Initial commit

client/plugins/recherche/stemmer/PaiceHuskStemRules_en.php

@@ -0,0 +1,261 @@
+<?php
+
+/*
+
+ *
+
+ * implements a Paice/Husk Stemmer written in PHP by Alexis Ulrich (http://alx2002.free.fr)
+
+ *
+
+ * rewriting rules to extract a stem from an English word
+
+ *
+
+ * This code is in the public domain.
+
+ *
+
+ */
+
+        
+
+$PaiceHuskStemmerRules_en = array(
+
+        'ai*2.',		# { -ia > -   if intact }
+
+	'a*1.',			# { -a > -    if intact }
+
+	'bb1.',			# { -bb > -b   }
+
+	'city3s.',		# { -ytic > -ys }
+
+	'ci2>',			# { -ic > -    }
+
+	'cn1t>',		# { -nc > -nt  }
+
+	'dd1.',			# { -dd > -d   }
+
+	'dei3y>',		# { -ied > -y  }
+
+	'deec2ss.',		# { -ceed > -cess }
+
+	'dee1.',		# { -eed > -ee }
+
+	'de2>',			# { -ed > -    }
+
+	'dooh4>',		# { -hood > -  }
+
+	'e1>',			# { -e > -     }
+
+	'feil1v.',		# { -lief > -liev }
+
+	'fi2>',			# { -if > -    }
+
+	'gni3>',		# { -ing > -   }
+
+	'gai3y.',		# { -iag > -y  }
+
+	'ga2>',			# { -ag > -    }
+
+	'gg1.',			# { -gg > -g   }
+
+	'ht*2.',		# { -th > -   if intact }
+
+	'hsiug5ct.',		# { -guish > -ct }
+
+	'hsi3>',		# { -ish > -   }
+
+	'i*1.',			# { -i > -    if intact }
+
+	'i1y>',			# { -i > -y    }
+
+	'@i1d.',		# { -i@ > -id   --  see nois4@> & vis3@> }
+
+	'juf1s.',		# { -fuj > -fus }
+
+	'ju1d.',		# { -uj > -ud  }
+
+	'jo1d.',		# { -oj > -od  }
+
+	'jeh1r.',		# { -hej > -her }
+
+	'jrev1t.',		# { -verj > -vert }
+
+	'jsim2t.',		# { -misj > -mit }
+
+	'jn1d.',		# { -nj > -nd  }
+
+	'j1s.',			# { -j > -s    }
+
+	'lbaifi6.',		# { -ifiabl > - }
+
+	'lbai4y.',		# { -iabl > -y }
+
+	'lba3>',		# { -abl > -   }
+
+	'lbi3.',		# { -ibl > -   }
+
+	'lib2l>',		# { -bil > -bl }
+
+	'lc1.',			# { -cl > c    }
+
+	'lufi4y.',		# { -iful > -y }
+
+	'luf3>',		# { -ful > -   }
+
+	'lu2.',			# { -ul > -    }
+
+	'lai3>',		# { -ial > -   }
+
+	'lau3>',		# { -ual > -   }
+
+	'la2>',			# { -al > -    }
+
+	'll1.',			# { -ll > -l   }
+
+	'mui3.',		# { -ium > -   }
+
+	'mu*2.',		# { -um > -   if intact }
+
+	'msi3>',		# { -ism > -   }
+
+	'mm1.',			# { -mm > -m   }
+
+	'nois4@>',		# { -sion > -@ }
+
+	'noix4ct.',		# { -xion > -ct }
+
+	'noi3>',		# { -ion > -   }
+
+	'nai3>',		# { -ian > -   }
+
+	'na2>',			# { -an > -    }
+
+	'nee0.',		# { protect  -een }
+
+	'ne2>',			# { -en > -    }
+
+	'nn1.',			# { -nn > -n   }
+
+	'pihs4>',		# { -ship > -  }
+
+	'pp1.',			# { -pp > -p   }
+
+	're2>',			# { -er > -    }
+
+	'rae0.',		# { protect  -ear }
+
+	'ra2.',			# { -ar > -    }
+
+	'ro2>',			# { -or > -    }
+
+	'ru2>',			# { -ur > -    }
+
+	'rr1.',			# { -rr > -r   }
+
+	'rt1>',			# { -tr > -t   }
+
+	'rei3y>',		# { -ier > -y  }
+
+	'sei3y>',		# { -ies > -y  }
+
+	'sis2.',		# { -sis > -s  }
+
+	'si2>',			# { -is > -    }
+
+	'ssen4>',		# { -ness > -  }
+
+	'ss0.',			# { protect  -ss }
+
+	'suo3>',		# { -ous > -   }
+
+	'su*2.',		# { -us > -   if intact }
+
+	's*1>',			# { -s > -    if intact }
+
+	's0.',			# { -s > -s    }
+
+	'tacilp4y.',		# { -plicat > -ply }
+
+	'ta2>',			# { -at > -    }
+
+	'tnem4>',		# { -ment > -  }
+
+	'tne3>',		# { -ent > -   }
+
+	'tna3>',		# { -ant > -   }
+
+	'tpir2b.',		# { -ript > -rib }
+
+	'tpro2b.',		# { -orpt > -orb }
+
+	'tcud1.',		# { -duct > -duc }
+
+	'tpmus2.',		# { -sumpt > -sum }
+
+	'tpec2iv.',		# { -cept > -ceiv }
+
+	'tulo2v.',		# { -olut > -olv }
+
+	'tsis0.',		# { protect  -sist }
+
+	'tsi3>',		# { -ist > -   }
+
+	'tt1.',			# { -tt > -t   }
+
+	'uqi3.',		# { -iqu > -   } 
+
+	'ugo1.',		# { -ogu > -og }
+
+	'vis3@>',		# { -siv > -@  }
+
+	'vie0.',		# { protect  -eiv }
+
+	'vi2>',			# { -iv > -    }
+
+	'ylb1>',		# { -bly > -bl }
+
+	'yli3y>',		# { -ily > -y  }
+
+	'ylp0.',		# { protect  -ply }
+
+	'yl2>',			# { -ly > -    }
+
+	'ygo1.',		# { -ogy > -og }
+
+	'yhp1.',		# { -phy > -ph }
+
+	'ymo1.',		# { -omy > -om }
+
+	'ypo1.',		# { -opy > -op }
+
+	'yti3>',		# { -ity > -   }
+
+	'yte3>',		# { -ety > -   }
+
+	'ytl2.',		# { -lty > -l  }
+
+	'yrtsi5.',		# { -istry > - }
+
+	'yra3>',		# { -ary > -   }
+
+	'yro3>',		# { -ory > -   }
+
+	'yfi3.',		# { -ify > -   }
+
+	'ycn2t>',		# { -ncy > -nt }
+
+	'yca3>',		# { -acy > -   }
+
+	'zi2>',			# { -iz > -    }
+
+	'zy1s.',		# { -yz > -ys  }
+
+	'end0.'			# end rule: the stem has already been found
+
+);
+
+
+
+?>

client/plugins/recherche/stemmer/PaiceHuskStemRules_fr.php

@@ -0,0 +1,407 @@
+<?php
+/*
+ *
+ * implements a Paice/Husk Stemmer written in PHP by Alexis Ulrich (http://alx2002.free.fr)
+ *
+ * rewriting rules to extract a stem from a French word
+ *
+ * This code is in the public domain.
+ *
+ */
+
+$PaiceHuskStemmerRules_fr = array(
+	'esre1>',			# { -erse > -ers }
+	'esio1>',			# { -oise > -ois }
+	'siol1.',			# { -lois > -loi }
+	'siof0.',			# { -fois > -fois }
+	'sioe0.',			# { -eois > -eois }
+	'sio3>',			# { -ois > - }
+	'st1>',				# { -ts > -t }
+	'sf1>',				# { -fs > -f }
+	'sle1>',			# { -els > -el }
+	'slo1>',			# { -ols > -ol }
+	'sé1>',				# { -és > -é }
+	'étuae5.',			# { -eauté > - }
+	'étuae2.',			# { -eauté > -eau }
+	'tnia0.',			# { -aint > -aint }
+	'tniv1.',			# { -vint > -vin }
+	'tni3>',			# { -int > - }
+	'suor1.',			# { -rous > -ou }
+	'suo0.',			# { -ous > -ous }
+	'sdrail5.',			# { -liards > -l }
+	'sdrai4.',			# { -iards > -i }
+	'erèi1>',			# { -ière > -ier }
+	'sesue3x>',			# { -euses > -euse }
+	'esuey5i.',			# { -yeuse > -i }
+	'esue2x>',			# { -euse > -eux }
+	'se1>',				# { -es > -e }
+	'erèg3.',			# { -gère > -g }
+	'eca1>',			# { -ace > -ac }
+	'esiah0.',			# { -haise > - }
+	'esi1>',			# { -ise > -is }
+	'siss2.',			# { -ssis > -ss }
+	'sir2>',			# { -ris > -r }
+	'sit2>',			# { -tis > -t }
+	'egané1.',			# { -énage > -énag }
+	'egalli6>',			# { -illage > - }
+	'egass1.',			# { -ssage > -sag }
+	'egas0.',			# { -sage > - }
+	'egat3.',			# { -tage > - }
+	'ega3>',			# { -age > - }
+	'ette4>',			# { -ette > - }
+	'ett2>',			# { -tte > -t }
+	'etio1.',			# { -oite > -oit }
+	'tioç4c.',			# { -çoit > -c }
+	'tio0.',			# { -oit > -oit }
+	'et1>',				# { -te > -t }
+	'eb1>',				# { -be > -b }
+	'snia1>',			# { -ains > -ain }
+	'eniatnau8>',			# { -uantaine > - }
+	'eniatn4.',			# { -ntaine > -nt }
+	'enia1>',			# { -aine > -ain }
+	'niatnio3.',			# { -ointain > -oint }
+	'niatg3.',			# { -gtain > -gt }
+	'eé1>',				# { -ée > -é }
+	'éhcat1.',			# { -taché > -tach }
+	'éhca4.',			# { -aché > - }
+	'étila5>',			# { -alité > - }
+	'étici5.',			# { -icité > - }
+	'étir1.',			# { -rité > -rit }
+	'éti3>',			# { -ité > - }
+	'égan1.',			# { -nagé > -nag }
+	'éga3>',			# { -agé > - }
+	'étehc1.',			# { -cheté > -chet }
+	'éte3>',			# { -eté > - }
+	'éit0.',			# { -tié > -tié }
+	'é1>',				# { -é > - }
+	'eire4.',			# { -erie > - }
+	'eirue5.',			# { -eurie > - }
+	'eio1.',			# { -oie > -oi }
+	'eia1.',			# { -aie > -ai }
+	'ei1>',				# { -ie > -i }
+	'eng1.',			# { -gne > -gn }
+	'xuaessi7.',			# { -isseaux > - }
+	'xuae1>',			# { -eaux > -eau }
+	'uaes0.',			# { -seau > -seau }
+	'uae3.',			# { -eau > - }
+	'xuave2l.',			# { -evaux > -eval }
+	'xuav2li>',			# { -vaux > -vail }
+	'xua3la>',			# { -aux > -al }
+	'ela1>',			# { -ale > -al }
+	'lart2.',			# { -tral > -tr }
+	'lani2>',			# { -inal > -in }
+	'laé2>',			# { -éal > -é }
+	'siay4i.',			# { -yais > -i }
+	'siassia7.',			# { -aissais > - }
+	'siarv1*.',			# { -vrais > -vrai if intact }
+	'sia1>',			# { -ais > -ai }
+	'tneiayo6i.',			# { -oyaient > -oi }
+	'tneiay6i.',			# { -yaient > -i }
+	'tneiassia9.',			# { -aissaient > - }
+	'tneiareio7.',			# { -oieraient > -oi }
+	'tneia5>',			# { -aient > - }
+	'tneia4>',			# { -aient > -a }
+	'tiario4.',			# { -oirait > -oi }
+	'tiarim3.',			# { -mirait > -mir }
+	'tiaria3.',			# { -airait > -air }
+	'tiaris3.',			# { -sirait > -sir }
+	'tiari5.',			# { -irait > - }
+	'tiarve6>',			# { -evrait > - }
+	'tiare5>',			# { -erait > - }
+	'iare4>',			# { -erai > - }
+	'are3>',			# { -era > - }
+	'tiay4i.',			# { -yait > -i }
+	'tia3>',			# { -ait > - }
+	'tnay4i.',			# { -yant > -i }
+	'emèiu5>',			# { -uième > - }
+	'emèi4>',			# { -ième > - }
+	'tnaun3.',			# { -nuant > -nu }
+	'tnauqo3.',			# { -oquant > -oqu }
+	'tnau4>',			# { -uant > - }
+	'tnaf0.',			# { -fant > -fant }
+	'tnaté2>',			# { -étant > -ét }
+	'tna3>',			# { -ant > - }
+	'tno3>',			# { -ont > - }
+	'zeiy4i.',			# { -yiez > -i }
+	'zey3i.',			# { -yez > -i }
+	'zeire5>',			# { -eriez > - }
+	'zeird4.',			# { -driez > -d }
+	'zeirio4.',			# { -oiriez > -oi }
+	'ze2>',				# { -ez > - }
+	'ssiab0.',			# { -baiss > - }
+	'ssia4.',			# { -aiss > - }
+	'ssi3.',			# { -iss > - }
+	'tnemma6>',			# { -amment > - }
+	'tnemesuey9i.',			# { -yeusement > -i }
+	'tnemesue8>',			# { -eusement > - }
+	'tnemevi7.',			# { -ivement > - }
+	'tnemessia5.',			# { -aissement > -aiss }
+	'tnemessi8.',			# { -issement > - }
+	'tneme5>',			# { -ement > - }
+	'tnemia4.',			# { -aiment > -ai }
+	'tnemé5>',			# { -ément > - }
+	'el2l>',			# { -le > -l }
+	'lle3le>',			# { -ell > -el }
+	'letô0.',			# { -ôtel > -ôtel }
+	'lepp0.',			# { -ppel > -ppel }
+	'le2>',				# { -el > - }
+	'srei1>',			# { -iers > -ier }
+	'reit3.',			# { -tier > -t }
+	'reila2.',			# { -alier > -ali }
+	'rei3>',			# { -ier > - }
+	'ertâe5.',			# { -eâtre > - }
+	'ertâé1.',			# { -éâtre > -éâtr }
+	'ertâ4.',			# { -âtre > - }
+	'drai4.',			# { -iard > - }
+	'erdro0.',			# { -ordre > -ordre }
+	'erute5.',			# { -eture > - }
+	'ruta0.',			# { -atur > -atur }
+	'eruta1.',			# { -ature > -atur }
+	'erutiov1.',			# { -voiture > -voitur }
+	'erub3.',			# { -bure > -b }
+	'eruh3.',			# { -hure > -h }
+	'erul3.',			# { -lure > -l }
+	'er2r>',			# { -re > -r }
+	'nn1>',				# { -nn > -n }
+	'rèi3.',			# { -ièr > - }
+	'srev0.',			# { -vers > -vers }
+	'sr1>',				# { -rs > -r }
+	'rid2>',			# { -dir > -d }
+	're2>',				# { -er > - }
+	'xuei4.',			# { -ieux > - }
+	'esuei5.',			# { -ieuse > - }
+	'lbati3.',			# { -itabl > -it }
+	'lba3>',			# { -abl > - }
+	'rueis0.',			# { -sieur > - }
+	'ruehcn4.',			# { -ncheur > -nc }
+	'ecirta6.',			# { -atrice > - }
+	'ruetai6.',			# { -iateur > - }
+	'rueta5.',			# { -ateur > - }
+	'rueir0.',			# { -rieur > - }
+	'rue3>',			# { -eur > - }
+	'esseti6.',			# { -itesse > - }
+	'essere6>',			# { -eresse > - }
+	'esserd1.',			# { -dresse > -dress }
+	'esse4>',			# { -esse > - }
+	'essiab1.',			# { -baisse > -baiss }
+	'essia5.',			# { -aisse > - }
+	'essio1.',			# { -oisse > -oiss }
+	'essi4.',			# { -isse > - }
+	'essal4.',			# { -lasse > -l }
+	'essa1>',			# { -asse > -ass }
+	'ssab1.',			# { -bass > -bas }
+	'essurp1.',			# { -prusse > -uss }
+	'essu4.',			# { -usse > - }
+	'essi1.',			# { -isse > -ss }
+	'ssor1.',			# { -ross > -ros }
+	'essor2.',			# { -rosse > -ros }
+	'esso1>',			# { -osse > -oss }
+	'ess2>',			# { -sse > -s }
+	'tio3.',			# { -oit > - }
+	'rès2re.',			# { -sèr > -ser }
+	'rè0e.',			# { -èr > -ère }
+	'esn1.',			# { -nse > -èns }
+	'eu1>',				# { -ue > -u }
+	'sua0.',			# { -aus > -aus }
+	'su1>',				# { -us > -u }
+	'utt1>',			# { -utt > -tt }
+	'tuç3c.',			# { -çut > -c }
+	'uç2c.',			# { -çu > -c }
+	'ur1.',				# { -ru > -r }
+	'ehcn2>',			# { -nche > -nc }
+	'ehcu1>',			# { -uche > -uch }
+	'snorr3.',			# { -rrons > -rr }
+	'snoru3.',			# { -urons > -ur }
+	'snorua3.',			# { -aurons > -aur }
+	'snorv3.',			# { -vrons > -vr }
+	'snorio4.',			# { -oirons > -oi }
+	'snori5.',			# { -irons > - }
+	'snore5>',			# { -erons > - }
+	'snortt4>',			# { -ttrons > -tt }
+	'snortîa7.',			# { -aîtrons > - }
+	'snort3.',			# { -trons > -tr }
+	'snor4.',			# { -rons > - }
+	'snossi6.',			# { -issons > - }
+	'snoire6.',			# { -erions > - }
+	'snoird5.',			# { -drions > -d }
+	'snoitai7.',			# { -iations > - }
+	'snoita6.',			# { -ations > - }
+	'snoits1>',			# { -stions > -stion }
+	'noits0.',			# { -stion > -stion }
+	'snoi4>',			# { -ions > - }
+	'noitaci7>',			# { -ication > - }
+	'noitai6.',			# { -iation > - }
+	'noita5.',			# { -ation > - }
+	'noitu4.',			# { -ution > -u }
+	'noi3>',			# { -ion > - }
+	'snoya0.',			# { -ayons > -ayons }
+	'snoy4i.',			# { -yons > -i }
+	'snoça1.',			# { -açons > -açon }
+	'snoçr1.',			# { -rçons > -rçon }
+	'snoe4.',			# { -eons > - }
+	'snosiar1>',			# { -raisons > - }
+	'snola1.',			# { -alons > -alon }
+	'sno3>',			# { -ons > - }
+	'sno1>',			# { -ons > -on }
+	'noll2.',			# { -llon > -ll }
+	'tnennei4.',			# { -iennent > -ien }
+	'ennei2>',			# { -ienne > -ien }
+	'snei1>',			# { -iens > -ien }
+	'sneé1>',			# { -éens > -éen }
+	'enneé5e.',			# { -éenne > -e }
+	'neé3e.',			# { -éen > -e }
+	'neic0.',			# { -cien > -cien }
+	'neiv0.',			# { -vien > -vien }
+	'nei3.',			# { -ien > - }
+	'sc1.',				# { -cs > -c }
+	'sd1.',				# { -ds > -d }
+	'sg1.',				# { -gs > -g }
+	'sni1.',			# { -ins > -in }
+	'tiu0.',			# { -uit > - }
+	'ti2.',				# { -it > - }
+	'sp1>',				# { -ps > -p }
+	'sna1>',			# { -ans > -an }
+	'sue1.',			# { -eus > -eu }
+	'enn2>',			# { -nne > -n }
+	'nong2.',			# { -gnon > -gn }
+	'noss2.',			# { -sson > -ss }
+	'rioe4.',			# { -eoir > - }
+	'riot0.',			# { -toir > -toir }
+	'riorc1.',			# { -croir > -croi }
+	'riovec5.',			# { -cevoir > -c }
+	'rio3.',			# { -oir > - }
+	'ric2.',			# { -cir > -l }
+	'ril2.',			# { -lir > -l }
+	'tnerim3.',			# { -mirent > -mir }
+	'tneris3>',			# { -sirent > -sir }
+	'tneri5.',			# { -irent > - }
+	'tîa3.',			# { -aît > - }
+	'riss2.',			# { -ssir > -ss }
+	'tî2.',				# { -ît > - }
+	'tâ2>',				# { -ât > - }
+	'ario2.',			# { -oira > -oi }
+	'arim1.',			# { -mira > -m }
+	'ara1.',			# { -ara > -ar }
+	'aris1.',			# { -sira > -sir }
+	'ari3.',			# { -ira > - }
+	'art1>',			# { -tra > -tr }
+	'ardn2.',			# { -ndra > -nd }
+	'arr1.',			# { -rra > -rr }
+	'arua1.',			# { -aura > -aur }
+	'aro1.',			# { -ora > -or }
+	'arv1.',			# { -vra > -vr }
+	'aru1.',			# { -ura > -ur }
+	'ar2.',				# { -ra > - }
+	'rd1.',				# { -dr > -d }
+	'ud1.',				# { -du > - }
+	'ul1.',				# { -lu > -l }
+	'ini1.',			# { -ini > -in }
+	'rin2.',			# { -nir > - }
+	'tnessiab3.',			# { -baissent > -baiss }
+	'tnessia7.',			# { -aissent > - }
+	'tnessi6.',			# { -issent > - }
+	'tnessni4.',			# { -inssent > -ins }
+	'sini2.',			# { -inis > -in }
+	'sl1.',				# { -ls > -l }
+	'iard3.',			# { -drai > -d }
+	'iario3.',			# { -oirai > -oi }
+	'ia2>',				# { -ai > - }
+	'io0.',				# { -oi > -oi }
+	'iule2.',			# { -elui > -el }
+	'i1>',				# { -i > - }
+	'sid2.',			# { -dis > -d }
+	'sic2.',			# { -cis > -c }
+	'esoi4.',			# { -iose > - }
+	'ed1.',				# { -de > -d }
+	'ai2>',				# { -ia > - }
+	'a1>',				# { -a > - }
+	'adr1.',			# { -rda > -rd }
+	'tnerè5>',			# { -èrent > - }
+	'evir1.',			# { -rive > -riv }
+	'evio4>',			# { -oive > - }
+	'evi3.',			# { -ive > - }
+	'fita4.',			# { -atif > - }
+	'fi2>',				# { -if > - }
+	'enie1.',			# { -eine > -ein }
+	'sare4>',			# { -eras > - }
+	'sari4>',			# { -iras > - }
+	'sard3.',			# { -dras > -d }
+	'sart2>',			# { -tras > -tr }
+	'sa2.',				# { -as > - }
+	'tnessa6>',			# { -assent > - }
+	'tnessu6>',			# { -ussent > - }
+	'tnegna3.',			# { -angent > -ang }
+	'tnegi3.',			# { -igent > -ig }
+	'tneg0.',			# { -gent > -gent }
+	'tneru5>',			# { -urent > - }
+	'tnemg0.',			# { -gment > -gment }
+	'tnerni4.',			# { -inrent > -in }
+	'tneiv1.',			# { -vient > -vien }
+	'tne3>',			# { -ent > - }
+	'une1.',			# { -enu > -en }
+	'en1>',				# { -ne > -n }
+	'nitn2.',			# { -ntin > - }
+	'ecnay5i.',			# { -yance > -i }
+	'ecnal1.',			# { -lance > -lanc }
+	'ecna4.',			# { -ance > - }
+	'ec1>',				# { -ce > -c }
+	'nn1.',				# { -nn > -n }
+	'rit2>',			# { -tir > - }
+	'rut2>',			# { -tur > -t }
+	'rud2.',			# { -dur > -d }
+	'ugn1>',			# { -ngu > -ng }
+	'eg1>',				# { -ge > -g }
+	'tuo0.',			# { -out > -out }
+	'tul2>',			# { -lut > -l }
+	'tû2>',				# { -ût > - }
+	'ev1>',				# { -ve > -v }
+	'vè2ve>',			# { -èv > -ev }
+	'rtt1>',			# { -ttr > -tt }
+	'emissi6.',			# { -issime > - }
+	'em1.',				# { -me > -m }
+	'ehc1.',			# { -che > -ch }
+	'céi2cè.',			# { -iéc > -ièc }
+	'libi2l.',			# { -ibil > -ibl }
+	'llie1.',			# { -eill > -eil }
+	'liei4i.',			# { -ieil > -i }
+	'xuev1.',			# { -veux > -veu }
+	'xuey4i.',			# { -yeux > -i }
+	'xueni5>',			# { -ineux > - }
+	'xuell4.',			# { -lleux > -l }
+	'xuere5.',			# { -ereux > - }
+	'xue3>',			# { -eux > - }
+	'rbé3rbè.',			# { -ébr > -èbr }
+	'tur2.',			# { -rut > -r }
+	'riré4re.',			# { -érir > -er }
+	'rir2.',			# { -rir > -r }
+	'câ2ca.',			# { -âc > -ac }
+	'snu1.',			# { -uns > -un }
+	'rtîa4.',			# { -aîtr > - }
+	'long2.',			# { -gnol > -gn }
+	'vec2.',			# { -cev > -c }
+	'ç1c>',				# { -ç > -c }
+	'ssilp3.',			# { -pliss > -pl }
+	'silp2.',			# { -plis > -pl }
+	'tèhc2te.',			# { -chèt > -chet }
+	'nèm2ne.',			# { -mèn > -men }
+	'llepp1.',			# { -ppell > -ppel }
+	'tan2.',			# { -nat > -n }
+	'rvè3rve.',			# { -èvr > -evr }
+	'rvé3rve.',			# { -évr > -evr }
+	'rè2re.',			# { -èr > -er }
+	'ré2re.',			# { -ér > -er }
+	'tè2te.',			# { -èt > -et }
+	'té2te.',			# { -ét > -et }
+	'epp1.',			# { -ppe > -pp }
+	'eya2i.',			# { -aye > -ai }
+	'ya1i.',			# { -ay > -ai }
+	'yo1i.',			# { -oy > -oi }
+	'esu1.',			# { -use > -us }
+	'ugi1.',			# { -igu > -g }
+	'tt1.',				# { -tt > -t }
+
+	# end rule: the stem has already been found
+	'end0.'
+);
+
+?>

client/plugins/recherche/stemmer/PaiceHuskStemmer.php

@@ -0,0 +1,148 @@
+<?php
+
+/*
+ *
+ * implements a Paice/Husk Stemmer written in PHP by Alexis Ulrich (http://alx2002.free.fr)
+ *
+ * This code is in the public domain.
+ *
+ */
+
+
+
+class PaiceHuskStemmer
+{
+	// the rule patterns include all accented forms for a given language
+	var $rule_pattern_en = "/^([a-z]*)(\*){0,1}(\d)([a-z]*)([.|>])/";
+	var $rule_pattern_fr = "/^([a-zàâèéêëîïôûùç]*)(\*){0,1}(\d)([a-zàâèéêëîïôûùç]*)([.|>])/";
+
+	// we include both languages to prevent I/O of files everywhere
+
+	function getIntlVars(&$PaiceHuskStemmerRules, &$rule_pattern, $language)
+	{
+		if ($language == 'fr')
+		{
+			require(realpath(dirname(__FILE__)) . '/PaiceHuskStemRules_fr.php');
+
+			$PaiceHuskStemmerRules = $PaiceHuskStemmerRules_fr;
+
+			$rule_pattern = $this->rule_pattern_fr;
+		}
+		else if ($language == 'en')
+		{
+			require(realpath(dirname(__FILE__)) . '/PaiceHuskStemRules_en.php');
+
+			$PaiceHuskStemmerRules = $PaiceHuskStemmerRules_en;
+			$rule_pattern = $this->rule_pattern_en;
+		}
+	}
+
+	// returns the number of the first rule from the rule number $rule_number
+	// that can be applied to the given reversed form
+	// returns -1 if no rule can be applied, ie the stem has been found
+	function getFirstRule($reversed_form, $rule_number, $language='en') {
+
+		$this->getIntlVars($PaiceHuskStemmerRules, $rule_pattern, $language);
+
+		$nb_rules = sizeOf($PaiceHuskStemmerRules);
+
+		for ($i=$rule_number; $i<$nb_rules; $i++) {
+			// gets the letters from the current rule
+			$rule = $PaiceHuskStemmerRules[$i];
+			$rule = preg_replace($rule_pattern, "\\1", $rule);
+
+			if (strncasecmp($rule,$reversed_form,strlen($rule)) == 0) return $i;
+		}
+		return -1;
+	}
+
+
+	/*
+	 * Check the acceptability of a stem for a given language
+	 *
+	 * $reversed_stem:	the stem to check in reverse form
+	 * $language:		text language (default: French)
+	 */
+	function checkAcceptability($reversed_stem, $language='en') {
+		switch ($language) {
+			case 'en': # English
+				if (preg_match("/[aeiouy]$/",$reversed_stem)) {
+					// if the form starts with a vowel then at least two letters must remain after stemming (e.g., "owed"/"owing" --> "ow", but not "ear" --> "e")
+					return (strlen($reversed_stem) >= 2);
+				}
+				else {
+					// if the form starts with a consonant then at least three letters must remain after stemming
+					if (strlen($reversed_stem) < 3) return False;
+					// and at least one of these must be a vowel or "y" (e.g., "saying" --> "say" and "crying" --> "cry", but not "string" --> "str", "meant" --> "me" or "cement" --> "ce")
+					return (preg_match("/[aeiouy]/",$reversed_stem));
+				}
+				break;
+			case 'fr': # French
+				if (preg_match("/[aàâeèéêëiîïoôuûùy]$/",$reversed_stem)) {
+					// if the form starts with a vowel then at least two letters must remain after stemming (e.g.: "étaient" --> "ét")
+					return (strlen($reversed_stem) > 2);
+				}
+				else {
+					// if the form starts with a consonant then at least two letters must remain after stemming
+					if (strlen($reversed_stem) <= 2) {
+						return False;
+					}
+					// and at least one of these must be a vowel or "y"
+					return (preg_match("/[aàâeèéêëiîïoôuûùy]/",$reversed_stem));
+				}
+				break;
+				break;
+			default:
+				die("Error in checkAcceptability function: the language <i>$language</i> is not supported.");
+		}
+	}
+
+
+	/*
+	 * the actual Paice/Husk stemmer
+	 * which returns a stem for the given form
+	 *
+	 * $form:		the word for which we want the stem
+	 * $language:	the word language (default: French)
+	 */
+	function Stem($form, $language='en') {
+
+		$this->getIntlVars($PaiceHuskStemmerRules, $rule_pattern, $language);
+
+		$intact = True;
+		$stem_found = False;
+		$reversed_form = strrev($form);
+		$rule_number = 0;
+		// that loop goes through the rules' array until it finds an ending one (ending by '.') or the last one ('end0.')
+		while (True) {
+			$rule_number = $this->getFirstRule($reversed_form, $rule_number, $language);
+			if ($rule_number == -1) {
+				// no other rule can be applied => the stem has been found
+				break;
+			}
+			$rule = $PaiceHuskStemmerRules[$rule_number];
+			preg_match($rule_pattern, $rule, $matches);
+
+			if (($matches[2] != '*') || ($intact)) {
+				$reversed_stem = $matches[4] . substr($reversed_form,$matches[3],strlen($reversed_form)-$matches[3]);
+				if ($this->checkAcceptability($reversed_stem,$language)) {
+					$reversed_form = $reversed_stem;
+					if ($matches[5] == '.') break;
+				}
+				else {
+					// go to another rule
+					$rule_number++;
+				}
+			}
+			else {
+				// go to another rule
+				$rule_number++;
+			}
+		}
+
+		return strrev($reversed_form);
+
+	}
+}
+
+?>

client/plugins/recherche/stemmer/StemmingToolKit.php

@@ -0,0 +1,82 @@
+<?php
+
+/*
+ *
+ * implements a Paice/Husk Stemmer written in PHP by Alexis Ulrich (http://alx2002.free.fr)
+ *
+ * Tool kit
+ *
+ * This code is in the public domain.
+ *
+ */
+require_once(realpath(dirname(__FILE__)) . '/PaiceHuskStemmer.php');
+
+class StemmingToolkit
+{
+
+	// punctuation characters
+	var $punctuation = array('.', ',', ';', ':', '!', '?', '"', '\'', '(', ')', '--');
+
+
+	/*
+	 * standardized punctuation: each punctuation mark has a space before and after it
+	 *
+	 * 	$text:	string, the text to be processed
+	 *	$lang:	language of the text (default: English)
+	 */
+	function standardizePunctuation($text, $lang='en') {
+		// puts a space before and after a punctuation mark,
+		// whatever the number of spaces there were before and after it
+		$text = preg_replace('/( )*(["\'\.,;:\(\)\?!])( )*/', ' \\2 ', $text);
+		// whitespace
+		$text = preg_replace('/\s/', ' ', $text);
+		if ($lang == 'en') {
+			// handles the didn't, couldn't...
+			$text = str_replace('n \' t', 'n\'t', $text);
+			// handles the o'clock
+			$text = str_replace('o \' clock', 'o\'clock', $text);
+		}
+		return $text;
+	}
+
+	/*
+	 * indexes the given text and returns an array of three arrays:
+	 *	- 'original': the original text
+	 *	- 'modified': the modified text, ie the standardized-punctuation form
+	 *	- 'index': an array of three-element arrays:
+	 *			- 'form': the form of the word in the original text
+	 *			- 'index': the index of the form in the modified text
+	 *			- 'stem': the stem of the form
+	 *
+	 * 	$text:		string, the text to be processed
+	 *	$lang:		language of the text (default: English)
+	 */
+	function indexText($text, $lang='en', $stem = true) {
+		global $punctuation;
+		require_once(realpath(dirname(__FILE__)) . '/stoplist_'.$lang.'.inc.php');
+		$indexArray = array();
+		$thisText = $this->standardizePunctuation($text, $lang);
+		$thisTextWords = explode(' ',$thisText);
+		$thisTextIndex = array();
+		$wordIndex = 0;
+
+		$stemmer = new PaiceHuskStemmer();
+
+		for ($i=0; $i<sizeOf($thisTextWords); $i++)
+		{
+			$form = $thisTextWords[$i];
+			$word = strtolower($form);
+
+			// words which length is 1 or 0 are not processed.
+			if ((!@in_array($word, $punctuation)) && (strlen($word) > 1) && (!@in_array($word, $stoplist))) {
+
+				$thisTextIndex[] = array('form'=>$form, 'stem'=>($stem ? $stemmer->Stem($word,$lang) : $word), 'index'=>$wordIndex);
+			}
+			$wordIndex = $wordIndex + strlen($word) + 1; // the last space
+		}
+
+		return array('original'=>$text, 'modified'=>$thisText, 'index'=>$thisTextIndex);
+	}
+}
+
+?>

client/plugins/recherche/stemmer/stoplist_en.inc.php

@@ -0,0 +1,632 @@
+<?php
+
+// English stoplist
+
+$stoplist = array(
+'a',
+'able',
+'about',
+'above',
+'according',
+'accordingly',
+'across',
+'actually',
+'after',
+'afterwards',
+'again',
+'against',
+'ago',
+'ain\'t',
+'all',
+'allow',
+'allows',
+'almost',
+'alone',
+'along',
+'already',
+'also',
+'although',
+'always',
+'am',
+'among',
+'amongst',
+'amoungst',
+'amount',
+'an',
+'and',
+'another',
+'any',
+'anybody',
+'anyhow',
+'anyone',
+'anything',
+'anyway',
+'anyways',
+'anywhere',
+'apart',
+'appear',
+'appreciate',
+'appropriate',
+'are',
+'aren\'t',
+'around',
+'as',
+'aside',
+'ask',
+'asking',
+'associated',
+'at',
+'available',
+'away',
+'awfully',
+'b',
+'back',
+'be',
+'became',
+'because',
+'become',
+'becomes',
+'becoming',
+'been',
+'before',
+'beforehand',
+'behind',
+'being',
+'believe',
+'below',
+'beside',
+'besides',
+'best',
+'better',
+'between',
+'beyond',
+'bill',
+'both',
+'bottom',
+'brief',
+'but',
+'by',
+'c',
+'c\'mon',
+'c\'s',
+'call',
+'came',
+'can',
+'can\'t',
+'cannot',
+'cant',
+'cause',
+'causes',
+'certain',
+'certainly',
+'changes',
+'clearly',
+'co',
+'com',
+'come',
+'comes',
+'computer',
+'con',
+'concerning',
+'consequently',
+'consider',
+'considering',
+'contain',
+'containing',
+'contains',
+'corresponding',
+'could',
+'couldn\'t',
+'couldnt',
+'course',
+'cry',
+'currently',
+'d',
+'de',
+'definitely',
+'describe',
+'described',
+'despite',
+'detail',
+'did',
+'didn\'t',
+'different',
+'do',
+'does',
+'doesn\'t',
+'doing',
+'don\'t',
+'done',
+'down',
+'downwards',
+'due',
+'during',
+'e',
+'each',
+'early',
+'edu',
+'eg',
+'eight',
+'either',
+'eleven',
+'else',
+'elsewhere',
+'empty',
+'enough',
+'entirely',
+'especially',
+'et',
+'etc',
+'even',
+'ever',
+'every',
+'everybody',
+'everyone',
+'everything',
+'everywhere',
+'ex',
+'exactly',
+'example',
+'except',
+'f',
+'far',
+'few',
+'fifteen',
+'fifth',
+'fify',
+'fill',
+'find',
+'fire',
+'first',
+'five',
+'followed',
+'following',
+'follows',
+'for',
+'former',
+'formerly',
+'forth',
+'forty',
+'found',
+'four',
+'from',
+'front',
+'full',
+'further',
+'furthermore',
+'g',
+'get',
+'gets',
+'getting',
+'give',
+'given',
+'gives',
+'go',
+'goes',
+'going',
+'gone',
+'got',
+'gotten',
+'greetings',
+'h',
+'had',
+'hadn\'t',
+'happens',
+'hardly',
+'has',
+'hasn\'t',
+'hasnt',
+'have',
+'haven\'t',
+'having',
+'he',
+'he\'s',
+'hello',
+'help',
+'hence',
+'her',
+'here',
+'here\'s',
+'hereafter',
+'hereby',
+'herein',
+'hereupon',
+'hers',
+'herself',
+'hi',
+'high',
+'him',
+'himself',
+'his',
+'hither',
+'hopefully',
+'how',
+'howbeit',
+'however',
+'hundred',
+'i',
+'i\'d',
+'i\'ll',
+'i\'m',
+'i\'ve',
+'ie',
+'if',
+'ignored',
+'immediate',
+'in',
+'inasmuch',
+'inc',
+'indeed',
+'indicate',
+'indicated',
+'indicates',
+'inner',
+'insofar',
+'instead',
+'interest',
+'into',
+'inward',
+'is',
+'isn\'t',
+'it',
+'it\'d',
+'it\'ll',
+'it\'s',
+'its',
+'itself',
+'j',
+'just',
+'k',
+'keep',
+'keeps',
+'kept',
+'know',
+'known',
+'knows',
+'l',
+'last',
+'late',
+'lately',
+'later',
+'latter',
+'latterly',
+'least',
+'less',
+'lest',
+'let',
+'let\'s',
+'like',
+'liked',
+'likely',
+'little',
+'long',
+'look',
+'looking',
+'looks',
+'ltd',
+'m',
+'made',
+'mainly',
+'make',
+'many',
+'may',
+'maybe',
+'me',
+'mean',
+'meanwhile',
+'merely',
+'might',
+'mill',
+'mine',
+'more',
+'moreover',
+'most',
+'mostly',
+'move',
+'much',
+'must',
+'my',
+'myself',
+'n',
+'name',
+'namely',
+'nd',
+'near',
+'nearly',
+'necessary',
+'need',
+'needs',
+'neither',
+'never',
+'nevertheless',
+'new',
+'next',
+'nine',
+'no',
+'nobody',
+'non',
+'none',
+'noone',
+'nor',
+'normally',
+'not',
+'nothing',
+'novel',
+'now',
+'nowhere',
+'o',
+'obviously',
+'of',
+'off',
+'often',
+'oh',
+'ok',
+'okay',
+'old',
+'on',
+'once',
+'one',
+'ones',
+'only',
+'onto',
+'or',
+'other',
+'others',
+'otherwise',
+'ought',
+'our',
+'ours',
+'ourselves',
+'out',
+'outside',
+'over',
+'overall',
+'own',
+'p',
+'part',
+'particular',
+'particularly',
+'per',
+'perhaps',
+'placed',
+'please',
+'plus',
+'possible',
+'presumably',
+'probably',
+'provides',
+'put',
+'puts',
+'q',
+'que',
+'quite',
+'qv',
+'r',
+'rather',
+'rd',
+'re',
+'really',
+'reasonably',
+'regarding',
+'regardless',
+'regards',
+'relatively',
+'respectively',
+'right',
+'s',
+'said',
+'same',
+'saw',
+'say',
+'saying',
+'says',
+'second',
+'secondly',
+'see',
+'seeing',
+'seem',
+'seemed',
+'seeming',
+'seems',
+'seen',
+'self',
+'selves',
+'sensible',
+'sent',
+'serious',
+'seriously',
+'seven',
+'several',
+'shall',
+'she',
+'should',
+'shouldn\'t',
+'show',
+'side',
+'since',
+'sincere',
+'six',
+'sixty',
+'so',
+'some',
+'somebody',
+'somehow',
+'someone',
+'something',
+'sometime',
+'sometimes',
+'somewhat',
+'somewhere',
+'soon',
+'sorry',
+'specified',
+'specify',
+'specifying',
+'spite',
+'still',
+'sub',
+'such',
+'sup',
+'sure',
+'system',
+'t',
+'t\'s',
+'take',
+'taken',
+'tell',
+'ten',
+'tends',
+'th',
+'than',
+'thank',
+'thanks',
+'thanx',
+'that',
+'that\'s',
+'thats',
+'the',
+'their',
+'theirs',
+'them',
+'themselves',
+'then',
+'thence',
+'there',
+'there\'s',
+'thereafter',
+'thereby',
+'therefore',
+'therein',
+'theres',
+'thereupon',
+'therewith',
+'these',
+'they',
+'they\'d',
+'they\'ll',
+'they\'re',
+'they\'ve',
+'thick',
+'thin',
+'think',
+'third',
+'this',
+'thorough',
+'thoroughly',
+'those',
+'though',
+'three',
+'through',
+'throughout',
+'thru',
+'thus',
+'to',
+'together',
+'too',
+'took',
+'top',
+'toward',
+'towards',
+'tried',
+'tries',
+'truly',
+'try',
+'trying',
+'twelve',
+'twenty',
+'twice',
+'two',
+'u',
+'un',
+'under',
+'unfortunately',
+'unless',
+'unlikely',
+'until',
+'unto',
+'up',
+'upon',
+'us',
+'use',
+'used',
+'useful',
+'uses',
+'using',
+'usually',
+'uucp',
+'v',
+'value',
+'various',
+'very',
+'via',
+'viz',
+'vs',
+'w',
+'want',
+'wants',
+'was',
+'wasn\'t',
+'way',
+'we',
+'we\'d',
+'we\'ll',
+'we\'re',
+'we\'ve',
+'welcome',
+'well',
+'went',
+'were',
+'weren\'t',
+'what',
+'what\'s',
+'whatever',
+'when',
+'whence',
+'whenever',
+'where',
+'where\'s',
+'whereafter',
+'whereas',
+'whereby',
+'wherein',
+'whereupon',
+'wherever',
+'whether',
+'which',
+'while',
+'whither',
+'who',
+'who\'s',
+'whoever',
+'whole',
+'whom',
+'whose',
+'why',
+'will',
+'willing',
+'wish',
+'with',
+'within',
+'without',
+'won\'t',
+'wonder',
+'would',
+'wouldn\'t',
+'x',
+'y',
+'yes',
+'yet',
+'you',
+'you\'d',
+'you\'ll',
+'you\'re',
+'you\'ve',
+'your',
+'yours',
+'yourself',
+'yourselves',
+'z',
+'zero'
+);
+
+?>

client/plugins/recherche/stemmer/stoplist_fr.inc.php

@@ -0,0 +1,921 @@
+<?php
+
+// French stoplist
+
+$stoplist = array(
+'$',
+'\'en',
+'-ce',
+'-ci',
+'-elle',
+'-elles',
+'-en',
+'-il',
+'-ils',
+'-je',
+'-la',
+'-le',
+'-les',
+'-leur',
+'-lui',
+'-là',
+'-moi',
+'-nous',
+'-on',
+'-t',
+'-toi',
+'-tu',
+'-vous',
+'-y',
+'A',
+'Ap.',
+'Apr.',
+'B',
+'C',
+'Ca',
+'D',
+'E',
+'F',
+'G',
+'GHz',
+'H',
+'I',
+'J',
+'K',
+'L',
+'M',
+'MHz',
+'N',
+'O',
+'P',
+'Q',
+'R',
+'S',
+'T',
+'U',
+'USD',
+'V',
+'W',
+'X',
+'Z',
+'a',
+'afin',
+'afin d\'',
+'afin de',
+'afin qu\'',
+'afin que',
+'ah',
+'ai',
+'aie',
+'aient',
+'aies',
+'ailleurs',
+'ainsi',
+'ainsi qu\'',
+'ainsi que',
+'ait',
+'alentour',
+'alias',
+'allaient',
+'allais',
+'allait',
+'allez',
+'allons',
+'alors',
+'alors qu\'',
+'alors que',
+'après',
+'après qu\'',
+'après que',
+'après-demain',
+'arrière',
+'as',
+'assez',
+'attendu',
+'au',
+'au cours d\'',
+'au cours de',
+'au cours des',
+'au cours du',
+'au regard d\'',
+'au regard de',
+'au regard des',
+'au regard du',
+'au sein d\'',
+'au sein de',
+'au sein des',
+'au sein du',
+'au sujet d\'',
+'au sujet de',
+'au sujet des',
+'au sujet du',
+'au travers d\'',
+'au travers de',
+'au travers des',
+'au travers du',
+'au-dedans',
+'au-dehors',
+'au-delà',
+'au-delà d\'',
+'au-delà de',
+'au-delà des',
+'au-delà du',
+'au-dessous',
+'au-dessus',
+'au-devant',
+'au-devant d\'',
+'au-devant de',
+'au-devant des',
+'au-devant du',
+'aucun',
+'aucune',
+'audit',
+'aujourd\'',
+'aujourd\'hui',
+'auparavant',
+'auprès',
+'auprès d\'',
+'auprès de',
+'auprès des',
+'auprès du',
+'auquel',
+'aura',
+'aurai',
+'auraient',
+'aurais',
+'aurait',
+'auras',
+'aurez',
+'auriez',
+'aurions',
+'aurons',
+'auront',
+'aussi',
+'aussi bien qu\'',
+'aussi bien que',
+'aussitôt',
+'autant',
+'autour',
+'autour d\'',
+'autour de',
+'autour des',
+'autour du',
+'autre',
+'autrefois',
+'autres',
+'autrui',
+'aux',
+'auxdites',
+'auxdits',
+'auxquelles',
+'auxquels',
+'avaient',
+'avais',
+'avait',
+'avant',
+'avant qu\'',
+'avant que',
+'avant-hier',
+'avec',
+'avez',
+'aviez',
+'avions',
+'avoir',
+'avons',
+'ayant',
+'ayez',
+'ayons',
+'bah',
+'banco',
+'beaucoup',
+'ben',
+'bien',
+'bientôt',
+'bis',
+'bon',
+'bé',
+'c\'',
+'c\'est-à-dire',
+'c.-à-d.',
+'cahin-caha',
+'car',
+'ce',
+'ceci',
+'cela',
+'celle',
+'celle-ci',
+'celle-là',
+'celles',
+'celles-ci',
+'celles-là',
+'celui',
+'celui-ci',
+'celui-là',
+'cent',
+'cents',
+'cependant',
+'certain',
+'certaine',
+'certaines',
+'certains',
+'certes',
+'ces',
+'cet',
+'cette',
+'ceux',
+'ceux-ci',
+'ceux-là',
+'cf.',
+'cg',
+'cgr',
+'chacun',
+'chacune',
+'chaque',
+'cher',
+'chez',
+'ci',
+'ci-après',
+'ci-dessous',
+'ci-dessus',
+'cinq',
+'cinquante',
+'cinquante et un',
+'cinquante et une',
+'cinquante-cinq',
+'cinquante-deux',
+'cinquante-et-un',
+'cinquante-huit',
+'cinquante-neuf',
+'cinquante-quatre',
+'cinquante-sept',
+'cinquante-six',
+'cinquante-trois',
+'cl',
+'cm',
+'combien',
+'comme',
+'comment',
+'contrario',
+'contre',
+'crescendo',
+'céans',
+'d\'',
+'d\'abord',
+'d\'accord',
+'d\'affilée',
+'d\'ailleurs',
+'d\'après',
+'d\'arrache-pied',
+'d\'emblée',
+'dans',
+'davantage',
+'de',
+'de la part d\'',
+'de la part de',
+'de la part des',
+'de la part du',
+'de ladite',
+'de laquelle',
+'de même qu\'',
+'de même que',
+'de peur qu\'',
+'de peur que',
+'debout',
+'dedans',
+'dehors',
+'delà',
+'demain',
+'depuis',
+'derechef',
+'derrière',
+'des',
+'desdites',
+'desdits',
+'desquelles',
+'desquels',
+'dessous',
+'dessus',
+'deux',
+'devant',
+'devers',
+'dg',
+'die',
+'différentes',
+'différents',
+'dire',
+'dis',
+'disent',
+'dit',
+'dito',
+'divers',
+'diverses',
+'dix',
+'dix-huit',
+'dix-neuf',
+'dix-sept',
+'dl',
+'dm',
+'donc',
+'dont',
+'dorénavant',
+'douze',
+'du',
+'dudit',
+'duquel',
+'durant',
+'dès',
+'dès lors qu\'',
+'dès lors que',
+'dès qu\'',
+'dès que',
+'déjà',
+'désormais',
+'dû',
+'eh',
+'elle',
+'elles',
+'en',
+'en cours d\'',
+'en cours de',
+'en deçà',
+'en dépit d\'',
+'en dépit de',
+'en dépit des',
+'en dépit du',
+'en faveur d\'',
+'en faveur de',
+'en faveur des',
+'en faveur du',
+'en marge d\'',
+'en marge de',
+'en marge des',
+'en marge du',
+'en matière d\'',
+'en matière de',
+'en raison d\'',
+'en raison de',
+'en raison des',
+'en raison du',
+'en vertu d\'',
+'en vertu de',
+'en vertu du',
+'en vue d\'',
+'en vue de',
+'en vue des',
+'en vue du',
+'en-dehors d\'',
+'en-dehors de',
+'en-dehors des',
+'en-dehors du',
+'encore',
+'enfin',
+'ensemble',
+'ensuite',
+'entre',
+'entre-temps',
+'envers',
+'environ',
+'es',
+'est',
+'et',
+'et/ou',
+'etc',
+'eu',
+'eu égard au',
+'eu égard aux',
+'eu égard à',
+'eue',
+'eues',
+'euh',
+'eurent',
+'eus',
+'eusse',
+'eussent',
+'eusses',
+'eussiez',
+'eussions',
+'eut',
+'eux',
+'exprès',
+'extenso',
+'extremis',
+'eûmes',
+'eût',
+'eûtes',
+'facto',
+'faire',
+'fais',
+'faisaient',
+'faisais',
+'faisait',
+'faisons',
+'fait',
+'faites',
+'fallait',
+'faudrait',
+'faut',
+'fi',
+'flac',
+'fors',
+'fort',
+'forte',
+'fortiori',
+'frais',
+'fur',
+'furent',
+'fus',
+'fusse',
+'fussent',
+'fusses',
+'fussiez',
+'fussions',
+'fut',
+'fûmes',
+'fût',
+'fûtes',
+'gr',
+'grosso',
+'grâce au',
+'grâce aux',
+'grâce à',
+'guère',
+'ha',
+'han',
+'haut',
+'hein',
+'hem',
+'heu',
+'hg',
+'hier',
+'hl',
+'hm',
+'holà',
+'hop',
+'hormis',
+'hors',
+'hui',
+'huit',
+'hum',
+'hé',
+'ibidem',
+'ici',
+'ici-bas',
+'idem',
+'il',
+'illico',
+'ils',
+'ipso',
+'item',
+'j\'',
+'jadis',
+'jamais',
+'je',
+'jusqu\'',
+'jusqu\'au',
+'jusqu\'aux',
+'jusqu\'à',
+'jusque',
+'juste',
+'kg',
+'km',
+'l\'',
+'l\'autre',
+'l\'on',
+'l\'un',
+'l\'une',
+'la',
+'la leur',
+'la mienne',
+'la nôtre',
+'la sienne',
+'la tienne',
+'la vôtre',
+'laquelle',
+'le',
+'le leur',
+'le mien',
+'le nôtre',
+'le sien',
+'le tien',
+'le vôtre',
+'lequel',
+'les',
+'les autres',
+'les leurs',
+'les miennes',
+'les miens',
+'les nôtres',
+'les siennes',
+'les siens',
+'les tiennes',
+'les tiens',
+'les vôtres',
+'lesquelles',
+'lesquels',
+'leur',
+'leurs',
+'lez',
+'loin',
+'longtemps',
+'lors',
+'lors d\'',
+'lors de',
+'lors des',
+'lors du',
+'lors même qu\'',
+'lors même que',
+'lorsqu\'',
+'lorsque',
+'lui',
+'là',
+'là-bas',
+'là-dedans',
+'là-dehors',
+'là-derrière',
+'là-dessous',
+'là-dessus',
+'là-devant',
+'là-haut',
+'lès',
+'m\'',
+'ma',
+'maint',
+'mainte',
+'maintenant',
+'maintes',
+'maints',
+'mais',
+'mal',
+'malgré',
+'me',
+'mes',
+'mg',
+'mgr',
+'mieux',
+'mil',
+'mille',
+'milliards',
+'millions',
+'minima',
+'ml',
+'mm',
+'modo',
+'moi',
+'moins',
+'mon',
+'moult',
+'moyennant',
+'mt',
+'même',
+'mêmes',
+'n\'',
+'naguère',
+'ne',
+'neuf',
+'ni',
+'non',
+'nonante',
+'nonobstant',
+'nos',
+'notre',
+'nous',
+'nul',
+'nulle',
+'néanmoins',
+'octante',
+'oh',
+'on',
+'ont',
+'onze',
+'or',
+'ou',
+'ouais',
+'oui',
+'outre',
+'où',
+'par',
+'par rapport au',
+'par rapport aux',
+'par rapport à',
+'par-ci',
+'par-delà',
+'par-derrière',
+'par-dessous',
+'par-dessus',
+'par-devant',
+'par-là',
+'parbleu',
+'parce',
+'parce qu\'',
+'parce que',
+'parfois',
+'parmi',
+'partout',
+'pas',
+'pas grand-chose',
+'passim',
+'passé',
+'pendant',
+'personne',
+'petto',
+'peu',
+'peut',
+'peut-être',
+'peuvent',
+'peux',
+'pis',
+'plus',
+'plus d\'un',
+'plus d\'une',
+'plusieurs',
+'plutôt',
+'point',
+'posteriori',
+'pour',
+'pour qu\'',
+'pour que',
+'pourquoi',
+'pourtant',
+'pourvu qu\'',
+'pourvu que',
+'presqu\'',
+'presque',
+'primo',
+'priori',
+'prou',
+'près',
+'préalable',
+'pu',
+'puis',
+'puisqu\'',
+'puisque',
+'qu\'',
+'qua',
+'quand',
+'quant au',
+'quant aux',
+'quant à',
+'quarante',
+'quarante et un',
+'quarante et une',
+'quarante-cinq',
+'quarante-deux',
+'quarante-et-un',
+'quarante-huit',
+'quarante-neuf',
+'quarante-quatre',
+'quarante-sept',
+'quarante-six',
+'quarante-trois',
+'quasi',
+'quatorze',
+'quatre',
+'quatre-vingt',
+'quatre-vingt-cinq',
+'quatre-vingt-deux',
+'quatre-vingt-dix',
+'quatre-vingt-dix-huit',
+'quatre-vingt-dix-neuf',
+'quatre-vingt-dix-sept',
+'quatre-vingt-douze',
+'quatre-vingt-huit',
+'quatre-vingt-neuf',
+'quatre-vingt-onze',
+'quatre-vingt-quatorze',
+'quatre-vingt-quatre',
+'quatre-vingt-quinze',
+'quatre-vingt-seize',
+'quatre-vingt-sept',
+'quatre-vingt-six',
+'quatre-vingt-treize',
+'quatre-vingt-trois',
+'quatre-vingt-un',
+'quatre-vingt-une',
+'quatre-vingts',
+'que',
+'quel',
+'quelle',
+'quelles',
+'quelqu\'',
+'quelqu\'un',
+'quelqu\'une',
+'quelque',
+'quelque chose',
+'quelquefois',
+'quelques',
+'quelques-unes',
+'quelques-uns',
+'quels',
+'qui',
+'quiconque',
+'quinze',
+'quoi',
+'quoiqu\'',
+'quoique',
+'revoici',
+'revoilà',
+'rien',
+'s\'',
+'sa',
+'sans',
+'sauf',
+'se',
+'secundo',
+'seize',
+'selon',
+'sensu',
+'sept',
+'septante',
+'sera',
+'serai',
+'seraient',
+'serais',
+'serait',
+'seras',
+'serez',
+'seriez',
+'serions',
+'serons',
+'seront',
+'ses',
+'si',
+'sic',
+'sine',
+'sinon',
+'situ',
+'sitôt',
+'six',
+'soi',
+'soient',
+'sois',
+'soit',
+'soixante',
+'soixante et onze',
+'soixante et un',
+'soixante-cinq',
+'soixante-deux',
+'soixante-dix',
+'soixante-dix-huit',
+'soixante-dix-neuf',
+'soixante-dix-sept',
+'soixante-douze',
+'soixante-et-onze',
+'soixante-et-un',
+'soixante-et-une',
+'soixante-huit',
+'soixante-neuf',
+'soixante-quatorze',
+'soixante-quatre',
+'soixante-quinze',
+'soixante-seize',
+'soixante-sept',
+'soixante-six',
+'soixante-treize',
+'soixante-trois',
+'sommes',
+'son',
+'sont',
+'soudain',
+'sous',
+'souvent',
+'soyez',
+'soyons',
+'stricto',
+'suis',
+'suite à',
+'sur',
+'sur-le-champ',
+'surtout',
+'sus',
+'t\'',
+'ta',
+'tacatac',
+'tandis qu\'',
+'tandis que',
+'tant',
+'tantôt',
+'tard',
+'te',
+'tel',
+'telle',
+'telles',
+'tels',
+'ter',
+'tes',
+'toi',
+'ton',
+'toujours',
+'tous',
+'tout',
+'toute',
+'toutefois',
+'toutes',
+'treize',
+'trente',
+'trente et un',
+'trente et une',
+'trente-cinq',
+'trente-deux',
+'trente-et-un',
+'trente-huit',
+'trente-neuf',
+'trente-quatre',
+'trente-sept',
+'trente-six',
+'trente-trois',
+'trois',
+'trop',
+'très',
+'tu',
+'tôt',
+'un',
+'une',
+'unes',
+'uns',
+'va',
+'vais',
+'vas',
+'vers',
+'veut',
+'veux',
+'via',
+'vice-versa',
+'vingt',
+'vingt et un',
+'vingt et une',
+'vingt-cinq',
+'vingt-deux',
+'vingt-huit',
+'vingt-neuf',
+'vingt-quatre',
+'vingt-sept',
+'vingt-six',
+'vingt-trois',
+'vis-à-vis',
+'vite',
+'vitro',
+'vivo',
+'voici',
+'voilà',
+'voire',
+'volontiers',
+'vos',
+'votre',
+'vous',
+'y',
+'zéro',
+'à',
+'à l\'encontre d\'',
+'à l\'encontre de',
+'à l\'encontre des',
+'à l\'encontre du',
+'à l\'instar d\'',
+'à l\'instar de',
+'à l\'instar des',
+'à l\'instar du',
+'à l\'insu d\'',
+'à l\'insu de',
+'à l\'insu des',
+'à l\'insu du',
+'à l\'issue d\'',
+'à l\'issue de',
+'à l\'issue des',
+'à l\'issue du',
+'à l\'occasion d\'',
+'à l\'occasion de',
+'à l\'occasion des',
+'à l\'occasion du',
+'à l\'égard d\'',
+'à l\'égard de',
+'à l\'égard des',
+'à l\'égard du',
+'à la suite d\'',
+'à la suite de',
+'à la suite des',
+'à la suite du',
+'à ladite',
+'à laquelle',
+'à même d\'',
+'à même de',
+'à partir d\'',
+'à partir de',
+'à partir des',
+'à partir du',
+'à travers',
+'ç\'',
+'ça',
+'çà',
+'ès',
+'étaient',
+'étais',
+'était',
+'étant',
+'étiez',
+'étions',
+'été',
+'êtes',
+'être',
+'ô',
+);
+
+?>