i18npool/source/breakiterator/data/edit_word_hu.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                 [: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 = MIDDLE DOT:]  [:name = HEBREW PUNCTUATION GERSHAYIM:]
  49               [:name = RIGHT SINGLE QUOTATION MARK:] [:name = HYPHENATION POINT:]
  50               [:name = HYPHEN-MINUS:] [:name = EURO SIGN:] [:name = PERCENT SIGN:]
  51               [:name = PER MILLE SIGN:] [:name = PER TEN THOUSAND SIGN:]
  52               [:name = EN DASH:] [:name = EM DASH:]
  53               [:name = PERCENT SIGN:] [:name = SECTION SIGN:] [:name = DEGREE SIGN:]];
  54
  55 $MidNum    = [[:LineBreak = Infix_Numeric:] - [:name = FULL STOP:]];
  56 $Numeric   = [:LineBreak = Numeric:];
  57
  58
  59 $TheZWSP = \u200b;
  60
  61 #
  62 #  Character Class Definitions.
  63 #    The names are those from TR29.
  64 #
  65 $CR         = \u000d;
  66 $LF         = \u000a;
  67 $Control    = [[[:Zl:] [:Zp:] [:Cc:] [:Cf:]] - $TheZWSP];
  68 $Extend     = [[:Grapheme_Extend = TRUE:]];
  69
  70
  71
  72
  73 ####################################################################################
  74 #
  75 #  Word Break Rules.    Definitions and Rules specific to word break begin Here.
  76 #
  77 ####################################################################################
  78
  79 $Format    = [[:Cf:] - $TheZWSP];
  80
  81
  82
  83 # Rule 3:  Treat a grapheme cluster as if it were a single character.
  84 #          Hangul Syllables are easier to deal with here than they are in Grapheme Clusters
  85 #          because we don't need to find the boundaries between adjacent syllables -
  86 #          they won't be word boundaries.
  87 #
  88
  89
  90 #
  91 #  "Extended"  definitions.  Grapheme Cluster + Format Chars, treated like the base char.
  92 #
  93 $ALetterEx    = $ALetter   $Extend*;
  94 $NumericEx    = $Numeric   $Extend*;
  95 $MidNumEx     = $MidNum    $Extend*;
  96 $MidLetterEx  = $MidLetter $Extend*;
  97 $KatakanaEx   = $Katakana  $Extend*;
  98 $IdeographicEx= $Ideographic  $Extend*;
  99 $HangulEx = $Hangul  $Extend*;
 100 $FormatEx     = $Format    $Extend*;
 101
 102
 103 #
 104 #  Numbers.  Rules 8, 11, 12 form the TR.
 105 #
 106 $NumberSequence = $NumericEx ($FormatEx* $MidNumEx? $FormatEx* $NumericEx)*;
 107 $NumberSequence {100};
 108
 109 #
 110 #  Words.  Alpha-numerics.  Rule 5, 6, 7, 9, 10
 111 #     - must include at least one letter.
 112 #     - may include both letters and numbers.
 113 #     - may include  MideLetter, MidNumber punctuation.
 114 #
 115 $LetterSequence = $ALetterEx ($FormatEx* $MidLetterEx? $FormatEx* $ALetterEx)*;     # rules #6, #7
 116 ($NumberSequence $FormatEx*)? $LetterSequence ($FormatEx* ($NumberSequence | $LetterSequence))* {200};
 117
 118 # Punctuations by themselves
 119 [[:P:][:S:]-[:name = FULL STOP:]]*;
 120 [[:name = FULL STOP:]]*;
 121
 122 #
 123 #  Do not break between Katakana.   Rule #13.
 124 #
 125 $KatakanaEx ($FormatEx* $KatakanaEx)* {300};
 126 [:Hiragana:] $Extend* {300};
 127
 128 #
 129 #  Ideographic Characters.  Stand by themselves as words.
 130 #                           Separated from the "Everything Else" rule, below, only so that they
 131 #                           can be tagged with a return value.   TODO:  is this what we want?
 132 #
 133 $IdeographicEx ($FormatEx* $IdeographicEx)* {400};
 134 $HangulEx ($FormatEx* $HangulEx)* {400};
 135
 136 #
 137 #  Everything Else, with no tag.
 138 #                   Non-Control chars combine with $Extend (combining) chars.
 139 #                   Controls are do not.
 140 #
 141 [^$Control [:Ideographic:]] $Extend*;
 142 $CR $LF;
 143
 144 #
 145 #  Reverse Rules.   Back up over any of the chars that can group together.
 146 #                   (Reverse rules do not need to be exact; they can back up  too far,
 147 #                   but must back up at least enough, and must stop on a boundary.)
 148 #
 149
 150 # NonStarters are the set of all characters that can appear at the 2nd - nth position of
 151 #    a word.   (They may also be the first.)   The reverse rule skips over these, until it
 152 #    reaches something that can only be the start (and probably only) char in a "word".
 153 #    A space or punctuation meets the test.
 154 #
 155 $NonStarters = [$Numeric $ALetter $Katakana $Ideographic $Hangul [:P:] [:S:] $MidLetter $MidNum $Extend $Format];
 156
 157 #!.*;
 158 ! ($NonStarters* | \n \r) .;
 159