庖丁解牛分词器增加对日文，韩文分词的支持

项目中发现采用庖丁解牛分词器对含有日文的文字都被过滤掉，所以发了一封邮件给qieqie前辈。

qieqie前辈的回复：

在paoding中，中文、日文、韩文成为CJK，使用的是CJKKnife来切词；

CJKKnife依赖词典来工作，对于一点文字而言，可分为两种情况，

1、能找到何词典匹配的词，这时paoding应该会切出该词汇(当然也可能不会切出，具体问题具体分析)

2、不能从词典找到匹配的词，paoding会采用二分法来切，也就是“ABC” 这个cjk词将被切为“AB”、"BC"2个词；

而我所看到的被过滤掉的日文是paoding所不要的。

 

调试了一下代码：

在运行到KnifeBox类中下面的方法中，
/**
  * 分解以CJK字符开始的，后可带阿拉伯数字、英文字母、横线、下划线的字符组成的

语句
  */
 public int assignable(Beef beef, int offset, int index) {
  char ch = beef.charAt(index);
  if (CharSet.isCjkUnifiedIdeographs(ch))
   return ASSIGNED;
  if (index > offset) {
   if (CharSet.isArabianNumber(ch) || CharSet.isLantingLetter

(ch)
     || ch == '-' || ch == '_') {
    return POINT;
   }
  }
  return LIMIT;
 }
在用CJKKnife刀时执行该if (CharSet.isCjkUnifiedIdeographs(ch))语句进入到
CharSet类中的
public static boolean isCjkUnifiedIdeographs(char ch) {
  return ch >= 0x4E00 && ch < 0xA000;
 }
       因为0x4E00 -0xA000只属于CJK中日韩统一汉字范围，如：3040-309F：日文平假名 (Hiragana)  30A0-30FF：日文片假名 (Katakana) 不在此范围内所以返回的值为false，此时程序中index和offset的值是相等的所以直接

return LIMIT=-1返回从而日文的文字被过滤掉了。

 

qieqie前辈叫我修改一下方法public static boolean isCjkUnifiedIdeographs(char ch) {
  return ch >= 0x4E00 && ch < 0xA000;
 }来满足我的项目需求。

但是我不懂日文也不懂韩文，可网上看到IKAnayzer在支持Lucene3.0版本的分词器中也添加了对日、韩文分词的支持。其中其主要代码为： analyzer/help/CharacterHelper.java

	public static boolean isCJKCharacter(char input){
29		-	return Character.UnicodeBlock.of(input)
30