This is a live mirror of the Perl 5 development currently hosted at https://github.com/perl/perl5
Tweak the equivalence tables once again.
[perl5.git] / lib / unicode / mktables.PL
index 41b192b..7d70b18 100755 (executable)
@@ -152,6 +152,21 @@ mkdir "Eq", 0777;
 # Jamo
 
     ['JamoShort',      '1',            '$short'],
+
+# Syllables
+
+    ['IsSylV', '$syl eq "V"',          ''],
+    ['IsSylU', '$syl eq "U"',          ''],
+    ['IsSylI', '$syl eq "I"',          ''],
+    ['IsSylA', '$syl eq "A"',          ''],
+    ['IsSylE', '$syl eq "E"',          ''],
+    ['IsSylC', '$syl eq "C"',          ''],
+    ['IsSylO', '$syl eq "O"',          ''],
+    ['IsSylWV',        '$syl eq "V"',          ''],
+    ['IsSylWI',        '$syl eq "I"',          ''],
+    ['IsSylWA',        '$syl eq "A"',          ''],
+    ['IsSylWE',        '$syl eq "E"',          ''],
+    ['IsSylWC',        '$syl eq "C"',          ''],
 );
 
 # This is not written for speed...
@@ -178,7 +193,7 @@ END
 
 exit if @ARGV and not grep { $_ eq Block } @ARGV;
 print "Block\n";
-open(UD, 'blocks.txt') or die "Can't open blocks.txt: $!\n";
+open(UD, 'Blocks.txt') or die "Can't open blocks.txt: $!\n";
 open(OUT, ">Block.pl") or die "Can't create $table.pl: $!\n";
 print OUT <<"END";
 return <<'END';
@@ -214,15 +229,20 @@ sub proplist {
     my $split;
 
     if ($table =~ /^Arab/) {
-       open(UD, "arabshp.txt") or warn "Can't open $table: $!";
+       open(UD, "ArabShap.txt") or warn "Can't open $table: $!";
 
        $split = '($code, $name, $link, $linkgroup) = split(/; */);';
     }
     elsif ($table =~ /^Jamo/) {
-       open(UD, "jamo2.txt") or warn "Can't open $table: $!";
+       open(UD, "Jamo-2.txt") or warn "Can't open $table: $!";
 
        $split = '($code, $short, $name) = split(/; */); $code =~ s/^U\+//;';
     }
+    elsif ($table =~ /^IsSyl/) {
+       open(UD, "syllables.txt") or warn "Can't open $table: $!";
+
+       $split = '($code, $short, $syl) = split(/; */); $code =~ s/^U\+//;';
+    }
     else {
        open(UD, $UnicodeData) or warn "Can't open $UnicodeData: $!";
 
@@ -307,49 +327,67 @@ END
 open(UNICODEDATA, $UnicodeData) || die "$0: $UnicodeData: $!\n";
 
 while (<UNICODEDATA>) {
-    ($code, $name) = split /;/;
+    ($code, $name, $category, $decomposition) = (split /;/)[0,1,2,5];
     
     $code{$name} = $code;
     $name{$code} = $name;
+    $category{$code} = $category;
+
+    next unless $category =~ /^L/;
+
+    # The definition of "equivalence" is twofold.
+    if ($decomposition ne '') {
+       # (1) If there's an official Unicode decomposition
+        #     and the base is a Unicode letter.
+       $decomposition =~ s/^<\w+> //;
+       @decomposition = split(' ', $decomposition);
+       # Some Arabic ligatures like
+       # FC5E;ARABIC LIGATURE SHADDA WITH DAMMATAN ISOLATED FORM;Lo;...
+       # are problematic because their decomposition begins with
+       # a space (0020) -- which could be just skipped -- but then
+       # their base glyph is not a letter, for example
+       # the above decomposes as <isolated> 0020 064C 0651,
+       # but 064C is 064C;ARABIC DAMMATAN;Mn;...
+       # (the 0651 being ARABIC SHADDA;Mn)
+       ($basecode) = shift @decomposition;
+       push @base, [ $code, $basecode ];
+    } elsif ($name =~ /^(.+?) WITH /) {
+       # (2) If there's a "FOO WITH ..." Unicode name and FOO
+       #     happens to be valid Unicode letter.  This is
+       #     a debatable definition and all fault is by me (jhi).
+        #     For example this definition adds
+        #     LATIN SMALL LETTER O WITH STROKE
+        #     as a derivative of 
+        #     LATIN SMALL LETTER O
+        #     which some might rightfully contest, especially
+        #     the speakers of languages who have the former
+        #     phonetically as very distinct from the latter.
+       push @with, [ $code, $1 ];
+    }
+}
 
-    next unless $name =~ /^(.+? LETTER .+?) WITH .+( \w+ FORM)?$/;
-
-    push @base, [ $code, $1 ];
-    push @base, [ $code, $1.$2 ] if $2 ne '';
-
-    # Before this "diacritics stripping" phase (and for Arabic, also
-    # "form stripping" phase) all ligatures could be decomposed into
-    # their constituent letters.
-    #
-    # For example the ligature
-    # ARABIC LIGATURE YEH WITH HAMZA ABOVE WITH ALEF ISOLATED FORM
-    # would go first through ligature decomposition producing the two letters
-    # ARABIC LETTER YEH WITH HAMZA ABOVE ISOLATED FORM
-    # ARABIC LETTER ALEF WITH HAMZA ABOVE ISOLATED FORM
-    # and those with diacritics stripping
-    # ARABIC LETTER YEH ISOLATED FORM
-    # ARABIC LETTER ALEF ISOLATED FORM
-    # and those with the Arabic form stripping
-    # ARABIC LETTER YEH
-    # ARABIC LETTER ALEF ISOLATED FORM
-    # ARABIC LETTER YEH
-    # ARABIC LETTER ALEF ISOLATED FORM
-    #
-    # Similarly for ligatures from other scripts.
-    # Effectively this would mean that ligatures turn into categories
-    # (Unicodese for character classes).
+foreach my $w (@with) {
+    ($code, $basename) = @$w;
+    next if not exists $code{$basename} or
+            not $category{$code{$basename}} =~ /^L/;
+    push @base, [ $code, $code{$basename} ];
 }
 
+@base = sort { $a->[0] cmp $b->[0] } @base;
+
 foreach my $b (@base) {
-    ($code, $base) = @$b;
-    next unless exists $code{$base};
-    push @{$unicode{$code{$base}}}, $code;
-#   print "$code: $name{$code} -> $base\n",
+    ($code, $basecode) = @$b;
+    $basename = $name{$basecode};
+    next if not defined $basename or
+            not exists $code{$basename} or
+            not $category{$code{$basename}} =~ /^L/;
+    push @{$unicode{$code{$basename}}}, $code;
+#   print "$code: $name{$code} -> $basename\n",
 }
 
 @unicode = sort keys %unicode;
 
-print "Eq/Unicode\n";
+print "EqUnicode\n";
 if (open(EQ_UNICODE, ">Eq/Unicode")) {
     foreach my $c (@unicode) {
        print EQ_UNICODE "$c @{$unicode{$c}}\n";
@@ -359,11 +397,11 @@ if (open(EQ_UNICODE, ">Eq/Unicode")) {
     die "$0: failed to open Eq/Unicode for writing: $!\n";
 }
 
-print "Eq/Latin1\n";
+print "EqLatin1\n";
 if (open(EQ_LATIN1, ">Eq/Latin1")) {
     foreach my $c (@unicode) {
        last if hex($c) > 255;
-       my @c = grep { hex($_) <= 255 } @{$unicode{$c}};
+       my @c = grep { hex($_) < 256 } @{$unicode{$c}};
        next unless @c;
        print EQ_LATIN1 "$c @c\n";
     }
@@ -371,4 +409,5 @@ if (open(EQ_LATIN1, ">Eq/Latin1")) {
 } else {
     die "$0: failed to open Eq/Latin1 for writing: $!\n";
 }
-  
+
+# eof