发现了lucene一个bug

版本:lucene-2.0.0
现象:半角日文片假名(カタカナ)无法正确建立索引
模块:CJKAnalyzer
问题定位:CJKTokenizer.java 148行附近
if (ub == Character.UnicodeBlock.HALFWIDTH_AND_FULLWIDTH_FORMS) {
   /** convert  HALFWIDTH_AND_FULLWIDTH_FORMS to BASIC_LATIN */
   int i = (int) c;
   i = i - 65248;
   c = (char) i;
}
在该行代码中,执行了全角/半角转换
判断条件为ub == Character.UnicodeBlock.HALFWIDTH_AND_FULLWIDTH_FORMS
转换方式为i = i - 65248;
其中,在Character.UnicodeBlock.HALFWIDTH_AND_FULLWIDTH_FORMS的定义中
全角英文/数字以及半角日文片假名均属于其中
但,实际上只有65281-65374的字符可以通过减去65248来进行转换
半角日文片假名这样做就错了
呵呵,呵呵
lucene.net是否有此问题我尚未检查

顺便回顾一下我曾经发现过的一个微软本地化bug

posted on 2006-12-20 13:58  陈叙远  阅读(2137)  评论(3编辑  收藏  举报

导航