]> git.saurik.com Git - apple/icu.git/blobdiff - icuSources/data/translit/Latin_ConjoiningJamo.txt
ICU-62107.0.1.tar.gz
[apple/icu.git] / icuSources / data / translit / Latin_ConjoiningJamo.txt
index dc45ff21285c594f04a5b02e7cb652b8ce8676cd..c88944e04f4bcf665185fb144191ebfbe2aeed0b 100644 (file)
@@ -1,12 +1,66 @@
-# ***************************************************************************
-# *
-# *  Copyright (C) 2004-2010, International Business Machines
-# *  Corporation; Unicode, Inc.; and others.  All Rights Reserved.
-# *
-# ***************************************************************************
+# © 2016 and later: Unicode, Inc. and others.
+# License & terms of use: http://www.unicode.org/copyright.html#License
+#
 # File: Latin_ConjoiningJamo.txt
-# Generated from CLDR 
+# Generated from CLDR
 #
+
+# Follows the Ministry of Culture and Tourism romanization: see http://www.korea.net/korea/kor_loca.asp?code=A020303
+# http://www.unicode.org/cldr/transliteration_guidelines.html#Korean
+#- N.B. DO NOT put any filters, NFD, etc. here -- those are aliased in
+#- the INDEX file.  This transliterator is, by itself, not
+#- instantiated.  It is used as a part of Latin-Jamo, Latin-Hangul, or
+#- inverses thereof.
+# Transliteration from Latin characters to Korean script is done in
+# two steps: Latin to Jamo, then Jamo to Hangul.  The Jamo-Hangul
+# transliteration is done algorithmically following Unicode 3.0
+# section 3.11.  This file implements the Latin to Jamo
+# transliteration using rules.
+# Jamo occupy the block 1100-11FF.  Within this block there are three
+# groups of characters: initial consonants or choseong (I), medial
+# vowels or jungseong (M), and trailing consonants or jongseong (F).
+# Standard Korean syllables are of the form I+M+F*.
+# Section 3.11 describes the use of 'filler' jamo to convert
+# nonstandard syllables to standard form: the choseong filler 115F and
+# the junseong filler 1160.  In this transliterator, we will not use
+# 115F or 1160.
+# We will, however, insert two 'null' jamo to make foreign words
+# conform to Korean syllable structure.  These are the null initial
+# consonant 110B (IEUNG) and the null vowel 1173 (EU).  In Latin text,
+# we will use the separator in order to disambiguate strings,
+# e.g. "kan-ggan" (initial GG) vs. "kanggan" (final NG + initial G).
+# We will not use all of the characters in the jamo block.  We will
+# only use the 19 initials, 21 medials, and 27 finals possessing a
+# jamo short name as defined in section 4.4 of the Unicode book.
+# Rules of thumb.  These guidelines provide the basic framework
+# for the rules.  They are phrased in terms of Latin-Jamo transliteration.
+# The Jamo-Latin rules derive from these, since the Jamo-Latin rules are
+# just context-free transliteration of jamo to corresponding short names,
+# with the addition of separators to maintain round-trip integrity
+# in the context of the Latin-Jamo rules.
+# A sequence of vowels:
+# - Take the longest sequence you can. If there are too many, or you don't
+#   have a starting consonant, introduce a 110B necessary.
+# A sequence of consonants.
+# - First join the double consonants: G + G -→ GG
+# - In the remaining list,
+# -- If there is no preceding vowel, take the first consonant, and insert EU
+#    after it. Continue with the rest of the consonants.
+# -- If there is one consonant, attach to the following vowel
+# -- If there are two consonants and a following vowel, attach one to the
+#    preceeding vowel, and one to the following vowel.
+# -- If there are more than two consonants, join the first two together if you
+#    can: L + G =→ LG
+# -- If you still end up with more than 2 consonants, insert EU after the
+#    first one, and continue with the rest of the consonants.
+#----------------------------------------------------------------------
+# Variables
+# Some latin consonants or consonant pairs only occur as initials, and
+# some only as finals, but some occur as both.  This makes some jamo
+# consonants ambiguous when transliterated into latin.
+#   Initial only: IEUNG BB DD JJ R
+#   Final only: BS GS L LB LG LH LM LP LS LT NG NH NJ
+#   Initial and Final: B C D G GG H J K M N P S SS T
 $Gi = ᄀ;
 $KKi = ᄁ;
 $Ni = ᄂ;
@@ -77,20 +131,81 @@ $Hf = ᇂ;
 $jamoInitial = [ᄀ-ᄒ];
 $jamoMedial = [ᅡ-ᅵ];
 $latinInitial = [bcdghjklmnprst];
+# Any character in the latin transliteration of a medial
 $latinMedial = [aeiouwy];
+# The last character of the latin transliteration of a medial
 $latinMedialEnd = [aeiou];
+# Disambiguation separator
 $sep = \-;
+#----------------------------------------------------------------------
+# Jamo-Latin
+#
+# Jamo to latin is relatively simple, since it is the latin that is
+# ambiguous.  Most rules are straightforward, and we encode them below
+# as simple add-on back rule, e.g.:
+#   $jamoMedial {bs} → $BS;
+# becomes
+#   $jamoMedial {bs} ↔ $BS;
+#
+# Furthermore, we don't care about the ordering for Jamo-Latin because
+# we are going from single characters, so we can very easily piggyback
+# on the Latin-Jamo.
+#
+# The main issue with Jamo-Latin is when to insert separators.
+# Separators are inserted to obtain correct round trip behavior.  For
+# example, the sequence Ki A Gf Gi E, if transliterated to "kagge",
+# would then round trip to Ki A GGi E.  To prevent this, we insert a
+# separator: "kag-ge".  IMPORTANT: The need for separators depends
+# very specifically on the behavior of the Latin-Jamo rules.  A change
+# in the Latin-Jamo behavior can completely change the way the
+# separator insertion must be done.
+# First try to preserve actual separators in the jamo text by doubling
+# them.  This fixes problems like:
+# (Di)(A)(Ji)(U)(NG)-(IEUNG)(YEO)(Nf)(Gi)(YEO)(L) =→ dajung-yeongyeol
+# =→ (Di)(A)(Ji)(U)(NG)(IEUNG)(YEO)(Nf)(Gi)(YEO)(L).  This is optional
+# -- if we don't care about losing separators in the jamo, we can delete
+# this rule.
 $sep $sep ↔ $sep;
+# Triple consonants.  For three consonants "axxx" we insert a
+# separator between the first and second "x" if XXf, Xf, and Xi all
+# exist, and we have A Xf XXi.  This prevents the reverse
+# transliteration to A XXf Xi.
 $sep ← $latinMedialEnd s {} $SSi;
+# For vowels the rule is similar.  If there is a vowel "ae" such that
+# "a" by itself and "e" by itself are vowels, then we want to map A E
+# to "a-e" so as not to round trip to AE.  However, in the text Ki EO
+# IEUNG E we don't need to map to "keo-e".  "keoe" suffices.  For
+# vowels of the form "aei", both "ae" + "i" and "a" + "ei" must be
+# tested.  NOTE: These rules used to have a left context of
+# $latinInitial instead of [^$latinMedial].  The problem with this is
+# sequences where an initial IEUNG is transliterated away:
+#   (IEUNG)(A)(IEUNG)(EO) =→ aeo =→ (IEUNG)(AE)(IEUNG)(O)
+# Also problems in cases like gayeo, which needs to be gaye-o
+# The hard case is a chain, like aeoeu. Normally interpreted as ae oe u. So for a-eoeu, we have to insert $sep
+# But, we don't insert between the o and the e.
+#
+# a ae
+# e eo eu
+# i
+# o oe
+# u
+# ui
+# wa wae we wi
+# yae ya yeo ye yo yu
+# These are simple, since they can't chain. Note that we don't handle extreme cases like [ga][eo][e][o]
 $sep ← a {} [$E $EO $EU];
 $sep ← [^aow] e {} [$O $OE];
 $sep ← [^aowy] e {} [$U $UI];
 $sep ← [^ey] o {} [$E $EO $EU];
 $sep ← [^y] u {} [$I];
+# Similar to the above, but with an intervening $IEUNG.
 $sep ← [^$latinMedial] [y] e {} $IEUNG [$O $OE];
 $sep ← [^$latinMedial] e {} $IEUNG [$O $OE $U];
 $sep ← [^$latinMedial] [o a] {} $IEUNG [$E $EO $EU];
 $sep ← [^$latinMedial] [w y] a {} $IEUNG [$E $EO $EU];
+# Single finals followed by IEUNG.  The jamo sequence A Xf IEUNG E,
+# where Xi also exists, must be transliterated as "ax-e" to prevent
+# the round trip conversion to A Xi E.
 $sep ← $latinMedialEnd b {} $IEUNG $jamoMedial;
 $sep ← $latinMedialEnd d {} $IEUNG $jamoMedial;
 $sep ← $latinMedialEnd g {} $IEUNG $jamoMedial;
@@ -103,6 +218,10 @@ $sep ← $latinMedialEnd p {} $IEUNG $jamoMedial;
 $sep ← $latinMedialEnd s {} $IEUNG $jamoMedial;
 $sep ← $latinMedialEnd t {} $IEUNG $jamoMedial;
 $sep ← $latinMedialEnd l {} $IEUNG $jamoMedial;
+# Double finals followed by IEUNG.  Similar to the single finals
+# followed by IEUNG.  Any latin consonant pair X Y, between medials,
+# that we would split by Latin-Jamo, we must handle when it occurs as
+# part of A XYf IEUNG E, to prevent round trip conversion to A Xf Yi E
 $sep ← $latinMedialEnd b s {} $IEUNG $jamoMedial;
 $sep ← $latinMedialEnd k k {} $IEUNG $jamoMedial;
 $sep ← $latinMedialEnd g s {} $IEUNG $jamoMedial;
@@ -118,9 +237,16 @@ $sep ← $latinMedialEnd n h {} $IEUNG $jamoMedial;
 $sep ← $latinMedialEnd n j {} $IEUNG $jamoMedial;
 $sep ← $latinMedialEnd s s {} $IEUNG $jamoMedial;
 $sep ← $latinMedialEnd ch {} $IEUNG $jamoMedial;
+# Split doubles.  Text of the form A Xi Xf E, where XXi also occurs,
+# we transliterate as "ax-xe" to prevent round trip transliteration as
+# A XXi E.
 $sep ← $latinMedialEnd j {} $Ji $jamoMedial;
 $sep ← $latinMedialEnd k {} $Ki $jamoMedial;
 $sep ← $latinMedialEnd s {} $Si $jamoMedial;
+# XYY.  This corresponds to the XYY rule in Latin-Jamo.  By default
+# Latin-Jamo maps "xyy" to Xf YYi, to keep YY together.  As a result,
+# "xyy" forms that correspond to XYf Yi must be transliterated as
+# "xy-y".
 $sep ← $latinMedialEnd b s {} [$Si $SSi];
 $sep ← $latinMedialEnd g s {} [$Si $SSi];
 $sep ← $latinMedialEnd l b {} [$Bi];
@@ -128,12 +254,25 @@ $sep ← $latinMedialEnd l g {} [$Gi];
 $sep ← $latinMedialEnd l s {} [$Si $SSi];
 $sep ← $latinMedialEnd n g {} [$Gi];
 $sep ← $latinMedialEnd n j {} [$Ji $JJi];
+# $sep ← $latinMedialEnd l  {} [$PPi];
+# $sep ← $latinMedialEnd l  {} [$TTi];
 $sep ← $latinMedialEnd l p {} [$Pi];
 $sep ← $latinMedialEnd l t {} [$Ti];
 $sep ← $latinMedialEnd k {} [$KKi $Ki];
 $sep ← $latinMedialEnd p {} $Pi;
 $sep ← $latinMedialEnd t {} $Ti;
 $sep ← $latinMedialEnd c {} [$Hi];
+# Deletion of IEUNG is handled below.
+#----------------------------------------------------------------------
+# Latin-Jamo
+# [Basic, context-free Jamo-Latin rules are embedded here too.  See
+# above.]
+# Split digraphs: Text of the form 'axye', where 'xy' is a final
+# digraph, 'x' is a final (by itself), 'y' is an initial, and 'a' and
+# 'e' are medials, we want to transliterate this as A Xf Yi E rather
+# than A XYf IEUNG E.  We do NOT include text of the form "axxe",
+# since that is handled differently below.  These rules are generated
+# programmatically from the jamo data.
 $jamoMedial {b s} $latinMedial → $Bf $Si;
 $jamoMedial {g s} $latinMedial → $Gf $Si;
 $jamoMedial {l b} $latinMedial → $L $Bi;
@@ -146,6 +285,9 @@ $jamoMedial {l t} $latinMedial → $L $Ti;
 $jamoMedial {n g} $latinMedial → $Nf $Gi;
 $jamoMedial {n h} $latinMedial → $Nf $Hi;
 $jamoMedial {n j} $latinMedial → $Nf $Ji;
+# Single consonants are initials: Text of the form 'axe', where 'x'
+# can be an initial or a final, and 'a' and 'e' are medials, we want
+# to transliterate as A Xi E rather than A Xf IEUNG E.
 $jamoMedial {b} $latinMedial → $Bi;
 $jamoMedial {ch} $latinMedial → $CHi;
 $jamoMedial {d} $latinMedial → $Di;
@@ -159,13 +301,22 @@ $jamoMedial {p} $latinMedial → $Pi;
 $jamoMedial {s} $latinMedial → $Si;
 $jamoMedial {t} $latinMedial → $Ti;
 $jamoMedial {l} $latinMedial → $Li;
+# Doubled initials.  The sequence "axxe", where XX exists as an initial
+# (XXi), and also Xi and Xf exist (true of all digraphs XX), we want
+# to transliterate as A XXi E, rather than split to A Xf Xi E.
 $jamoMedial {p p} $latinMedial → $PPi;
 $jamoMedial {t t} $latinMedial → $TTi;
 $jamoMedial {j j} $latinMedial → $JJi;
 $jamoMedial {k k} $latinMedial → $KKi;
 $jamoMedial {s s} $latinMedial → $SSi;
+# XYY.  Because doubled consonants bind more strongly than XY
+# consonants, we must handle the sequence "axyy" specially.  Here XYf
+# and YYi must exist.  In these cases, we map to Xf YYi rather than
+# XYf.
+# However, there are two special cases.
 $jamoMedial {lp} p p → $LP;
 $jamoMedial {lt} t t → $LT;
+# End special cases
 $jamoMedial {b} s s → $Bf;
 $jamoMedial {g} s s → $Gf;
 $jamoMedial {l} b b → $L;
@@ -175,6 +326,12 @@ $jamoMedial {l} t t → $L;
 $jamoMedial {l} p p → $L;
 $jamoMedial {n} g g → $Nf;
 $jamoMedial {n} j j → $Nf;
+# Finals: Attach consonant with preceding medial to preceding medial.
+# Do this BEFORE mapping consonants to initials.  Longer keys must
+# precede shorter keys that they start with, e.g., the rule for 'bs'
+# must precede 'b'.
+# [BASIC Jamo-Latin FINALS handled here.  Order irrelevant within this
+# block for Jamo-Latin.]
 $jamoMedial {bs} ↔ $BS;
 $jamoMedial {b} ↔ $Bf;
 $jamoMedial {ch} ↔ $Cf;
@@ -202,6 +359,11 @@ $jamoMedial {p} ↔ $Pf;
 $jamoMedial {ss} ↔ $SSf;
 $jamoMedial {s} ↔ $Sf;
 $jamoMedial {t} ↔ $Tf;
+# Initials: Attach single consonant to following medial.  Do this
+# AFTER mapping finals.  Longer keys must precede shorter keys that
+# they start with, e.g., the rule for 'gg' must precede 'g'.
+# [BASIC Jamo-Latin INITIALS handled here.  Order irrelevant within
+# this block for Jamo-Latin.]
 {kk} $latinMedial ↔ $KKi;
 {g} $latinMedial ↔ $Gi;
 {n} $latinMedial ↔ $Ni;
@@ -221,6 +383,21 @@ $jamoMedial {t} ↔ $Tf;
 {t} $latinMedial ↔ $Ti;
 {p} $latinMedial ↔ $Pi;
 {h} $latinMedial ↔ $Hi;
+# 'r' in final position.  Because of the equivalency of the 'l' and
+# 'r' jamo (the glyphs are the same), we try to provide the same
+# equivalency in Latin-Jamo.  The 'l' to 'r' conversion is handled
+# below.  If we see an 'r' in an apparent final position, treat it
+# like 'l'.  For example, "karka" =→ Ki A R EU Ki A without this rule.
+# Instead, we want Ki A L Ki A.
+# Initial + Final: If we match the next rule, we have initial then
+# final consonant with no intervening medial.  We insert the null
+# vowel BEFORE it to create a well-formed syllable.  (In the next rule
+# we insert a null vowel AFTER an anomalous initial.)
+# Initial + X: This block matches an initial consonant not followed by
+# a medial.  We insert the null vowel after it.  We handle double
+# initials explicitly here; for single initial consonants we insert EU
+# (as Latin) after them and let standard rules do the rest.
+# BREAKS ROUND TRIP INTEGRITY
 kk → $KKi $EU;
 tt → $TTi $EU;
 pp → $PPi $EU;
@@ -228,7 +405,31 @@ ss → $SSi $EU;
 jj → $JJi $EU;
 ch → $CHi $EU;
 ([lbdghjkmnpst]) → | $1 eu;
+# X + Final: Finally we have to deal with a consonant that can only be
+# interpreted as a final (not an initial) and which is preceded
+# neither by an initial nor a medial.  It is the start of the
+# syllable, but cannot be.  Most of these will already be handled by
+# the above rules.  'bs' splits into Bi EU Sf.  Similar for 'gs' 'ng'
+# 'nh' 'nj'.  The only problem is 'l' and digraphs starting with 'l'.
+# For this isolated case, we could add a null initial and medial,
+# which would give "la" =→ IEUNG EU L IEUNG A, for example.  A more
+# economical solution is to transliterate isolated "l" (that is,
+# initial "l") to "r".  (Other similar conversions of consonants that
+# occur neither as initials nor as finals are handled below.)
 l → | r;
+# Medials.  If a medial is preceded by an initial, then we proceed
+# normally.  As usual, longer keys must precede shorter ones.
+# [BASIC Jamo-Latin MEDIALS handled here.  Order irrelevant within
+# this block for Jamo-Latin.]
+#
+# a e i o u
+# ae
+# eo eu
+# oe
+# ui
+# wa we wi
+# wae
+# yae ya yeo ye yo yu
 $jamoInitial {ae} ↔ $AE;
 $jamoInitial {a} ↔ $A;
 $jamoInitial {eo} ↔ $EO;
@@ -250,9 +451,18 @@ $jamoInitial {yeo} ↔ $YEO;
 $jamoInitial {ye} ↔ $YE;
 $jamoInitial {yo} ↔ $YO;
 $jamoInitial {yu} ↔ $YU;
+# We may see an anomalous isolated 'w' or 'y'.  In that case, we
+# interpret it as 'wi' and 'yu', respectively.
+# BREAKS ROUND TRIP INTEGRITY
 $jamoInitial {w} → | wi;
 $jamoInitial {y} → | yu;
+# Otherwise, insert a null consonant IEUNG before the medial (which is
+# still an untransliterated latin vowel).
 ($latinMedial) → $IEUNG | $1;
+# Convert non-jamo latin consonants to equivalents.  These occur as
+# neither initials nor finals in jamo.  'l' occurs as a final, but not
+# an initial; it is handled above.  The following letters (left hand
+# side) will never be output by Jamo-Latin.
 f → | p;
 q → | k;
 v → | b;
@@ -260,5 +470,14 @@ x → | ks;
 z → | s;
 r → | l;
 c → | k;
+# Delete separators (Latin-Jamo).
 $sep → ;
+# Delete null consonants (Jamo-Latin).  Do NOT delete null EU vowels,
+# since these may also occur in text.
 ← $IEUNG;
+#- N.B. DO NOT put any filters, NFD, etc. here -- those are aliased in
+#- the INDEX file.  This transliterator is, by itself, not
+#- instantiated.  It is used as a part of Latin-Jamo, Latin-Hangul, or
+#- inverses thereof.
+# eof
+