source/test/testdata/break_rules/line.txt

   1 #
   2 # Copyright (C) 2016 and later: Unicode, Inc. and others.
   3 # License & terms of use: http://www.unicode.org/copyright.html
   4 # Copyright (c) 2016, International Business Machines Corporation and others. All Rights Reserved.
   5
   6 # file: line.txt
   7 #
   8 # Reference Line Break rules for intltest rbbi/RBBIMonkeyTest
   9 #
  10 # Note: Rule syntax and the monkey test itself are still a work in progress.
  11 #       They are expected to change with review and the addition of support for rule tailoring.
  12
  13
  14 type = line;
  15 locale = en;
  16
  17
  18 AI = [:LineBreak =  Ambiguous:];
  19 AL = [:LineBreak =  Alphabetic:];
  20 BA = [:LineBreak =  Break_After:];
  21 BB = [:LineBreak =  Break_Before:];
  22 BK = [:LineBreak =  Mandatory_Break:];
  23 B2 = [:LineBreak =  Break_Both:];
  24 CB = [:LineBreak =  Contingent_Break:];
  25 CJ = [:LineBreak =  Conditional_Japanese_Starter:];
  26 CL = [:LineBreak =  Close_Punctuation:];
  27 CM = [:LineBreak =  Combining_Mark:];
  28 CP = [:LineBreak =  Close_Parenthesis:];
  29 CR = [:LineBreak =  Carriage_Return:];
  30 EB = [[:LineBreak =  EB:]\U0001F3C2\U0001F3C7\U0001F3CC\U0001F46A-\U0001F46D\U0001F46F\U0001F574\U0001F6CC];
  31 EM = [:LineBreak =  EM:];
  32 EX = [:LineBreak =  Exclamation:];
  33 GL = [:LineBreak =  Glue:];
  34 HL = [:LineBreak =  Hebrew_Letter:];
  35 HY = [:LineBreak =  Hyphen:];
  36 H2 = [:LineBreak =  H2:];
  37 H3 = [:LineBreak =  H3:];
  38 ID = [:LineBreak =  Ideographic:];
  39 IN = [:LineBreak =  Inseperable:];
  40 IS = [:LineBreak =  Infix_Numeric:];
  41 JL = [:LineBreak =  JL:];
  42 JV = [:LineBreak =  JV:];
  43 JT = [:LineBreak =  JT:];
  44 LF = [:LineBreak =  Line_Feed:];
  45 NL = [:LineBreak =  Next_Line:];
  46 NS = [[:LineBreak =  Nonstarter:] CJ];   # CSS Strict tailoring: CJ resolves to NS.
  47 NU = [:LineBreak =  Numeric:];
  48 OP = [:LineBreak =  Open_Punctuation:];
  49 PO = [:LineBreak =  Postfix_Numeric:];
  50 PR = [:LineBreak =  Prefix_Numeric:];
  51 QU = [:LineBreak =  Quotation:];
  52 RI = [:LineBreak =  Regional_Indicator:];
  53 SA = [:LineBreak =  Complex_Context:];
  54 SG = [:LineBreak =  Surrogate:];
  55 SP = [:LineBreak =  Space:];
  56 SY = [:LineBreak =  Break_Symbols:];
  57 WJ = [:LineBreak =  Word_Joiner:];
  58 XX = [:LineBreak =  Unknown:];
  59 ZW = [:LineBreak =  ZWSpace:];
  60 ZWJ = [:LineBreak =  ZWJ:];
  61
  62 EmojiNRK = [[\p{Emoji}] - [[RI]\u002a\u00230-9©®™〰〽]];
  63 # Data for Extended Pictographic scraped from CLDR common/properties/ExtendedPictographic.txt, r12773
  64 Extended_Pict = [\U0001F774-\U0001F77F\u2700-\u2701\u2703-\u2704\u270E\u2710-\u2711\u2765-\u2767\U0001F030-\U0001F093\U0001F094-\U0001F09F\U0001F10D-\U0001F10F\U0001F12F\U0001F16C-\U0001F16F\U0001F1AD-\U0001F1E5\U0001F203-\U0001F20F\U0001F23C-\U0001F23F\U0001F249-\U0001F24F\U0001F252-\U0001F2FF\U0001F7D5-\U0001F7FF\U0001F000-\U0001F003\U0001F005-\U0001F02B\U0001F02C-\U0001F02F\U0001F322-\U0001F323\U0001F394-\U0001F395\U0001F398\U0001F39C-\U0001F39D\U0001F3F1-\U0001F3F2\U0001F3F6\U0001F4FE\U0001F53E-\U0001F548\U0001F54F\U0001F568-\U0001F56E\U0001F571-\U0001F572\U0001F57B-\U0001F586\U0001F588-\U0001F589\U0001F58E-\U0001F58F\U0001F591-\U0001F594\U0001F597-\U0001F5A3\U0001F5A6-\U0001F5A7\U0001F5A9-\U0001F5B0\U0001F5B3-\U0001F5BB\U0001F5BD-\U0001F5C1\U0001F5C5-\U0001F5D0\U0001F5D4-\U0001F5DB\U0001F5DF-\U0001F5E0\U0001F5E2\U0001F5E4-\U0001F5E7\U0001F5E9-\U0001F5EE\U0001F5F0-\U0001F5F2\U0001F5F4-\U0001F5F9\u2605\u2607-\u260D\u260F-\u2610\u2612\u2616-\u2617\u2619-\u261C\u261E-\u261F\u2621\u2624-\u2625\u2627-\u2629\u262B-\u262D\u2630-\u2637\u263B-\u2647\u2654-\u265F\u2661-\u2662\u2664\u2667\u2669-\u267A\u267C-\u267E\u2680-\u2691\u2695\u2698\u269A\u269D-\u269F\u26A2-\u26A9\u26AC-\u26AF\u26B2-\u26BC\u26BF-\u26C3\u26C6-\u26C7\u26C9-\u26CD\u26D0\u26D2\u26D5-\u26E8\u26EB-\u26EF\u26F6\u26FB-\u26FC\u26FE-\u26FF\u2388\U0001FA00-\U0001FFFD\U0001F0A0-\U0001F0AE\U0001F0B1-\U0001F0BF\U0001F0C1-\U0001F0CF\U0001F0D1-\U0001F0F5\U0001F0AF-\U0001F0B0\U0001F0C0\U0001F0D0\U0001F0F6-\U0001F0FF\U0001F80C-\U0001F80F\U0001F848-\U0001F84F\U0001F85A-\U0001F85F\U0001F888-\U0001F88F\U0001F8AE-\U0001F8FF\U0001F900-\U0001F90F\U0001F91F\U0001F928-\U0001F92F\U0001F931-\U0001F932\U0001F93F\U0001F94C-\U0001F94F\U0001F95F-\U0001F97F\U0001F992-\U0001F9BF\U0001F9C1-\U0001F9FF\U0001F6C6-\U0001F6CA\U0001F6E6-\U0001F6E8\U0001F6EA\U0001F6F1-\U0001F6F2\U0001F6D3-\U0001F6DF\U0001F6ED-\U0001F6EF\U0001F6F7-\U0001F6FF];
  65
  66 # LB1 - Resolve AI, CB, CJ, SA, SG, and XX into other line breaking classes
  67 AL = [AL AI SG XX ];
  68 dictionary = SA;
  69
  70 # By LB9, a ZWJ also behaves as a CM. Including it in the definition of CM avoids having to explicitly
  71 #         list it in the numerous rules that use CM.
  72 CM = [CM ZWJ];
  73
  74 LB4:        BK ÷;
  75 LB5:        CR LF;
  76 LB5.1:      CR ÷;
  77 LB5.2:      LF ÷;
  78 LB5.3:      NL ÷;
  79
  80 LB6:        . (BK | CR | LF | NL);
  81 LB6.1:      [^BK CR LF NL SP ZW] CM* (BK | CR | LF | NL);
  82
  83 # Rules LB14 - LB17.
  84 # Moved before LB7, because they can match a longer sequence that would also match LB7,
  85 # for example, the sequence "OP CM SP AL" matches LB14 while the prefix of it,
  86 #                           "while only the prefix "OP CM SP" matches LB7.1
  87 LB14:        OP CM* SP* .;
  88 LB15:        QU CM* SP* OP;
  89 LB16:        (CL | CP)CM* SP* NS;
  90 LB17:        B2 CM* SP* B2;
  91
  92 LB7.1:      [^ZW SP] CM* [SP ZW];
  93 LB7.2:      [ZW SP] [SP ZW];
  94
  95 # LB8, ICU differs from UAX-14,
  96 #    ICU:    ZW ÷;
  97 #    UAX 14: ZW SP* ÷;
  98 LB8:        ZW ÷;
  99
 100 # LB8a
 101 #      ZWJ x (ID | Extended_Pict | EmojiNRK)
 102 LB8a:       ZWJ (ID | Extended_Pict | EmojiNRK);
 103
 104
 105 # LB9:  X CM -> X
 106 # LB10: Unattached CM -> AL
 107
 108 #LB11:       × WJ;
 109 #            WJ ×
 110
 111 LB11.1:      [^BK CR LF NL SP ZW] CM* WJ;
 112 LB11.2:      SP WJ;
 113 LB11.3:      WJ CM* [^CM];
 114
 115 LB12:        GL CM* [^CM];
 116
 117 LB12a:       [^SP BA HY] CM* GL;
 118
 119 # LB 13 ICU Tailoring, matches tailoring exmaple 8 from UAX 14.
 120 #
 121 #   LB13.1   [^SP] CM* [CL CP EX IS SY]    # original UAX 14 rule.
 122 #   LB13.2   SP    CM* [CL CP EX IS SY]
 123
 124 LB13.1: [^NU SP] CM* [CL CP IS SY];
 125 LB13.2: [^SP] CM* EX;
 126 LB13.2: SP [CL CP EX IS SY];
 127
 128
 129 # LB 14-17 are moved above LB 7.
 130
 131 LB18:        SP ÷;
 132
 133 LB19:        . CM* QU;
 134 LB19.1:      QU CM* [^CM];
 135
 136 # LB 20   Break before and after CB.
 137 #         Interaction with LB8a:  ZWJ x ID is tricky because CM includes ZWJ.
 138 #                                 ZWJ acts like a CM to the left, combining with CB.
 139 #                                 ZWJ acts independently to the right, no break from ID by LB8a.
 140 LB20:        . CM* ÷ CB;
 141 LB20.1a:     CB CM* ZWJ (ID | Extended_Pict | EmojiNRK);
 142 LB20.1b:      CB CM* ÷;
 143
 144 # Note: Rule 21a must come before 21 to prevent 21.1 from matching HL BA, then
 145 #       not picking up the continuing match after the BA from 21a.
 146 LB21a:       HL CM* (HY | BA) CM* [^CM CB];
 147
 148 LB21.1:      . CM* [BA HY NS];
 149 LB21.2:      BB CM* [^CM CB];
 150
 151 LB21b:       SY CM* HL;
 152
 153 LB22.1:        (AL | HL | CM) CM* IN;   # The CM is from LB10, treat an unattached CM as AL.
 154 LB22.2:       EX CM* IN;
 155 LB22.3:       (ID | EB | EM) CM* IN;
 156 LB22.4:       IN CM* IN;
 157 LB22.5:       NU CM* IN;
 158
 159 LB23.1:      (AL | HL | CM) CM* NU;
 160 LB23.2:      NU CM* (AL | HL);
 161
 162 LB23a.1:     PR CM* (ID | EB | EM);
 163 LB23a.2:     (ID | EB | EM) CM* PO;
 164
 165 LB24.2:      (PR | PO) CM* (AL | HL);
 166 LB24.3:      (AL | HL | CM) CM* (PR | PO);
 167
 168 # Numbers. Equivalent to Tailoring example 8 from UAX 14.
 169 LB25:        ((PR | PO)CM*)? ((OP | HY)CM*)? NU (CM*(NU | SY | IS))* (CM*(CL | CP))? (CM*(PR | PO))?;
 170
 171 LB26.1:      JL CM* (JL | JV | H2 | H3);
 172 LB26.2:      (JV | H2) CM* (JV | JT);
 173 LB26.3:      (JT | H3) CM* JT;
 174
 175 LB27.1:      (JL | JV | JT | H2 | H3) CM* IN;
 176 LB27.2:      (JL | JV | JT | H2 | H3) CM* PO;
 177 LB27.3:      PR CM* (JL | JV | JT | H2 | H3);
 178
 179 # LB28 Do not break between Alphabetics.
 180 #      Unattached (leading) CM treated as AL.
 181 LB28:        (AL | HL | CM)CM* (AL | HL);
 182
 183 LB29:        IS CM* (AL | HL);
 184
 185 # LB30  is adjusted for unattached leading CM being treated as AL.
 186 LB30.1:      (AL | CM | HL | NU) CM* OP;
 187 LB30.2:      CP CM* (AL | HL | NU);
 188
 189 # LB31  keep pairs of RI together.
 190 LB30a.1:     RI CM* RI CM* [BK CR LF NL SP ZW WJ GL CL CP EX IS SY QU BA HY NS];
 191 LB30a.2:     RI CM* RI CM* ZWJ (ID | Extended_Pict | EmojiNRK);
 192 LB30a.3:     RI CM* RI CM* ÷;
 193
 194 # LB30b Do not break between Emoji Base and Emoji Modifier
 195 LB30b:       EB CM* EM;
 196
 197 # LB31 Break Everywhere Else.
 198 #      Include combining marks
 199 LB31.1:        . CM* ZWJ (ID | Extended_Pict | EmojiNRK);
 200 LB31.2:        . CM* ÷;