Merge pull request #40 from abdnh/ar

Add Arabic

Cargo.toml

@@ -37,7 +37,7 @@ default = ["languages"]
 nightly = ["bench"]
 bench = []
 
-languages = ["da", "no", "de", "du", "es", "fi", "fr", "it", "pt", "ro", "ru", "sv", "tr", "zh", "ja"]
+languages = ["da", "no", "de", "du", "es", "fi", "fr", "it", "pt", "ro", "ru", "sv", "tr", "zh", "ja", "ar"]
 da = ["rust-stemmers"]
 no = ["rust-stemmers"]
 de = ["rust-stemmers"]
@@ -53,3 +53,4 @@ sv = ["rust-stemmers"]
 tr = ["rust-stemmers"]
 zh = ["jieba-rs"]
 ja = ["lindera", "lindera-core"]
+ar = []

src/lang/ar.rs

@@ -0,0 +1,27 @@
+/// Simple Arabic stemmer based on lunr.ar.js from https://github.com/MihaiValentin/lunr-languages
+
+use pipeline::Pipeline;
+use regex::Regex;
+
+pub fn make_pipeline() -> Pipeline {
+    Pipeline {
+        queue: vec![
+            ("stemmer-ar".into(), stemmer),
+        ],
+    }
+}
+
+fn stemmer(token: String) -> Option<String> {
+    lazy_static! {
+        static ref DIACRITICS: Regex = Regex::new("[\u{064b}-\u{065b}]").unwrap();
+        static ref ALEFS: Regex = Regex::new("[\u{0622}\u{0623}\u{0625}\u{0671}\u{0649}]").unwrap();
+    }
+    // remove elongating character
+    let token = token.replace('\u{0640}', "");
+    // remove diacritics
+    let token = DIACRITICS.replace(&token, "");
+    // replace all variations of alef (آأإٱى) to a plain alef (ا)
+    let token = ALEFS.replace(&token, "\u{0627}");
+
+    Some(token.into())
+}

src/lang/mod.rs

@@ -89,6 +89,8 @@ pub enum Language {
     Chinese,
     #[cfg(feature = "ja")]
     Japanese,
+    #[cfg(feature = "ar")]
+    Arabic,
     #[doc(hidden)]
     #[strum(disabled)]
     __NonExhaustive,
@@ -137,6 +139,8 @@ impl Language {
             "zh" => Some(Language::Chinese),
             #[cfg(feature = "ja")]
             "ja" => Some(Language::Japanese),
+            #[cfg(feature = "ar")]
+            "ar" => Some(Language::Arabic),
             _ => None,
         }
     }
@@ -182,6 +186,8 @@ impl Language {
             Language::Chinese => "zh",
             #[cfg(feature = "ja")]
             Language::Japanese => "ja",
+            #[cfg(feature = "ar")]
+            Language::Arabic => "ar",
             _ => panic!("Don't use the __NonExhaustive variant!"),
         }
     }
@@ -220,6 +226,8 @@ impl Language {
             Language::Chinese => ::lang::zh::make_pipeline(),
             #[cfg(feature = "ja")]
             Language::Japanese => ::lang::ja::make_pipeline(),
+            #[cfg(feature = "ar")]
+            Language::Arabic => ::lang::ar::make_pipeline(),
             _ => panic!("Dont use the `__NonExhaustive` variant!"),
         }
     }
@@ -257,4 +265,5 @@ pub mod sv;
 pub mod tr;
 #[cfg(feature = "zh")]
 pub mod zh;
-
+#[cfg(feature = "ar")]
+pub mod ar;

tests/data/ar.in.txt

@@ -0,0 +1,7 @@
+استعار جحا مرة آنية من جاره وعندما أعادها له أعاد معها آنية صغيرة
+ فسأله جاره لماذا أعدت مع أنيتي آنية صغيرة يا جحا؟
+فقال له جحا: إنّ آنيتك ولدت في الأمس آنية صغيرة وإنّها الآن من حقك، فرح الرجل وأخذ الطنجرة ودخل بيته،
+وبعد فترة من الزمان ذهب جحا إلى جاره وطلب منه أنية أخرى، فأعطاه جاره ما طلب، مرّ وقت طويل ولم يُعد جحا الآنية،
+فذهب جاره إلى بيته ليطلبها منه، فاستقبله جحا باكياً منتحباً،
+فقال له الرجل: مالي أراك باكياً يا جحا؟!! فقال له جحا وهو يبكي إنّ آنيتك توفيت بالأمس يا صاحبي،
+فقال له جاره وهو غاضب: وكيف لآنيةٍ أن تموت يا رجل؟!! فقال جحا أتصدق أنّ إناء قد يلد ولا تصدق أنّه قد يموت؟!

tests/data/ar.out.txt

@@ -0,0 +1,118 @@
+استعار
+جحا
+مرة
+انية
+من
+جاره
+وعندما
+اعادها
+له
+اعاد
+معها
+انية
+صغيرة
+فساله
+جاره
+لماذا
+اعدت
+مع
+انيتي
+انية
+صغيرة
+يا
+جحا؟
+فقال
+له
+جحا:
+ان
+انيتك
+ولدت
+في
+الامس
+انية
+صغيرة
+وانها
+الان
+من
+حقك،
+فرح
+الرجل
+واخذ
+الطنجرة
+ودخل
+بيته،
+وبعد
+فترة
+من
+الزمان
+ذهب
+جحا
+الى
+جاره
+وطلب
+منه
+انية
+اخرى،
+فاعطاه
+جاره
+ما
+طلب،
+مر
+وقت
+طويل
+ولم
+يعد
+جحا
+الانية،
+فذهب
+جاره
+الى
+بيته
+ليطلبها
+منه،
+فاستقبله
+جحا
+باكيا
+منتحبا،
+فقال
+له
+الرجل:
+مالي
+اراك
+باكيا
+يا
+جحا؟!!
+فقال
+له
+جحا
+وهو
+يبكي
+ان
+انيتك
+توفيت
+بالامس
+يا
+صاحبي،
+فقال
+له
+جاره
+وهو
+غاضب:
+وكيف
+لانية
+ان
+تموت
+يا
+رجل؟!!
+فقال
+جحا
+اتصدق
+ان
+اناء
+قد
+يلد
+ولا
+تصدق
+انه
+قد
+يموت؟!