]> 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 1efc65be1c419a1f8e93d54a7ce16d51e3d81da3..48e67ee47b315aaa0e81c8ae4b37cea8255b74a0 100644 (file)
@@ -1,15 +1,15 @@
 #
-# Copyright (C) 2002-2010, 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 UAX-29 Revision 16 for Unicode 6.0
+#      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 and word_ja.txt also.
+#        word_POSIX.txt also.
 
 ##############################################################################
 #
@@ -29,7 +29,9 @@ $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}];
@@ -37,21 +39,70 @@ $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.
 
-$dictionary   = [:LineBreak = Complex_Context:];
 $Control        = [\p{Grapheme_Cluster_Break = Control}]; 
-$ALetterPlus  = [$ALetter [$dictionary-$Extend-$Control]];   # Note:  default ALetter does not
-                                                             #  include the dictionary characters.
+$HangulSyllable = [\uac00-\ud7a3];
+$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)*;
@@ -60,7 +111,6 @@ $MidNumEx       = $MidNum       ($Extend |  $Format)*;
 $NumericEx      = $Numeric      ($Extend |  $Format)*;
 $ExtendNumLetEx = $ExtendNumLet ($Extend |  $Format)*;
 
-$Hiragana       = [\p{script=Hiragana}];
 $Ideographic    = [\p{Ideographic}];
 $HiraganaEx     = $Hiragana     ($Extend |  $Format)*;
 $IdeographicEx  = $Ideographic  ($Extend |  $Format)*;
@@ -78,13 +128,14 @@ $CR $LF;
 #          of a region of Text.   The rule here comes into play when the start of text
 #          begins with a group of Format chars, or with a "word" consisting of a single
 #          char that is not in any of the listed word break categories followed by
-#          format char(s).
+#          format char(s), or is not a CJK dictionary character.
 [^$CR $LF $Newline]? ($Extend |  $Format)+;
 
 $NumericEx {100};
 $ALetterEx {200};
-$KatakanaEx {300};       # note:  these status values override those from rule 5
-$HiraganaEx {300};       #        by virtual of being numerically larger.
+$HangulSyllable {200};
+$KatakanaEx {400};       # note:  these status values override those from rule 5
+$HiraganaEx {400};       #        by virtue of being numerically larger.
 $IdeographicEx {400};    #
 
 #
@@ -113,33 +164,62 @@ $NumericEx $ALetterEx {200};
 $NumericEx ($MidNumEx | $MidNumLetEx) $NumericEx {100};
 
 # rule 13
-
-$KatakanaEx  $KatakanaEx {300};
+# 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      $ExtendNumLetEx {200};    #  (13a)
 $NumericEx      $ExtendNumLetEx {100};    #  (13a)
-$KatakanaEx     $ExtendNumLetEx {300};    #  (13a)
+$KatakanaEx     $ExtendNumLetEx {400};    #  (13a)
 $ExtendNumLetEx $ExtendNumLetEx {200};    #  (13a)
 
 $ExtendNumLetEx $ALetterEx  {200};    #  (13b)
 $ExtendNumLetEx $NumericEx  {100};    #  (13b)
-$ExtendNumLetEx $KatakanaEx {300};    #  (13b)
+$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;
 
-$BackALetterEx     = ($Format | $Extend)* $ALetterPlus;
-$BackMidNumLetEx   = ($Format | $Extend)* $MidNumLet;
-$BackNumericEx     = ($Format | $Extend)* $Numeric;
-$BackMidNumEx      = ($Format | $Extend)* $MidNum;
-$BackMidLetterEx   = ($Format | $Extend)* $MidLetter;
-$BackKatakanaEx    = ($Format | $Extend)* $Katakana;
-$BackExtendNumLetEx= ($Format | $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;
@@ -181,6 +261,33 @@ $BackKatakanaEx $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;