]> git.saurik.com Git - apple/icu.git/blobdiff - icuSources/data/brkitr/rules/line_loose_cj.txt
ICU-64232.0.1.tar.gz
[apple/icu.git] / icuSources / data / brkitr / rules / line_loose_cj.txt
index ff949be811f47bcc8be6a706c6805b55d7606ab7..80d57c76a1b5c8c551a10cf77c924c0d87c700e4 100644 (file)
@@ -7,14 +7,11 @@
 #
 #         Line Breaking Rules
 #         Implement default line breaking as defined by
-#         Unicode Standard Annex #14 Revision 40 for Unicode 11.0
-#         http://www.unicode.org/reports/tr14/
+#         Unicode Standard Annex #14 Revision 42 for Unicode 12.0
+#         http://www.unicode.org/reports/tr14/, with the following modification:
 #
-#         tailored as noted in 2nd paragraph below.
-#
-#         TODO:  Rule LB 8 remains as it was in Unicode 5.2
-#         This is only because of a limitation of ICU break engine implementation,
-#         not because the older behavior is desirable.
+#         Boundaries between hyphens and following letters are suppressed when
+#         there is a boundary preceding the hyphen. See rule 20.9
 #
 #         This tailors the line break behavior to correspond to CSS
 #         line-break=loose (BCP47 -u-lb-loose) as defined for Chinese & Japanese.
@@ -29,6 +26,7 @@
 #           this includes: 00B0 2030 2032 2033 2035 2103 2109 FE6A FF05 FFE0
 #         * after prefix characters with LineBreak class PR and EastAsianWidth A,F,W;
 #           this includes: 00A4 00B1 20AC 2116 FE69 FF04 FFE1 FFE5 FFE6
+#         It allows breaking before 201C and after 201D, for zh_Hans, zh_Hant, and ja.
 
 
 #
@@ -42,16 +40,17 @@ $AI = [:LineBreak =  Ambiguous:];
 $AL = [:LineBreak =  Alphabetic:];
 $BAX = [\u2010 \u2013];
 $BA = [[:LineBreak =  Break_After:] - $BAX];
+$HH = [\u2010];     # \u2010 is HYPHEN, default line break is BA.
 $BB = [:LineBreak =  Break_Before:];
 $BK = [:LineBreak =  Mandatory_Break:];
 $B2 = [:LineBreak =  Break_Both:];
 $CB = [:LineBreak =  Contingent_Break:];
 $CJ = [:LineBreak =  Conditional_Japanese_Starter:];
-$CL = [:LineBreak =  Close_Punctuation:];
+$CL = [[:LineBreak =  Close_Punctuation:] \u201d];
 # $CM = [:LineBreak =  Combining_Mark:];
 $CP = [:LineBreak =  Close_Parenthesis:];
 $CR = [:LineBreak =  Carriage_Return:];
-$EB = [[:LineBreak =  EB:] \U0001F46A-\U0001F46D\U0001F46F\U0001F91D\U0001F93C];
+$EB = [:LineBreak =  EB:];
 $EM = [:LineBreak =  EM:];
 $EXX = [\uFF01 \uFF1F];
 $EX = [[:LineBreak =  Exclamation:] - $EXX];
@@ -72,12 +71,12 @@ $NL = [:LineBreak =  Next_Line:];
 $NSX = [\u301C \u30A0 \u3005 \u303B \u309D \u309E \u30FD \u30FE \u203C \u2047 \u2048 \u2049 \u30FB \uFF1A \uFF1B \uFF65];
 $NS = [[:LineBreak =  Nonstarter:] - $NSX];
 $NU = [:LineBreak =  Numeric:];
-$OP = [:LineBreak =  Open_Punctuation:];
+$OP = [[:LineBreak =  Open_Punctuation:] \u201c];
 $POX = [\u00B0 \u2030 \u2032 \u2033 \u2035 \u2103 \u2109 \uFE6A \uFF05 \uFFE0];
 $PO = [[:LineBreak =  Postfix_Numeric:] - $POX];
 $PRX = [\u00A4 \u00B1 \u20AC \u2116 \uFE69 \uFF04 \uFFE1 \uFFE5 \uFFE6];
 $PR = [[:LineBreak =  Prefix_Numeric:] - $PRX];
-$QU = [:LineBreak =  Quotation:];
+$QU = [[:LineBreak =  Quotation:] - [\u201c\u201d]];
 $RI = [:LineBreak =  Regional_Indicator:];
 $SA = [:LineBreak =  Complex_Context:];
 $SG = [:LineBreak =  Surrogate:];
@@ -93,6 +92,7 @@ $ZWJ = [:LineBreak = ZWJ:];
 # By LB1, SA characters with general categor of Mn or Mc also resolve to CM.
 
 $CM = [[:LineBreak = Combining_Mark:] $ZWJ [$SA & [[:Mn:][:Mc:]]]];
+$CMX = [[$CM] - [$ZWJ]];
 
 #   Dictionary character set, for triggering language-based break engines. Currently
 #   limited to LineBreak=Complex_Context (SA).
@@ -151,12 +151,11 @@ $CAN_CM $CM*  [$SP $ZW];
 
 #
 # LB 8         Break after zero width space
-#              TODO:  ZW SP* <break>
-#              An engine change is required to write the reverse rule for this.
-#              For now, leave the Unicode 5.2 rule, ZW <break>
+#              ZW SP* รท
 #
 $LB8Breaks    = [$LB4Breaks $ZW];
 $LB8NonBreaks = [[$LB4NonBreaks] - [$ZW]];
+$ZW $SP* / [^$SP $ZW $LB4Breaks];
 
 # LB 8a        ZWJ x            Do not break Emoji ZWJ sequences.
 #
@@ -192,8 +191,8 @@ $GL $CM* .;
 ^$CM+ $GL;
 
 
-#
-# LB 13   Don't break before ']' or '!' or ';' or '/', even after spaces.
+
+# LB 13   Don't break before ']' or '!' or or '/', even after spaces.
 #
 # Do not include $EXX here
 $LB8NonBreaks $CL;
@@ -208,10 +207,6 @@ $LB8NonBreaks $EX;
 $CAN_CM $CM*  $EX;
 ^$CM+         $EX;              # by rule 10, stand-alone CM behaves as AL
 
-$LB8NonBreaks $IS;
-$CAN_CM $CM*  $IS;
-^$CM+         $IS;              # by rule 10, stand-alone CM behaves as AL
-
 $LB8NonBreaks $SY;
 $CAN_CM $CM*  $SY;
 ^$CM+         $SY;              # by rule 10, stand-alone CM behaves as AL
@@ -219,12 +214,36 @@ $CAN_CM $CM*  $SY;
 
 #
 # LB 14  Do not break after OP, even after spaces
+#        Note subtle interaction with "SP IS /" rules in LB14a.
+#        This rule consumes the SP, chaining happens on the IS, effectivley overriding the  SP IS rules,
+#        which is the desired behavior.
 #
 $OP $CM* $SP* .;
 
 $OP $CM* $SP+ $CM+ $AL_FOLLOW?;    # by rule 10, stand-alone CM behaves as AL
                                    # by rule 8, CM following a SP is stand-alone.
 
+
+# LB 14a Force a break before start of a number with a leading decimal pt, e.g. " .23"
+#        Note: would be simpler to express as "$SP / $IS $CM* $NU;", but ICU rules have limitations.
+#        See issue ICU-20303
+
+
+$CanFollowIS = [$BK $CR $LF $NL $SP $ZW $WJ $GL $CL $CP $EX $IS $SY $QU $BA $HY $NS $ALPlus $HL];
+$SP $IS           / [^ $CanFollowIS $NU $CM];
+$SP $IS $CM* $CMX / [^ $CanFollowIS $NU $CM];
+
+#
+# LB 14b Do not break before numeric separators (IS), even after spaces.
+
+[$LB8NonBreaks - $SP] $IS;
+$SP $IS $CM* [$CanFollowIS {eof}];
+$SP $IS $CM* $ZWJ [^$CM $NU];
+
+$CAN_CM $CM*  $IS;
+^$CM+         $IS;              # by rule 10, stand-alone CM behaves as AL
+
+
 # LB 15
 $QU $CM* $SP* $OP;
 
@@ -251,18 +270,25 @@ $LB18NonBreaks $CM* $QU;
 #         QU  x
 $QU $CM* .;
 
-
 # LB 20
 #        <break>  $CB
 #        $CB   <break>
-
+#
 $LB20NonBreaks = [$LB18NonBreaks - $CB];
 
+# LB 20.09    Don't break between Hyphens and Letters when there is a break preceding the hyphen.
+#             Originally added as a Finnish tailoring, now promoted to default ICU behavior.
+#             Note: this is not default UAX-14 behaviour. See issue ICU-8151.
+#
+^($HY | $HH) $CM* $ALPlus;
+
 # LB 21        x   (BA | HY | NS)
 #           BB x
 #
 # DO allow breaks here before $BAX and $NSX, so don't include them
 $LB20NonBreaks $CM* ($BA | $HY | $NS);
+
+
 ^$CM+ ($BA | $HY | $NS);
 
 $BB $CM* [^$CB];                                  #  $BB  x
@@ -311,7 +337,7 @@ $PR $CM* ($ID | $EB | $EM);
 # LB 25   Numbers.
 #
 # Here do not include $PRX at the beginning or $POX at the end
-(($PR | $PO | $POX) $CM*)? (($OP | $HY) $CM*)? $NU ($CM* ($NU | $SY | $IS))*
+(($PR | $PO | $POX) $CM*)? (($OP | $HY) $CM*)? ($IS $CM*)? $NU ($CM* ($NU | $SY | $IS))*
     ($CM* ($CL | $CP))? ($CM* ($PR | $PRX | $PO))?;
 
 # LB 26  Do not break a Korean syllable