Update ooo320-m1
[ooovba.git] / i18npool / source / breakiterator / data / dict_word_hu.txt
blob49ae8b5bf407333787582998a0250d881f3bc674
2 #   Copyright (C) 2002-2003, International Business Machines Corporation and others.
3 #       All Rights Reserved.
5 #   file:  dict_word.txt   
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
14 ####################################################################################
16 #  Character class definitions from TR 29
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:]];
24 $Ideographic = [:Ideographic:];
25 $Hangul = [:Script = HANGUL:];
27 $ALetter   = [\u0002 [:Alphabetic:] [:name= COMMERCIAL AT:] [:name= HEBREW PUNCTUATION GERESH:]
28                 [:name = PERCENT SIGN:] [:name = PER MILLE SIGN:] [:name = PER TEN THOUSAND SIGN:]
29                 [:name = SECTION SIGN:] [:name = DEGREE SIGN:] [:name = EURO SIGN:]
30                 [:name = HYPHEN-MINUS:] [:name = EN DASH:] [:name = EM DASH:]
31                 [:name = DIGIT ZERO:]
32                 [:name = DIGIT ONE:]
33                 [:name = DIGIT TWO:]
34                 [:name = DIGIT THREE:]
35                 [:name = DIGIT FOUR:]
36                 [:name = DIGIT FIVE:]
37                 [:name = DIGIT SIX:]
38                 [:name = DIGIT SEVEN:]
39                 [:name = DIGIT EIGHT:]
40                 [:name = DIGIT NINE:]
41                            - $Ideographic
42                            - $Katakana
43                            - $Hangul
44                            - [:Script = Thai:]
45                            - [:Script = Lao:]
46                            - [:Script = Hiragana:]];
47                            
48 $MidLetter = [[:name = APOSTROPHE:] [:name = GRAVE ACCENT:] \u0084 [:name = SOFT HYPHEN:] [:name = MIDDLE DOT:] [:name = GREEK TONOS:]
49               [:name = HEBREW PUNCTUATION GERSHAYIM:] [:name = DOUBLE VERTICAL LINE:] [:name = LEFT SINGLE QUOTATION MARK:]
50               [:name = RIGHT SINGLE QUOTATION MARK:] [:name = HYPHENATION POINT:] [:name = PRIME:] [:name = HYPHEN-MINUS:]
51               [:name = EURO SIGN:] [:name = PERCENT SIGN:] [:name = PER MILLE SIGN:] [:name = PER TEN THOUSAND SIGN:]
52               [:name = EN DASH:] [:name = EM DASH:]
53               [:name = FULL STOP:] [:name = PERCENT SIGN:] [:name = SECTION SIGN:] [:name = DEGREE SIGN:]];  
54               
55 $SufixLetter = [:name= FULL STOP:];
57 $MidNum    = [[:LineBreak = Infix_Numeric:] [:name= COMMERCIAL AT:] \u0084 [:name = GREEK TONOS:] [:name = ARABIC DECIMAL SEPARATOR:]
58              [:name = LEFT SINGLE QUOTATION MARK:] [:name = RIGHT SINGLE QUOTATION MARK:] [:name = SINGLE HIGH-REVERSED-9 QUOTATION MARK:]
59              [:name = PRIME:]];
60 $Numeric   = [:LineBreak = Numeric:];
63 $TheZWSP = \u200b;
66 #  Character Class Definitions.
67 #    The names are those from TR29.
69 $CR         = \u000d;
70 $LF         = \u000a;
71 $Control    = [[[:Zl:] [:Zp:] [:Cc:] [:Cf:]] - $TheZWSP];
72 $Extend     = [[:Grapheme_Extend = TRUE:]]; 
77 ####################################################################################
79 #  Word Break Rules.    Definitions and Rules specific to word break begin Here. 
81 ####################################################################################
83 $Format    = [[:Cf:] - $TheZWSP];
87 # Rule 3:  Treat a grapheme cluster as if it were a single character.
88 #          Hangul Syllables are easier to deal with here than they are in Grapheme Clusters
89 #          because we don't need to find the boundaries between adjacent syllables -
90 #          they won't be word boundaries.
95 #  "Extended"  definitions.  Grapheme Cluster + Format Chars, treated like the base char.
97 $ALetterEx    = $ALetter   $Extend*; 
98 $NumericEx    = $Numeric   $Extend*;
99 $MidNumEx     = $MidNum    $Extend*;
100 $MidLetterEx  = $MidLetter $Extend*;
101 $SufixLetterEx= $SufixLetter $Extend*;
102 $KatakanaEx   = $Katakana  $Extend*;
103 $IdeographicEx= $Ideographic  $Extend*;
104 $HangulEx = $Hangul  $Extend*;
105 $FormatEx     = $Format    $Extend*;
109 #  Numbers.  Rules 8, 11, 12 form the TR.
111 $NumberSequence = $NumericEx ($FormatEx* $MidNumEx? $FormatEx* $NumericEx)*;
112 $NumberSequence {100};
115 #  Words.  Alpha-numerics.  Rule 5, 6, 7, 9, 10
116 #     - must include at least one letter. 
117 #     - may include both letters and numbers.
118 #     - may include  MideLetter, MidNumber punctuation.
120 $LetterSequence = $ALetterEx ($FormatEx* $MidLetterEx? $FormatEx* $ALetterEx)*;     # rules #6, #7
121 ($NumberSequence $FormatEx*)? $LetterSequence ($FormatEx* ($NumberSequence | $LetterSequence))* $SufixLetterEx? {200};
123 [[:P:][:S:]]*;
126 #  Do not break between Katakana.   Rule #13.
128 $KatakanaEx ($FormatEx* $KatakanaEx)* {300};
129 [:Hiragana:] $Extend* {300};
132 #  Ideographic Characters.  Stand by themselves as words.
133 #                           Separated from the "Everything Else" rule, below, only so that they
134 #                           can be tagged with a return value.   TODO:  is this what we want?
136 $IdeographicEx ($FormatEx* $IdeographicEx)* {400};
137 $HangulEx ($FormatEx* $HangulEx)* {400};
140 #  Everything Else, with no tag.
141 #                   Non-Control chars combine with $Extend (combining) chars.
142 #                   Controls are do not.
144 [^$Control [:Ideographic:]] $Extend*;
145 $CR $LF;
148 #  Reverse Rules.   Back up over any of the chars that can group together.
149 #                   (Reverse rules do not need to be exact; they can back up  too far,
150 #                   but must back up at least enough, and must stop on a boundary.)
153 # NonStarters are the set of all characters that can appear at the 2nd - nth position of
154 #    a word.   (They may also be the first.)   The reverse rule skips over these, until it
155 #    reaches something that can only be the start (and probably only) char in a "word".
156 #    A space or punctuation meets the test.
158 $NonStarters = [$Numeric $ALetter $Katakana $Ideographic $Hangul [:P:] [:S:] $MidLetter $MidNum $SufixLetter $Extend $Format];
160 #!.*;
161 ! ($NonStarters* | \n \r) .;