|
1
|
|
|
<?php |
|
2
|
|
|
|
|
3
|
|
|
namespace Onoi\Tesa\Tests\Integration; |
|
4
|
|
|
|
|
5
|
|
|
use Onoi\Tesa\SanitizerFactory; |
|
6
|
|
|
|
|
7
|
|
|
/** |
|
8
|
|
|
* @group onoi-tesa |
|
9
|
|
|
* |
|
10
|
|
|
* @license GNU GPL v2+ |
|
11
|
|
|
* @since 0.1 |
|
12
|
|
|
* |
|
13
|
|
|
* @author mwjames |
|
14
|
|
|
*/ |
|
15
|
|
|
class JaTokenizerTest extends \PHPUnit_Framework_TestCase { |
|
16
|
|
|
|
|
17
|
|
|
/** |
|
18
|
|
|
* @dataProvider icuTextProvider |
|
19
|
|
|
*/ |
|
20
|
|
|
public function testIcuWordBoundaryTokenizer( $text, $expected ) { |
|
21
|
|
|
|
|
22
|
|
|
$sanitizerFactory = new SanitizerFactory(); |
|
23
|
|
|
|
|
24
|
|
|
$tokenier = $sanitizerFactory->newIcuWordBoundaryTokenizer( |
|
25
|
|
|
$sanitizerFactory->newGenericRegExTokenizer() |
|
26
|
|
|
); |
|
27
|
|
|
|
|
28
|
|
|
if ( !$tokenier->isAvailable() || INTL_ICU_VERSION != '54.1' ) { |
|
29
|
|
|
$this->markTestSkipped( 'ICU extension is not available or does not match the expected version constraint.' ); |
|
30
|
|
|
} |
|
31
|
|
|
|
|
32
|
|
|
$this->assertEquals( |
|
33
|
|
|
$expected, |
|
34
|
|
|
$tokenier->tokenize( $text ) |
|
35
|
|
|
); |
|
36
|
|
|
} |
|
37
|
|
|
|
|
38
|
|
|
/** |
|
39
|
|
|
* @dataProvider tinyTextProvider |
|
40
|
|
|
*/ |
|
41
|
|
|
public function testJaTinySegmenterTokenizer( $text, $expected ) { |
|
42
|
|
|
|
|
43
|
|
|
$sanitizerFactory = new SanitizerFactory(); |
|
44
|
|
|
|
|
45
|
|
|
$tokenier = $sanitizerFactory->newJaTinySegmenterTokenizer( |
|
46
|
|
|
$sanitizerFactory->newPunctuationRegExTokenizer() |
|
47
|
|
|
); |
|
48
|
|
|
|
|
49
|
|
|
$this->assertEquals( |
|
50
|
|
|
$expected, |
|
51
|
|
|
$tokenier->tokenize( $text ) |
|
52
|
|
|
); |
|
53
|
|
|
} |
|
54
|
|
|
|
|
55
|
|
|
public function icuTextProvider() { |
|
56
|
|
|
|
|
57
|
|
|
// https://github.com/NaturalNode/natural/blob/master/spec/tokenizer_ja_spec.js |
|
58
|
|
|
|
|
59
|
|
|
$provider[] = array( |
|
|
|
|
|
|
60
|
|
|
"計算機科学における字句解析 (じくかいせき、英: Lexical Analysis) とは、ソースコードを構成する文字の並びを、トークン (token) の並びに変換することをいう。\n" . |
|
61
|
|
|
"ここでいう「トークン」とは、意味を持つコードの最小単位のこと。字句解析を行うプログラムは、字句解析器 (lexical analyzer, 略称：lexer) と呼ばれる。\n" . |
|
62
|
|
|
"字句解析器はスキャナ (scanner) とトークナイザ (tokenizer) から構成される。\n", |
|
63
|
|
|
// |
|
64
|
|
|
array( |
|
65
|
|
|
'計算機', '科学', 'における', '字句', '解析', 'じ', 'く', 'かい', |
|
66
|
|
|
'せき', '、', '英', 'Lexical', 'Analysis', 'と', 'は', '、', 'ソース', 'コード', 'を', |
|
67
|
|
|
'構成', 'する', '文字', 'の', '並び', 'を', '、', 'トーク', |
|
68
|
|
|
'ン', 'token', 'の', '並びに', '変換', 'する', 'こと', 'を', |
|
69
|
|
|
'いう', '。', 'ここ', 'で', 'いう', '「', 'トーク', 'ン', |
|
70
|
|
|
'」', 'と', 'は', '、', '意味', 'を', '持つ', 'コード', |
|
71
|
|
|
'の', '最小', '単位', 'の', 'こと', '。', '字句', '解析', |
|
72
|
|
|
'を', '行う', 'プログラム', 'は', '、', '字句', '解析', '器', |
|
73
|
|
|
'lexical', 'analyzer', '略称', '：', |
|
74
|
|
|
'lexer', 'と', '呼ばれる', '。', '字句', '解析', '器', 'は', |
|
75
|
|
|
'スキャナ', 'scanner', 'と', 'トーク','ナ', 'イザ', 'tokenizer', 'から', |
|
76
|
|
|
'構成', 'さ', 'れる', '。' |
|
77
|
|
|
) |
|
78
|
|
|
); |
|
79
|
|
|
|
|
80
|
|
|
return $provider; |
|
81
|
|
|
} |
|
82
|
|
|
|
|
83
|
|
|
public function tinyTextProvider() { |
|
84
|
|
|
|
|
85
|
|
|
// https://github.com/NaturalNode/natural/blob/master/spec/tokenizer_ja_spec.js |
|
86
|
|
|
/* |
|
87
|
|
|
['計算', '機科', '学', 'に', 'おける', '字句', '解析', |
|
88
|
|
|
'じくかい', 'せき', '英', 'Lexical', 'Analysis', 'と', 'は', 'ソースコード', |
|
89
|
|
|
'を', '構成', 'する', '文字', 'の', '並び', 'を', 'トークン', 'token', 'の', |
|
90
|
|
|
'並び', 'に', '変換', 'する', 'こと', 'を', 'いう', 'ここ', 'でいう', 'トークン', |
|
91
|
|
|
'と', 'は', '意味', 'を', '持つ', 'コード', 'の', '最小', '単位', 'の', 'こと', |
|
92
|
|
|
'字句', '解析', 'を', '行う', 'プログラム', 'は', '字句', '解析', '器', 'lexical', |
|
93
|
|
|
'analyzer', '略称', 'lexer', 'と', '呼ば', 'れる', '字句', '解析', '器', 'は', |
|
94
|
|
|
'スキャナ', 'scanner', 'と', 'トークナイザ', 'tokenizer', 'から', '構成', 'さ', |
|
95
|
|
|
'れる'] |
|
96
|
|
|
*/ |
|
97
|
|
|
|
|
98
|
|
|
$provider[] = array( |
|
|
|
|
|
|
99
|
|
|
"計算機科学における字句解析 (じくかいせき、英: Lexical Analysis) とは、ソースコードを構成する文字の並びを、トークン (token) の並びに変換することをいう。\n" . |
|
100
|
|
|
"ここでいう「トークン」とは、意味を持つコードの最小単位のこと。字句解析を行うプログラムは、字句解析器 (lexical analyzer, 略称：lexer) と呼ばれる。\n" . |
|
101
|
|
|
"字句解析器はスキャナ (scanner) とトークナイザ (tokenizer) から構成される。\n", |
|
102
|
|
|
// |
|
103
|
|
|
array( |
|
104
|
|
|
'計算', '機科', '学', 'に', 'おける', '字句', '解析', 'じくかい','せき','英', |
|
105
|
|
|
'Lexical', 'Analysis', 'と', 'は', 'ソースコード', 'を', '構成', 'する', |
|
106
|
|
|
'文字', 'の', '並び', 'を', 'トークン', 'token', 'の', '並び', 'に', '変換', |
|
107
|
|
|
'する', 'こと', 'をいう', 'ここ', 'でいう', 'トークン', 'と', 'は', '意味', 'を', |
|
108
|
|
|
'持つ', 'コード', 'の', '最小', '単位', 'の', 'こと', '字句', '解析', 'を', |
|
109
|
|
|
'行う', 'プログラム', 'は', '字句', '解析', '器', 'lexical', 'analyzer', |
|
110
|
|
|
'略称', 'lexer', 'と', '呼ば', 'れる', '字句', '解析', '器', 'は', 'スキャナ', 'scanner', |
|
111
|
|
|
'と', 'トークナイザ', 'tokenizer', 'から', '構成', 'さ', 'れる', |
|
112
|
|
|
) |
|
113
|
|
|
); |
|
114
|
|
|
|
|
115
|
|
|
return $provider; |
|
116
|
|
|
} |
|
117
|
|
|
|
|
118
|
|
|
} |
|
119
|
|
|
|
onoi /
tesa
Loading history...
Adding an explicit array definition is generally preferable to implicit array definition as it guarantees a stable state of the code.
Let’s take a look at an example:
As you can see in this example, the array
$myArrayis initialized the first time when the foreach loop is entered. You can also see that the value of thebarkey is only written conditionally; thus, its value might result from a previous iteration.This might or might not be intended. To make your intention clear, your code more readible and to avoid accidental bugs, we recommend to add an explicit initialization $myArray = array() either outside or inside the foreach loop.