i18npool/source/breakiterator/data/edit_word.txt

   1 #
   2 #   Copyright (C) 2002-2003, International Business Machines Corporation and others.
   3 #       All Rights Reserved.
   4 #
   5 #   file:  edit_word.txt
   6 #
   7 #   ICU Word Break Rules
   8 #      See Unicode Standard Annex #29.
   9 #      These rules are based on Version 4.0.0, dated 2003-04-17
  10 #
  11
  12
  13
  14 ####################################################################################
  15 #
  16 #  Character class definitions from TR 29
  17 #
  18 ####################################################################################
  19 $Katakana  = [[:Script = KATAKANA:] [:name = KATAKANA-HIRAGANA PROLONGED SOUND MARK:]
  20                                    [:name = HALFWIDTH KATAKANA-HIRAGANA PROLONGED SOUND MARK:]
  21                                    [:name = HALFWIDTH KATAKANA VOICED SOUND MARK:]
  22                                    [:name = HALFWIDTH KATAKANA SEMI-VOICED SOUND MARK:]];
  23
  24 $Ideographic = [:Ideographic:];
  25 $Hangul = [:Script = HANGUL:];
  26
  27 $ALetter   = [\u0002 [:Alphabetic:] [:name= NO-BREAK SPACE:] [:name= HEBREW PUNCTUATION GERESH:]
  28                            - $Ideographic
  29                            - $Katakana
  30                            - $Hangul
  31                            - [:Script = Thai:]
  32                            - [:Script = Lao:]
  33                            - [:Script = Hiragana:]];
  34
  35 $MidLetter = [[:name = APOSTROPHE:] [:name = MIDDLE DOT:]  [:name = HEBREW PUNCTUATION GERSHAYIM:]
  36               [:name = RIGHT SINGLE QUOTATION MARK:] [:name = HYPHENATION POINT:]];
  37
  38 $MidNum    = [[:LineBreak = Infix_Numeric:] - [:name = FULL STOP:]];
  39 $Numeric   = [:LineBreak = Numeric:];
  40
  41
  42 $TheZWSP = \u200b;
  43
  44 #
  45 #  Character Class Definitions.
  46 #    The names are those from TR29.
  47 #
  48 $CR         = \u000d;
  49 $LF         = \u000a;
  50 $Control    = [[[:Zl:] [:Zp:] [:Cc:] [:Cf:]] - $TheZWSP];
  51 $Extend     = [[:Grapheme_Extend = TRUE:]];
  52
  53
  54
  55
  56 ####################################################################################
  57 #
  58 #  Word Break Rules.    Definitions and Rules specific to word break begin Here.
  59 #
  60 ####################################################################################
  61
  62 $Format    = [[:Cf:] - $TheZWSP];
  63
  64
  65
  66 # Rule 3:  Treat a grapheme cluster as if it were a single character.
  67 #          Hangul Syllables are easier to deal with here than they are in Grapheme Clusters
  68 #          because we don't need to find the boundaries between adjacent syllables -
  69 #          they won't be word boundaries.
  70 #
  71
  72
  73 #
  74 #  "Extended"  definitions.  Grapheme Cluster + Format Chars, treated like the base char.
  75 #
  76 $ALetterEx    = $ALetter   $Extend*;
  77 $NumericEx    = $Numeric   $Extend*;
  78 $MidNumEx     = $MidNum    $Extend*;
  79 $MidLetterEx  = $MidLetter $Extend*;
  80 $KatakanaEx   = $Katakana  $Extend*;
  81 $IdeographicEx= $Ideographic  $Extend*;
  82 $HangulEx = $Hangul  $Extend*;
  83 $FormatEx     = $Format    $Extend*;
  84
  85
  86 #
  87 #  Numbers.  Rules 8, 11, 12 form the TR.
  88 #
  89 $NumberSequence = $NumericEx ($FormatEx* $MidNumEx? $FormatEx* $NumericEx)*;
  90 $NumberSequence {100};
  91
  92 #
  93 #  Words.  Alpha-numerics.  Rule 5, 6, 7, 9, 10
  94 #     - must include at least one letter.
  95 #     - may include both letters and numbers.
  96 #     - may include  MideLetter, MidNumber punctuation.
  97 #
  98 $LetterSequence = $ALetterEx ($FormatEx* $MidLetterEx? $FormatEx* $ALetterEx)*;     # rules #6, #7
  99 ($NumberSequence $FormatEx*)? $LetterSequence ($FormatEx* ($NumberSequence | $LetterSequence))* {200};
 100
 101 # Punctuations by themselves
 102 [[:P:][:S:]-[:name = FULL STOP:]]*;
 103 [[:name = FULL STOP:]]*;
 104
 105 #
 106 #  Do not break between Katakana.   Rule #13.
 107 #
 108 $KatakanaEx ($FormatEx* $KatakanaEx)* {300};
 109 [:Hiragana:] $Extend* {300};
 110
 111 #
 112 #  Ideographic Characters.  Stand by themselves as words.
 113 #                           Separated from the "Everything Else" rule, below, only so that they
 114 #                           can be tagged with a return value.   TODO:  is this what we want?
 115 #
 116 $IdeographicEx ($FormatEx* $IdeographicEx)* {400};
 117 $HangulEx ($FormatEx* $HangulEx)* {400};
 118
 119 #
 120 #  Everything Else, with no tag.
 121 #                   Non-Control chars combine with $Extend (combining) chars.
 122 #                   Controls are do not.
 123 #
 124 [^$Control [:Ideographic:]] $Extend*;
 125 $CR $LF;
 126
 127 #
 128 #  Reverse Rules.   Back up over any of the chars that can group together.
 129 #                   (Reverse rules do not need to be exact; they can back up  too far,
 130 #                   but must back up at least enough, and must stop on a boundary.)
 131 #
 132
 133 # NonStarters are the set of all characters that can appear at the 2nd - nth position of
 134 #    a word.   (They may also be the first.)   The reverse rule skips over these, until it
 135 #    reaches something that can only be the start (and probably only) char in a "word".
 136 #    A space or punctuation meets the test.
 137 #
 138 $NonStarters = [$Numeric $ALetter $Katakana $Ideographic $Hangul [:P:] [:S:] $MidLetter $MidNum $Extend $Format];
 139
 140 #!.*;
 141 ! ($NonStarters* | \n \r) .;
 142