]> git.saurik.com Git - apple/icu.git/blobdiff - icuSources/data/brkitr/word.txt
ICU-511.35.tar.gz
[apple/icu.git] / icuSources / data / brkitr / word.txt
index 1fdaa3a0a9aa33b181b5bbbf0be2f0a167545512..48e67ee47b315aaa0e81c8ae4b37cea8255b74a0 100644 (file)
@@ -1,13 +1,15 @@
 #
-# Copyright (C) 2002-2004, International Business Machines Corporation 
+# Copyright (C) 2002-2013, International Business Machines Corporation 
 # and others. All Rights Reserved.
 #
 # file:  word.txt
 #
 # ICU Word Break Rules
 #      See Unicode Standard Annex #29.
-#      These rules are based on Version 4.1 draft, dated 2004-11-11
+#      These rules are based on UAX #29 Revision 20 for Unicode Version 6.2
 #
+# Note:  Updates to word.txt will usually need to be merged into
+#        word_POSIX.txt also.
 
 ##############################################################################
 #
 
 !!chain;
 
-$Katakana  = [[:Script = KATAKANA:]
-                         [:name = VERTICAL KANA REPEAT MARK:]
-                         [:name = VERTICAL KANA REPEAT WITH VOICED SOUND MARK:]
-                         [:name = VERTICAL KANA REPEAT MARK UPPER HALF:]
-                         [:name = VERTICAL KANA REPEAT WITH VOICED SOUND MARK UPPER HALF:]
-                         [:name = VERTICAL KANA REPEAT MARK LOWER HALF:]
-                         [:name = KATAKANA-HIRAGANA VOICED SOUND MARK:]
-                         [:name = KATAKANA-HIRAGANA SEMI-VOICED SOUND MARK:]
-                         [:name = KATAKANA-HIRAGANA DOUBLE HYPHEN:]
-                         [:name = KATAKANA-HIRAGANA PROLONGED SOUND MARK:]
-                         [:name = HALFWIDTH KATAKANA-HIRAGANA PROLONGED SOUND MARK:]
-                         [:name = HALFWIDTH KATAKANA VOICED SOUND MARK:]
-                         [:name = HALFWIDTH KATAKANA SEMI-VOICED SOUND MARK:]];
-
-
-$ALetter   = [[:Alphabetic:] [:name= HEBREW PUNCTUATION GERESH:]
-                                                  - [:Ideographic:]
-                                                  - $Katakana
-                                                  - [:Script = Hiragana:]
-                                                  - [:Script = Lao:]
-                                                  - [:Grapheme_Extend = TRUE:]];
-                                                  
-$MidLetter = [[:name = APOSTROPHE:] [:name = MIDDLE DOT:]
-                         [:name = HEBREW PUNCTUATION GERSHAYIM:]
-                         [:name = RIGHT SINGLE QUOTATION MARK:]
-                         [:name = HYPHENATION POINT:]
-                         [:name = COLON:]];
-
-                       
-$MidNum    = [[:LineBreak = Infix_Numeric:] - [:name = COLON:]];
-$Numeric   = [[:Nd:][:name = ARABIC DECIMAL SEPARATOR:][:name = ARABIC THOUSANDS SEPARATOR:]];
-$ExtendNumLet = [[:Connector_Punctuation:] 
-                       - [:name = KATAKANA MIDDLE DOT:]
-                       - [:name = HALFWIDTH KATAKANA MIDDLE DOT:]];
-                       
-                       
 
 #
 #  Character Class Definitions.
-#    The names are those from TR29.
 #
 
-$CR             = \u000d;
-$LF             = \u000a;
-$Extend         = [[:Grapheme_Extend = TRUE:]];
-$Control        = [[:Zl:] [:Zp:] [:Cc:] [:Cf:] - $Extend];
-$Format         = [[:Cf:] - $Extend];
-$Hiragana       = [:Hiragana:];
-$Ideographic    = [:IDEOGRAPHIC:];
-
-$ALetterEx      = $ALetter     $Extend*;
-$NumericEx      = $Numeric     $Extend*;
-$MidNumEx       = $MidNum      $Extend*;
-$MidLetterEx    = $MidLetter   $Extend*;
-$KatakanaEx     = $Katakana    $Extend*;
-$ExtendNumLetEx = $ExtendNumLet $Extend*;
+$CR           = [\p{Word_Break = CR}];
+$LF           = [\p{Word_Break = LF}];
+$Newline      = [\p{Word_Break = Newline}];
+$Extend       = [\p{Word_Break = Extend}];
+$Format       = [\p{Word_Break = Format}];
+$Hiragana     = [:Hiragana:];
+$Katakana     = [\p{Word_Break = Katakana}];
+$Han          = [:Han:];
+$ALetter      = [\p{Word_Break = ALetter}];
+$MidNumLet    = [\p{Word_Break = MidNumLet}];
+$MidLetter    = [\p{Word_Break = MidLetter}];
+$MidNum       = [\p{Word_Break = MidNum}];
+$Numeric      = [\p{Word_Break = Numeric}];
+$ExtendNumLet = [\p{Word_Break = ExtendNumLet}];
+
+$RI_A        = \U0001F1E6;  # Trail ERTU
+$RI_B        = \U0001F1E7;  # Trail EGR
+$RI_C        = \U0001F1E8;  # Trail AHLNZ
+$RI_D        = \U0001F1E9;  # Trail EK
+$RI_E        = \U0001F1EA;  # Trail GS
+$RI_F        = \U0001F1EB;  # Trail IR
+$RI_G        = \U0001F1EC;  # Trail BR
+$RI_H        = \U0001F1ED;  # Trail KU
+$RI_I        = \U0001F1EE;  # Trail DLNT
+$RI_J        = \U0001F1EF;  # Trail OP
+$RI_K        = \U0001F1F0;  # Trail R
+$RI_L        = \U0001F1F1;  # Trail B
+$RI_M        = \U0001F1F2;  # Trail OXY
+$RI_N        = \U0001F1F3;  # Trail LO
+$RI_P        = \U0001F1F5;  # Trail LT
+$RI_R        = \U0001F1F7;  # Trail OU
+$RI_S        = \U0001F1F8;  # Trail AEGK
+$RI_T        = \U0001F1F9;  # Trail HRW
+$RI_U        = \U0001F1FA;  # Trail AS
+$RI_V        = \U0001F1FB;     # Trail N
+
+$RI_A_End    = [\U0001F1EA \U0001F1F7 \U0001F1F9 \U0001F1FA];          # ERTU
+$RI_B_End    = [\U0001F1EA \U0001F1EC \U0001F1F7];              # EGR
+$RI_C_End    = [\U0001F1E6 \U0001F1ED \U0001F1F1 \U0001F1F3 \U0001F1FF]; # AHLNZ
+$RI_D_End    = [\U0001F1EA \U0001F1F0];                         # EK
+$RI_E_End    = [\U0001F1EC \U0001F1F8];                         # GS
+$RI_F_End    = [\U0001F1EE \U0001F1F7];                         # IR
+$RI_G_End    = [\U0001F1E7 \U0001F1F7];                         # BR
+$RI_H_End    = [\U0001F1F0 \U0001F1FA];                         # KU
+$RI_I_End    = [\U0001F1E9 \U0001F1F1 \U0001F1F3 \U0001F1F9];  # DLNT
+$RI_J_End    = [\U0001F1F4 \U0001F1F5];                         # OP
+$RI_K_End    = \U0001F1F7;                                      # R
+$RI_L_End    = \U0001F1E7;                                      # B
+$RI_M_End    = [\U0001F1F4 \U0001F1FD \U0001F1FE];              # OXY
+$RI_N_End    = [\U0001F1F1 \U0001F1F4];                         # LO
+$RI_P_End    = [\U0001F1F1 \U0001F1F9];                         # LT
+$RI_R_End    = [\U0001F1F4 \U0001F1FA];                         # OU
+$RI_S_End    = [\U0001F1E6 \U0001F1EA \U0001F1EC \U0001F1F0];   # AEGK
+$RI_T_End    = [\U0001F1ED \U0001F1F7 \U0001F1FC];              # HRW
+$RI_U_End    = [\U0001F1E6 \U0001F1F8];                         # AS
+$RI_V_End    = \U0001F1F3;                                      # N
+
+
+#   Dictionary character set, for triggering language-based break engines. Currently
+#   limited to LineBreak=Complex_Context. Note that this set only works in Unicode
+#   5.0 or later as the definition of Complex_Context was corrected to include all
+#   characters requiring dictionary break.
+
+$Control        = [\p{Grapheme_Cluster_Break = Control}]; 
+$HangulSyllable = [\uac00-\ud7a3];
+$ComplexContext = [:LineBreak = Complex_Context:];
+$KanaKanji      = [$Han $Hiragana $Katakana];
+$dictionaryCJK  = [$KanaKanji $HangulSyllable];
+$dictionary     = [$ComplexContext $dictionaryCJK];
+
+# leave CJK scripts out of ALetterPlus
+$ALetterPlus  = [$ALetter-$dictionaryCJK [$ComplexContext-$Extend-$Control]];
+
+
+#
+#  Rules 4    Ignore Format and Extend characters, 
+#             except when they appear at the beginning of a region of text.
+#
+# TODO: check if handling of katakana in dictionary makes rules incorrect/void
+$KatakanaEx     = $Katakana     ($Extend |  $Format)*;
+$ALetterEx      = $ALetterPlus  ($Extend |  $Format)*;
+$MidNumLetEx    = $MidNumLet    ($Extend |  $Format)*;
+$MidLetterEx    = $MidLetter    ($Extend |  $Format)*;
+$MidNumEx       = $MidNum       ($Extend |  $Format)*;
+$NumericEx      = $Numeric      ($Extend |  $Format)*;
+$ExtendNumLetEx = $ExtendNumLet ($Extend |  $Format)*;
+
+$Ideographic    = [\p{Ideographic}];
+$HiraganaEx     = $Hiragana     ($Extend |  $Format)*;
+$IdeographicEx  = $Ideographic  ($Extend |  $Format)*;
 
 ## -------------------------------------------------
 
 !!forward;
 
 
-# Rule 3 - don't break grapheme clusters.
-# see character breaks
-
+# Rule 3 - CR x LF
+#
 $CR $LF;
-#[^$Control] $Extend*;
-#$NumericEx $Extend* {100};
-#$ALetterEx $Extend* {200};
-[^$Control] $Extend+;
+
+# Rule 4 - ignore Format and Extend characters, except when they appear at the beginning
+#          of a region of Text.   The rule here comes into play when the start of text
+#          begins with a group of Format chars, or with a "word" consisting of a single
+#          char that is not in any of the listed word break categories followed by
+#          format char(s), or is not a CJK dictionary character.
+[^$CR $LF $Newline]? ($Extend |  $Format)+;
+
 $NumericEx {100};
 $ALetterEx {200};
-$KatakanaEx {300};
+$HangulSyllable {200};
+$KatakanaEx {400};       # note:  these status values override those from rule 5
+$HiraganaEx {400};       #        by virtue of being numerically larger.
+$IdeographicEx {400};    #
 
+#
 # rule 5
-
-$ALetterEx $Format* $ALetterEx {200};
+#    Do not break between most letters.
+#
+$ALetterEx $ALetterEx {200};
 
 # rule 6 and 7
-$ALetterEx $Format* $MidLetterEx  $Format* $ALetterEx {200};
+$ALetterEx ($MidLetterEx | $MidNumLetEx) $ALetterEx {200};
 
 # rule 8
 
-$NumericEx $Format* $NumericEx {100};
+$NumericEx $NumericEx {100};
 
 # rule 9
 
-$ALetterEx $Format* $NumericEx {200};
+$ALetterEx $NumericEx {200};
 
 # rule 10
 
-$NumericEx $Format* $ALetterEx {200};
+$NumericEx $ALetterEx {200};
 
 # rule 11 and 12 
 
-$NumericEx $Format* $MidNumEx $Format* $NumericEx {100};
+$NumericEx ($MidNumEx | $MidNumLetEx) $NumericEx {100};
 
 # rule 13
-
-$KatakanaEx  $Format* $KatakanaEx {300};
-$Hiragana    $Extend* {300};
-$Ideographic $Extend* {400};
+# to be consistent with $KanaKanji $KanaKanhi, changed
+# from 300 to 400.
+# See also TestRuleStatus in intltest/rbbiapts.cpp
+$KatakanaEx  $KatakanaEx {400};
 
 # rule 13a/b
 
-$ALetterEx  $Format* $ExtendNumLetEx {200};    #  (13a)
-$NumericEx  $Format* $ExtendNumLetEx {100};    #  (13a)
-$KatakanaEx $Format* $ExtendNumLetEx {300};    #  (13a)
-$ExtendNumLetEx $Format* $ExtendNumLetEx{200}; #  (13a)
-
-$ExtendNumLetEx $Format* $ALetterEx  {200};    #  (13b)
-$ExtendNumLetEx $Format* $NumericEx  {100};    #  (13b)
-$ExtendNumLetEx $Format* $KatakanaEx {300};    #  (13b)
+$ALetterEx      $ExtendNumLetEx {200};    #  (13a)
+$NumericEx      $ExtendNumLetEx {100};    #  (13a)
+$KatakanaEx     $ExtendNumLetEx {400};    #  (13a)
+$ExtendNumLetEx $ExtendNumLetEx {200};    #  (13a)
+
+$ExtendNumLetEx $ALetterEx  {200};    #  (13b)
+$ExtendNumLetEx $NumericEx  {100};    #  (13b)
+$ExtendNumLetEx $KatakanaEx {400};    #  (13b)
+
+# rule 13c
+
+$RI_A ($Extend|$Format)* $RI_A_End ($Extend|$Format)*;
+$RI_B ($Extend|$Format)* $RI_B_End ($Extend|$Format)*;
+$RI_C ($Extend|$Format)* $RI_C_End ($Extend|$Format)*;
+$RI_D ($Extend|$Format)* $RI_D_End ($Extend|$Format)*;
+$RI_E ($Extend|$Format)* $RI_E_End ($Extend|$Format)*;
+$RI_F ($Extend|$Format)* $RI_F_End ($Extend|$Format)*;
+$RI_G ($Extend|$Format)* $RI_G_End ($Extend|$Format)*;
+$RI_H ($Extend|$Format)* $RI_H_End ($Extend|$Format)*;
+$RI_I ($Extend|$Format)* $RI_I_End ($Extend|$Format)*;
+$RI_J ($Extend|$Format)* $RI_J_End ($Extend|$Format)*;
+$RI_K ($Extend|$Format)* $RI_K_End ($Extend|$Format)*;
+$RI_L ($Extend|$Format)* $RI_L_End ($Extend|$Format)*;
+$RI_M ($Extend|$Format)* $RI_M_End ($Extend|$Format)*;
+$RI_N ($Extend|$Format)* $RI_N_End ($Extend|$Format)*;
+$RI_P ($Extend|$Format)* $RI_P_End ($Extend|$Format)*;
+$RI_R ($Extend|$Format)* $RI_R_End ($Extend|$Format)*;
+$RI_S ($Extend|$Format)* $RI_S_End ($Extend|$Format)*;
+$RI_T ($Extend|$Format)* $RI_T_End ($Extend|$Format)*;
+$RI_U ($Extend|$Format)* $RI_U_End ($Extend|$Format)*;
+$RI_V ($Extend|$Format)* $RI_V_End ($Extend|$Format)*;
+
+# special handling for CJK characters: chain for later dictionary segmentation
+$HangulSyllable $HangulSyllable {200};
+$KanaKanji $KanaKanji {400}; # different rule status if both kana and kanji found 
 
 
 ## -------------------------------------------------
 
 !!reverse;
 
-$BackALetterEx     = $Extend* $ALetter;
-$BackNumericEx     = $Extend* $Numeric;
-$BackMidNumEx      = $Extend* $MidNum;
-$BackMidLetterEx   = $Extend* $MidLetter;
-$BackKatakanaEx    = $Extend* $Katakana;
-$BackExtendNumLetEx= $Extend* $ExtendNumLet;
+$BackALetterEx            = ($Format | $Extend)* $ALetterPlus;
+$BackMidNumLetEx          = ($Format | $Extend)* $MidNumLet;
+$BackNumericEx            = ($Format | $Extend)* $Numeric;
+$BackMidNumEx             = ($Format | $Extend)* $MidNum;
+$BackMidLetterEx          = ($Format | $Extend)* $MidLetter;
+$BackKatakanaEx           = ($Format | $Extend)* $Katakana;
+$BackHiraganaEx           = ($Format | $Extend)* $Hiragana;
+$BackExtendNumLetEx       = ($Format | $Extend)* $ExtendNumLet;
 
+# rule 3
 $LF $CR;
 
-# see character breaks
-
-$Extend* [^$Control];
+# rule 4
+($Format | $Extend)*  [^$CR $LF $Newline]?;
 
 # rule 5
 
-$BackALetterEx $Format* $BackALetterEx;
+$BackALetterEx $BackALetterEx;
 
 # rule 6 and 7
 
-$BackALetterEx $Format* $BackMidLetterEx $Format* $BackALetterEx;
+$BackALetterEx ($BackMidLetterEx | $BackMidNumLetEx) $BackALetterEx;
 
 
 # rule 8
 
-$BackNumericEx $Format* $BackNumericEx;
+$BackNumericEx $BackNumericEx;
 
 # rule 9
 
-$BackNumericEx  $Format* $BackALetterEx;
+$BackNumericEx $BackALetterEx;
 
 # rule 10
 
-$BackALetterEx $Format* $BackNumericEx;
+$BackALetterEx $BackNumericEx;
 
 # rule 11 and 12
 
-$BackNumericEx $Format* $BackMidNumEx $Format* $BackNumericEx;
+$BackNumericEx ($BackMidNumEx | $BackMidNumLetEx) $BackNumericEx;
 
 # rule 13
 
-$BackKatakanaEx $Format* $BackKatakanaEx;
+$BackKatakanaEx $BackKatakanaEx;
 
 # rules 13 a/b
 #
-($BackALetterEx | $BackNumericEx | $BackKatakanaEx | $BackExtendNumLetEx) $Format* $BackExtendNumLetEx; 
-$BackExtendNumLetEx $Format* ($BackALetterEx | $BackNumericEx | $BackKatakanaEx);        
+$BackExtendNumLetEx ($BackALetterEx | $BackNumericEx | $BackKatakanaEx | $BackExtendNumLetEx);
+($BackALetterEx | $BackNumericEx | $BackKatakanaEx) $BackExtendNumLetEx; 
+
+# rule 13c
+
+($Format|$Extend)* $RI_A_End ($Format|$Extend)* $RI_A;
+($Format|$Extend)* $RI_B_End ($Format|$Extend)* $RI_B;
+($Format|$Extend)* $RI_C_End ($Format|$Extend)* $RI_C;
+($Format|$Extend)* $RI_D_End ($Format|$Extend)* $RI_D;
+($Format|$Extend)* $RI_E_End ($Format|$Extend)* $RI_E;
+($Format|$Extend)* $RI_F_End ($Format|$Extend)* $RI_F;
+($Format|$Extend)* $RI_G_End ($Format|$Extend)* $RI_G;
+($Format|$Extend)* $RI_H_End ($Format|$Extend)* $RI_H;
+($Format|$Extend)* $RI_I_End ($Format|$Extend)* $RI_I;
+($Format|$Extend)* $RI_J_End ($Format|$Extend)* $RI_J;
+($Format|$Extend)* $RI_K_End ($Format|$Extend)* $RI_K;
+($Format|$Extend)* $RI_L_End ($Format|$Extend)* $RI_L;
+($Format|$Extend)* $RI_M_End ($Format|$Extend)* $RI_M;
+($Format|$Extend)* $RI_N_End ($Format|$Extend)* $RI_N;
+($Format|$Extend)* $RI_P_End ($Format|$Extend)* $RI_P;
+($Format|$Extend)* $RI_R_End ($Format|$Extend)* $RI_R;
+($Format|$Extend)* $RI_S_End ($Format|$Extend)* $RI_S;
+($Format|$Extend)* $RI_T_End ($Format|$Extend)* $RI_T;
+($Format|$Extend)* $RI_U_End ($Format|$Extend)* $RI_U;
+($Format|$Extend)* $RI_V_End ($Format|$Extend)* $RI_V;
+
+# special handling for CJK characters: chain for later dictionary segmentation
+$HangulSyllable $HangulSyllable;
+$KanaKanji $KanaKanji; #different rule status if both kanji and kana found
 
 ## -------------------------------------------------
 
 !!safe_reverse;
 
 # rule 3
-$Extend+ [^$Extend];
-$Extend+;               # comes into play when buffer _begins_ with an $Extend+.
-
-# rule 4
-$Format+ $BackALetterEx;
-$Format+ $BackNumericEx;
-$Format+ $BackMidLetterEx;
-$Format+ $BackMidNumEx;
-$Format+ $BackKatakanaEx;
-$Format+ $BackExtendNumLetEx;
-
+($Extend | $Format)+ .?;
 
 # rule 6
-$MidLetter $Format* $BackALetterEx;
+($MidLetter | $MidNumLet) $BackALetterEx;
 
 # rule 11
-$MidNum $Format* $BackNumericEx;
+($MidNum | $MidNumLet) $BackNumericEx;
+
+# For dictionary-based break
+$dictionary $dictionary;
 
 ## -------------------------------------------------
 
 !!safe_forward;
 
-# rule 3
-$Extend+;
-
 # rule 4
-$Extend* $Format+ $ALetterEx;
-$Extend* $Format+ $NumericEx;
-$Extend* $Format+ $MidLetterEx;
-$Extend* $Format+ $MidNumEx;
-$Extend* $Format+ $KatakanaEx;
-$Extend* $Format+ $ExtendNumLetEx;
-
-$Extend+ $Format* $ALetterEx;
-$Extend+ $Format* $NumericEx;
-$Extend+ $Format* $MidLetterEx;
-$Extend+ $Format* $MidNumEx;
-$Extend+ $Format* $KatakanaEx;
-$Extend+ $Format* $ExtendNumLetEx;
+($Extend | $Format)+ .?;
 
 # rule 6
-$MidLetterEx $Format* $ALetterEx;
+($MidLetterEx | $MidNumLetEx) $ALetterEx;
 
 # rule 11
-$MidNumEx $Format* $NumericEx;
+($MidNumEx | $MidNumLetEx) $NumericEx;
+
+# For dictionary-based break
+$dictionary $dictionary;