ZeichensätzeUnterstützung für UTF-8 und Einzel-Byte ZeichensätzeZend_Search_Lucene arbeitet intern mit dem UTF-8 Zeichensatz. Indexdateien speichern Unicode Daten in Java's "modifiziertem UTF-8 Codierung". Der Kern von Zend_Search_Lucene unterstützt diesen Zeichensatz mit einer Ausnahme komplett. [1] Zend_Search_Lucene Die Codierung der aktuellen Eingabedaten dann über die API von Zend_Search_Lucene spezifiziert werden. Daten werden automatisch in die UTF-8 Codierung konvertiert. Standard TextanalysatorTrotzdem verwendet der standardmäßige Textanalysator (welche auch im Anfrageparser arbeitet) ctype_alpha() für das analysieren von Text und Anfragen. ctype_alpha() ist nicht UTf-8 kompatibel, weswegen der Analysator Text zuerst in die 'ASCII//TRANSLIT' Codierung konvertiert bevor er indiziert. Die selbe Bearbeitung wird transparent während des Parsens der Abfrage durchgeführt [2]
UTF-8 kompatibler TextanalysatorZend_Search_Lucene enthält auch ein Set von UTF-8 kompatiblen Analysatoren: Zend_Search_Lucene_Analysis_Analyzer_Common_Utf8, Zend_Search_Lucene_Analysis_Analyzer_Common_Utf8Num, Zend_Search_Lucene_Analysis_Analyzer_Common_Utf8_CaseInsensitive, Zend_Search_Lucene_Analysis_Analyzer_Common_Utf8Num_CaseInsensitive. Jeder dieser Analysatoren kenn mit Code wie dem folgenden eingeschaltet werden:
Warning
Die UTF-8 kompatiblen Analysatoren wurden in Zend Framework 1.5 verbessert. Frühere Versionen der Analysatoren nahmen an das alle nicht-Ascii Zeichen Buchstaben sind. Die neuen Analysatoren haben ein genaueres Verhalten. Deswegen kann es notwendig sein den Index neu zu erstellen um Daten und Suchanfragen auf die gleiche Art und Weise in Ausdrücke zerlegt zu haben, weil sonst andererseits die Suchmaschine falsche Ergebnissets zurückgeben könnte. Alle diese Analysatoren benötigen die PCRE (Perl-kompatible reguläre Ausdrücke) Bibliothek kompiliert mit eingeschalteter UTF-8 Unterstützung. PCRE UTF-8 Unterstützung ist für die PCRE Bibliotheks Quellcodes die mit den PHP Quellcodes gekoppelt sind, eingeschaltet, aber wenn eine andere Bibliothek als die vom PHP Quellcode verwendet wird, ist der Status der UTF-8 Unterstützung abhängig vom eigenen Betriebsystem. Der folgende Code kann verwendet werden um zu prüfen ob PCRE UTF-8 Unterstützung eingeschaltet ist: Groß-/Kleinschreibungs-unabhängige Versionen von UTF-8 kompatiblen Analysatoren erfordern das die » mbstring Erweiterung aktiviert ist. Wenn man die mbstring Erweiterung nicht einschalten will, und trotzdem Groß-/Kleinschreibungs unabhängige Suchen benötigt, kann die folgende Vorgehensweise verwendet werden: Quelldaten vor der Indizierung und Abfragestring for der Suche normalisieren indem diese zur Kleinschreibung konvertiert werden:
[1] unterstützt nur Basic Multilingual
Plane (BMP) Zeichen (von 0x0000 bis 0xFFFF) und unterstützt keine "zusätzlichen
Zeichen" (Zeichen deren Codepunkte größer als 0xFFFF sind).
Java 2 zeigt diese Werte als Paare von Zeichen (16-bit) Werten an, der erste vom
High-Surrogate Bereich (0xD800-0xDBFF), den zweiten vom Low-Surrogate Bereich
(0xDC00-0xDFFF). Dann werden Sie als normale UTF-8 Zeichen mit sechs Bytes
kodiert. Die Standard UTF-8 Repräsentation verwendet vier Bytes für zusätzliche
Zeichen.
[2]
Konvertierungen in 'ASCII//TRANSLIT' sind abhängig von dem aktuellen
Gebietsschema und OS.
|