src/third_party/icu/source/data/brkitr/sent.txt

   1 #
   2 #   Copyright (C) 2002-2010, International Business Machines Corporation and others.
   3 #       All Rights Reserved.
   4 #
   5 #   file:  sent.txt
   6 #
   7 #   ICU Sentence Break Rules
   8 #      See Unicode Standard Annex #29.
   9 #      These rules are based on UAX 29 Revision 16 for Unicode Version 6.0
  10 #
  11
  12
  13 #
  14 # Character categories as defined in TR 29
  15 #
  16 $CR        = [\p{Sentence_Break = CR}];
  17 $LF        = [\p{Sentence_Break = LF}];
  18 $Extend    = [\p{Sentence_Break = Extend}];
  19 $Sep       = [\p{Sentence_Break = Sep}];
  20 $Format    = [\p{Sentence_Break = Format}];
  21 $Sp        = [\p{Sentence_Break = Sp}];
  22 $Lower     = [\p{Sentence_Break = Lower}];
  23 $Upper     = [\p{Sentence_Break = Upper}];
  24 $OLetter   = [\p{Sentence_Break = OLetter}];
  25 $Numeric   = [\p{Sentence_Break = Numeric}];
  26 $ATerm     = [\p{Sentence_Break = ATerm}];
  27 $SContinue = [\p{Sentence_Break = SContinue}];
  28 $STerm     = [\p{Sentence_Break = STerm}];
  29 $Close     = [\p{Sentence_Break = Close}];
  30
  31 #
  32 # Define extended forms of the character classes,
  33 #   incorporate trailing Extend or Format chars.
  34 #   Rules 4 and 5.
  35
  36 $SpEx       = $Sp      ($Extend | $Format)*;
  37 $LowerEx    = $Lower   ($Extend | $Format)*;
  38 $UpperEx    = $Upper   ($Extend | $Format)*;
  39 $OLetterEx  = $OLetter ($Extend | $Format)*;
  40 $NumericEx  = $Numeric ($Extend | $Format)*;
  41 $ATermEx    = $ATerm   ($Extend | $Format)*;
  42 $SContinueEx= $SContinue ($Extend | $Format)*;
  43 $STermEx    = $STerm   ($Extend | $Format)*;
  44 $CloseEx    = $Close   ($Extend | $Format)*;
  45
  46
  47 ## -------------------------------------------------
  48
  49 !!chain;
  50 !!forward;
  51
  52 # Rule 3 - break after separators.  Keep CR/LF together.
  53 #
  54 $CR $LF;
  55
  56
  57 # Rule 4 - Break after $Sep.
  58 # Rule 5 - Ignore $Format and $Extend
  59 #
  60 [^$Sep $CR $LF]? ($Extend | $Format)*;
  61
  62
  63 # Rule 6
  64 $ATermEx $NumericEx;
  65
  66 # Rule 7
  67 $UpperEx $ATermEx $UpperEx;
  68
  69 #Rule 8
  70 $NotLettersEx = [^$OLetter $Upper $Lower $Sep $CR $LF $ATerm $STerm] ($Extend | $Format)*;
  71 $ATermEx $CloseEx* $SpEx* $NotLettersEx* $Lower;
  72
  73 # Rule 8a
  74 ($STermEx | $ATermEx) $CloseEx* $SpEx* ($SContinueEx | $STermEx | $ATermEx);
  75
  76 #Rule 9, 10, 11
  77 ($STermEx | $ATermEx) $CloseEx* $SpEx* ($Sep | $CR | $LF)?;
  78
  79 #Rule 12
  80 [[^$STerm $ATerm $Close $Sp $Sep $LF $CR $Format $Extend]{bof}] ($Extend | $Format | $Close | $Sp)* .;
  81 [[^$STerm $ATerm $Close $Sp $Sep $LF $CR $Format $Extend]{bof}] ($Extend | $Format | $Close | $Sp)* ([$Sep $LF $CR {eof}] | $CR $LF){100};
  82
  83 ## -------------------------------------------------
  84
  85 !!reverse;
  86
  87 $SpEx_R       = ($Extend | $Format)* $Sp;
  88 $ATermEx_R    = ($Extend | $Format)* $ATerm;
  89 $STermEx_R    = ($Extend | $Format)* $STerm;
  90 $CloseEx_R    = ($Extend | $Format)* $Close;
  91
  92 #
  93 #  Reverse rules.
  94 #     For now, use the old style inexact reverse rules, which are easier
  95 #     to write, but less efficient.
  96 #     TODO:  exact reverse rules.  It appears that exact reverse rules
  97 #            may require improving support for look-ahead breaks in the
  98 #            builder.  Needs more investigation.
  99 #
 100
 101 [{bof}] (.? | $LF $CR) [^$Sep $CR $LF]* [$Sep $CR $LF {eof}] ($SpEx_R* $CloseEx_R* ($STermEx_R | $ATermEx_R))*;
 102 #.*;
 103
 104 # Explanation for this rule:
 105 #
 106 #    It needs to back over
 107 #        The $Sep at which we probably begin
 108 #        All of the non $Sep chars leading to the preceding $Sep
 109 #        The preceding $Sep, which will be the second one that the rule matches.
 110 #        Any immediately preceding STerm or ATerm sequences.  We need to see these
 111 #              to get the correct rule status when moving forwards again.
 112 #
 113 # [{bof}]           inhibit rule chaining.  Without this, rule would loop on itself and match
 114 #                   the entire string.
 115 #
 116 # (.? | $LF $CR)    Match one $Sep instance.  Use .? rather than $Sep because position might be
 117 #                   at the beginning of the string at this point, and we don't want to fail.
 118 #                   Can only use {eof} once, and it is used later.
 119 #