查询很不友好。同时因为固定了 Value "
+ "列上的聚合方式，在进行其他类型的聚合查询时，需要考虑语意正确性。\n"
+ "Unique 模型针对需要唯一主键约束的场景，可以保证主键唯一性约束。但是无法利用 ROLLUP "
+ "等预聚合带来的查询优势。\n"
"对于聚合查询有较高性能需求的用户，推荐使用自1.2版本加入的写时合并实现。\n"
- "Unique 模型仅支持整行更新，如果用户既需要唯一主键约束，又需要更新部分列（例如将多张源表导入到一张 doris
表的情形），则可以考虑使用 Aggregate 模型，同时将非主键列的聚合类型设置为 REPLACE_IF_NOT_NULL。具体的用法可以参考语法手册\n"
- "Duplicate 适合任意维度的 Ad-hoc
查询。虽然同样无法利用预聚合的特性，但是不受聚合模型的约束，可以发挥列存模型的优势（只读取相关列，而不需要读取所有 Key 列）。";
- auto stringReader =
- _CLNEW lucene::util::SStringReader<char>(field_value_data,
strlen(field_value_data), false);
- field->setValue(stringReader);
- w.addDocument(&doc);
-
- w.close();
+ "Unique "
+ "模型仅支持整行更新，如果用户既需要唯一主键约束，又需要更新部分列（例如将多张源表导入到"
+ "一张 doris 表的情形），则可以考虑使用 Aggregate 模型，同时将非主键列的聚合类型设置为 "
+ "REPLACE_IF_NOT_NULL。具体的用法可以参考语法手册\n"
+ "Duplicate 适合任意维度的 Ad-hoc "
+ "查询。虽然同样无法利用预聚合的特性，但是不受聚合模型的约束，可以发挥列存模型的优势（只"
+ "读取相关列，而不需要读取所有 Key 列）。";
+ try {
+ auto stringReader =
std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data, strlen(field_value_data), false);
+ auto* stream = analyzer->tokenStream(field->name(),
stringReader.get());
+ field->setValue(stream);
+ w.addDocument(&doc);
+
+ w.close();
+ doc.clear();
+ _CLDELETE(stream)
+ } catch (CLuceneError& r) {
+ printf("clucene error in testJiebaMatchHuge: %s\n", r.what());
+ }
IndexSearcher searcher(&dir);
- lucene::util::Reader* reader = nullptr;
- std::vector<std::wstring> analyse_result;
+ std::vector<std::string> analyse_result;
const char* value = "相关";
- analyzer = _CLNEW lucene::analysis::LanguageBasedAnalyzer(L"chinese",
false);
- reader = _CLNEW lucene::util::SStringReader<char>(value, strlen(value),
false);
+ auto analyzer1 =
std::make_unique<lucene::analysis::LanguageBasedAnalyzer>(L"chinese", false);
+ auto reader = std::make_unique<lucene::util::SStringReader<char>>(value,
strlen(value), false);
- lucene::analysis::TokenStream* token_stream =
analyzer->tokenStream(field_name, reader);
+ lucene::analysis::TokenStream* token_stream =
analyzer1->tokenStream(field_name, reader.get());
lucene::analysis::Token token;
while (token_stream->next(&token)) {
- if(token.termLength<TCHAR>() != 0) {
- analyse_result.emplace_back(token.termBuffer<TCHAR>(),
token.termLength<TCHAR>());
+ if (token.termLength<char>() != 0) {
+ analyse_result.emplace_back(token.termBuffer<char>(),
token.termLength<char>());
}
}
if (token_stream != nullptr) {
token_stream->close();
}
-
- lucene::search::Query* query = _CLNEW lucene::search::BooleanQuery();
+ _CLDELETE(token_stream)
+ auto query = std::make_unique<lucene::search::BooleanQuery>();
for (const auto& t : analyse_result) {
- //std::wstring token_ws = std::wstring(token.begin(), token.end());
- auto* term =
- _CLNEW lucene::index::Term(field_name, t.c_str());
- dynamic_cast<lucene::search::BooleanQuery*>(query)
+ std::wstring token_ws = StringUtil::string_to_wstring(t);
+ auto* term = _CLNEW lucene::index::Term(field_name, token_ws.c_str());
+ dynamic_cast<lucene::search::BooleanQuery*>(query.get())
->add(_CLNEW lucene::search::TermQuery(term), true,
lucene::search::BooleanClause::SHOULD);
_CLDECDELETE(term);
}
- Hits *hits1 = searcher.search(query);
+ Hits* hits1 = searcher.search(query.get());
CLUCENE_ASSERT(1 == hits1->length());
-
- doc.clear();
+ _CLDELETE(hits1)
+ _CLDELETE_ARRAY(field_name)
}
void testChineseMatch(CuTest* tc) {
RAMDirectory dir;
-
- auto analyzer = _CLNEW lucene::analysis::LanguageBasedAnalyzer();
+ auto* field_name = lucene::util::Misc::_charToWide("chinese");
+ auto analyzer =
std::make_unique<lucene::analysis::LanguageBasedAnalyzer>();
analyzer->setLanguage(L"cjk");
-
- IndexWriter w(&dir, analyzer, true);
- auto field_name = lucene::util::Misc::_charToWide("chinese");
-
- Document doc;
- auto field = _CLNEW Field(field_name, Field::INDEX_TOKENIZED |
Field::STORE_NO);
- doc.add(*field);
-
-
- const char* field_value_data = "人民可以得到更多实惠";
- auto stringReader =
- _CLNEW lucene::util::SimpleInputStreamReader(new
lucene::util::AStringReader(field_value_data),
lucene::util::SimpleInputStreamReader::UTF8);
- field->setValue(stringReader);
- w.addDocument(&doc);
-
- const char* field_value_data1 = "中国人民银行";
- auto stringReader1 =
- _CLNEW lucene::util::SimpleInputStreamReader(new
lucene::util::AStringReader(field_value_data1),
lucene::util::SimpleInputStreamReader::UTF8);
- field->setValue(stringReader1);
- w.addDocument(&doc);
-
- const char* field_value_data2 = "洛杉矶人，洛杉矶居民";
- auto stringReader2 =
- _CLNEW lucene::util::SimpleInputStreamReader(new
lucene::util::AStringReader(field_value_data2),
lucene::util::SimpleInputStreamReader::UTF8);
- field->setValue(stringReader2);
- w.addDocument(&doc);
-
- const char* field_value_data3 = "民族，人民";
- auto stringReader3 =
- _CLNEW lucene::util::SimpleInputStreamReader(new
lucene::util::AStringReader(field_value_data3),
lucene::util::SimpleInputStreamReader::UTF8);
- field->setValue(stringReader3);
- w.addDocument(&doc);
-
- w.close();
-
+ try {
+ IndexWriter w(&dir, analyzer.get(), true);
+ w.setUseCompoundFile(false);
+
+ Document doc;
+ auto field = _CLNEW Field(field_name, Field::INDEX_TOKENIZED |
Field::STORE_NO);
+ doc.add(*field);
+
+ const char* field_value_data = "人民可以得到更多实惠";
+ auto stringReader =
std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data, strlen(field_value_data), false);
+ auto* stream = analyzer->tokenStream(field->name(),
stringReader.get());
+ field->setValue(stream);
+ w.addDocument(&doc);
+
+ const char* field_value_data1 = "中国人民银行";
+ auto stringReader1 =
std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data1, strlen(field_value_data1), false);
+ auto* stream1 = analyzer->tokenStream(field->name(),
stringReader1.get());
+ field->setValue(stream1);
+ w.addDocument(&doc);
+
+ const char* field_value_data2 = "洛杉矶人，洛杉矶居民";
+ auto stringReader2 =
std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data2, strlen(field_value_data2), false);
+ auto* stream2 = analyzer->tokenStream(field->name(),
stringReader2.get());
+ field->setValue(stream2);
+ w.addDocument(&doc);
+
+ const char* field_value_data3 = "民族，人民";
+ auto stringReader3 =
std::make_unique<lucene::util::SStringReader<char>>(
+ field_value_data3, strlen(field_value_data3), false);
+ auto* stream3 = analyzer->tokenStream(field->name(),
stringReader3.get());
+ field->setValue(stream3);
+ w.addDocument(&doc);
+
+ w.close();
+ doc.clear();
+ _CLDELETE(stream)
+ _CLDELETE(stream1)
+ _CLDELETE(stream2)
+ _CLDELETE(stream3)
+ } catch (const CLuceneError& e) {
+ std::cout << "clucene error in testChineseMatch:" << e.what();
+ }
IndexSearcher searcher(&dir);
- lucene::util::Reader* reader = nullptr;
- std::vector<std::wstring> analyse_result;
+ std::vector<std::string> analyse_result;
const char* value = "民族";
- analyzer = _CLNEW lucene::analysis::LanguageBasedAnalyzer(L"cjk", false);
- reader = _CLNEW lucene::util::SimpleInputStreamReader(new
lucene::util::AStringReader(value),
lucene::util::SimpleInputStreamReader::UTF8);
-
- lucene::analysis::TokenStream* token_stream =
analyzer->tokenStream(field_name, reader);
+ auto analyzer1 =
std::make_unique<lucene::analysis::LanguageBasedAnalyzer>(L"cjk", false);
+ auto reader = std::make_unique<lucene::util::SStringReader<char>>(value,
strlen(value), false);
+ lucene::analysis::TokenStream* token_stream =
analyzer1->tokenStream(field_name, reader.get());
lucene::analysis::Token token;
while (token_stream->next(&token)) {
- if(token.termLength<TCHAR>() != 0) {
- analyse_result.emplace_back(token.termBuffer<TCHAR>(),
token.termLength<TCHAR>());
+ if (token.termLength<char>() != 0) {
+ analyse_result.emplace_back(token.termBuffer<char>(),
token.termLength<char>());
}
}
if (token_stream != nullptr) {
token_stream->close();
}
-
- lucene::search::Query* query = _CLNEW lucene::search::BooleanQuery();
+ _CLDELETE(token_stream)
+ auto query = std::make_unique<lucene::search::BooleanQuery>();
for (const auto& t : analyse_result) {
- //std::wstring token_ws = std::wstring(token.begin(), token.end());
- auto* term =
- _CLNEW lucene::index::Term(field_name, t.c_str());
- dynamic_cast<lucene::search::BooleanQuery*>(query)
+ std::wstring token_ws = StringUtil::string_to_wstring(t);
+ auto* term = _CLNEW lucene::index::Term(field_name, token_ws.c_str());
+ dynamic_cast<lucene::search::BooleanQuery*>(query.get())
->add(_CLNEW lucene::search::TermQuery(term), true,
lucene::search::BooleanClause::SHOULD);
_CLDECDELETE(term);
}
- Hits *hits1 = searcher.search(query);
+ Hits* hits1 = searcher.search(query.get());
CLUCENE_ASSERT(1 == hits1->length());
-
- doc.clear();
+ _CLDELETE(hits1)
+ _CLDELETE_ARRAY(field_name)
}
void testLanguageBasedAnalyzer(CuTest* tc) {
@@ -1283,8 +1443,8 @@ void testLanguageBasedAnalyzer(CuTest* tc) {
_CLDELETE(ts);
}
-CuSuite *testchinese(void) {
- CuSuite *suite = CuSuiteNew(_T("CLucene chinese tokenizer Test"));
+CuSuite* testchinese(void) {
+ CuSuite* suite = CuSuiteNew(_T("CLucene chinese tokenizer Test"));
SUITE_ADD_TEST(suite, testFile);
SUITE_ADD_TEST(suite, testCJK);
diff --git a/src/test/tests.cpp b/src/test/tests.cpp
index 372a4a28..d703e159 100644
--- a/src/test/tests.cpp
+++ b/src/test/tests.cpp
@@ -17,6 +17,6 @@ unittest tests[] = {
{"strconvert", testStrConvert},
{"searchRange", testSearchRange},
#ifdef TEST_CONTRIB_LIBS
- //{"chinese", testchinese},
+ {"chinese", testchinese},
#endif
{"LastTest", NULL}};
---------------------------------------------------------------------
To unsubscribe, e-mail: commits-unsubscr...@doris.apache.org
For additional commands, e-mail: commits-h...@doris.apache.org
