i18npool/source/breakiterator/data/count_word.txt

   1 #
   2 #   Copyright (C) 2002-2003, International Business Machines Corporation and others.
   3 #       All Rights Reserved.
   4 #
   5 #   file:  count_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
  25 $dash = \u002d;
  26
  27 $ALetter   = [[:Alphabetic:] [:name= HEBREW PUNCTUATION GERESH:]
  28                            [:P:] [:S:] [:LineBreak = Numeric:]
  29                            - $dash
  30                            - $Katakana
  31                            - [:Script = Thai:]
  32                            - [:Script = Lao:]
  33                            - [:Script = Hiragana:]];
  34
  35 $TheZWSP = \u200b;
  36
  37 #
  38 #  Character Class Definitions.
  39 #    The names are those from TR29.
  40 #
  41 $CR         = \u000d;
  42 $LF         = \u000a;
  43 $Control    = [[[:Zl:] [:Zp:] [:Cc:] [:Cf:]] - $TheZWSP];
  44 $Extend     = [[:Grapheme_Extend = TRUE:]];
  45
  46
  47
  48
  49 ####################################################################################
  50 #
  51 #  Word Break Rules.    Definitions and Rules specific to word break begin Here.
  52 #
  53 ####################################################################################
  54
  55 $Format    = [[:Cf:] - $TheZWSP];
  56
  57
  58
  59 # Rule 3:  Treat a grapheme cluster as if it were a single character.
  60 #          Hangul Syllables are easier to deal with here than they are in Grapheme Clusters
  61 #          because we don't need to find the boundaries between adjacent syllables -
  62 #          they won't be word boundaries.
  63 #
  64
  65
  66 #
  67 #  "Extended"  definitions.  Grapheme Cluster + Format Chars, treated like the base char.
  68 #
  69 $ALetterEx    = $ALetter   $Extend*;
  70 $KatakanaEx   = $Katakana  $Extend*;
  71 $FormatEx     = $Format    $Extend*;
  72
  73 #
  74 #  Numbers.  Rules 8, 11, 12 form the TR.
  75 #
  76
  77 #
  78 #  Words.  Alpha-numerics.  Rule 5, 6, 7, 9, 10
  79 #     - must include at least one letter.
  80 #     - may include both letters and numbers.
  81 #     - may include  MideLetter, MidNumber punctuation.
  82 #
  83 $LetterSequence = $ALetterEx ($FormatEx* $ALetterEx)*;     # rules #6, #7
  84 $LetterSequence {200};
  85
  86 $ALetterEx* $dash+ {200};
  87 $ALetterEx* ($dash $LetterSequence)+ $dash* {200};
  88
  89 #
  90 #  Do not break between Katakana.   Rule #13.
  91 #
  92 $KatakanaEx ($FormatEx* $KatakanaEx)* {300};
  93 [:Hiragana:] $Extend* {300};
  94
  95 #
  96 #  Ideographic Characters.  Stand by themselves as words.
  97 #                           Separated from the "Everything Else" rule, below, only so that they
  98 #                           can be tagged with a return value.   TODO:  is this what we want?
  99 #
 100 # [:IDEOGRAPHIC:] $Extend* {400};
 101
 102 #
 103 #  Everything Else, with no tag.
 104 #                   Non-Control chars combine with $Extend (combining) chars.
 105 #                   Controls are do not.
 106 #
 107 [^$Control [:Ideographic:]] $Extend*;
 108 $CR $LF;
 109
 110 #
 111 #  Reverse Rules.   Back up over any of the chars that can group together.
 112 #                   (Reverse rules do not need to be exact; they can back up  too far,
 113 #                   but must back up at least enough, and must stop on a boundary.)
 114 #
 115
 116 # NonStarters are the set of all characters that can appear at the 2nd - nth position of
 117 #    a word.   (They may also be the first.)   The reverse rule skips over these, until it
 118 #    reaches something that can only be the start (and probably only) char in a "word".
 119 #    A space or punctuation meets the test.
 120 #
 121 $NonStarters = [$ALetter $Katakana $Extend $Format];
 122
 123 #!.*;
 124 ! ($NonStarters* | \n \r) .;
 125