| # Copyright (C) 2011-2011, International Business Machines Corporation |
| # and others. All Rights Reserved. |
| # |
| # file name: wordsegments.txt |
| # encoding: UTF-8 |
| # |
| # created on: 2011may14 |
| # created by: George Rhoten |
| # created by: Nathan Wells |
| # |
| # Word boundary test data for languages that contain no spaces. |
| # Boundaries are deliminated with the | character so that it's easier to debug. |
| # |
| # If you have test data with zero width spaces to deliminate the words, use the following command example. |
| # Be sure to copy the zero width space in the sed command. |
| # echo 'សូមចំណាយពេលបន្តិចដើម្បីអធិស្ឋានអរព្រះគុណដល់ព្រះអង្គ' | sed 's//\|/g' |
| # |
| |
| # Khmer |
| តើ|លោក|មក|ពី|ប្រទេស|ណា |
| សណ្ដូក|ក|បណ្ដែត|ខ្លួន |
| ពណ៌ស|ម្ដេច|ថា|ខ្មៅ |
| #ប្រយោគ|ពី|របៀប|រួបរួម|និង|ភាព|ផ្សេងគ្នា|ដែល|អាច|ចូល |
| ប្រយោគ|ពី|របៀប|ដែល|និង|ភាព|ផ្សេងគ្នា|ដែល|អាច|ចូល |
| #ប្រយោគ|ពី|របៀប|ជា|មួយ|និង|ភាព|ផ្សេងគ្នា|ដែល|អាច|ចូល |
| សូម|ចំណាយពេល|បន្តិច|ដើម្បី|អធិស្ឋាន|អរព្រះគុណ|ដល់|ព្រះអង្គ |
| ការ|ថោកទាប|បរិប្បូណ៌|ដោយ |
| ប្រើប្រាស់|ស្អាត|ទាំង|ចិត្ត|សិស្ស|នោះ |
| បើ|អ្នក|ប្រព្រឺត្ត|អំពើអាក្រក់|មុខ|ជា|មាន |
| ប្រដាប់|ប្រដា|រ|រៀនសូត្រ|បន្ទប់|រៀន |
| ដើរតួ|មនុស្សគ|ឥត|បញ្ចេញ|យោបល់|សោះ|ឡើយ |
| មិន|អាច|ឲ្យ|យើង|ធ្វើ|កសិកម្ម|បាន|ឡើយ |
| បន្ត|សេចក្ត|ទៅទៀត |
| ក្រុម|ប៉ូលិស|បណ្តាក់|គ្នា |
| គ្មាន|សុខ|សំរាន្ត|ដង|ណា |
| បាន|សុខភាព|បរិប្បូណ៌ |
| ជា|មេចោរ|ខ្ញុំ|នឹង|ស្លាប់|ទៅវិញ|ជា|មេចោរ |
| ឯ|ការ|វាយ|ផ្ចាល|ដែល|នាំ |
| គេ|ដឹក|ទៅ|សំឡាប់ |
| #អ្នក|ដែល|ជា|មន្ត្រី|ធំ|លើ|គាត់|ទេ |
| យក|ទៅ|សម្លាប់ចោល|ស្ងាត់ |
| ត្រូវ|បាន|គេ|សម្លាប់ |
| នៅក្នុង|ស្រុក|ខ្ល|ងហ្ស៊ុន |
| |
| # Thai |
| กู| |กิน|กุ้ง| |ปิ้่|งอ|ยู่|ใน|ถ้ำ |
| |