src/third_party/icu/scripts/sjis_gen.sh

   1 #!/bin/sh
   2 # Copyright (c) 2014 The Chromium Authors. All rights reserved.
   3 # Use of this source code is governed by a BSD-style license that can be
   4 # found in the LICENSE file.
   5
   6 # References:
   7 #   http://encoding.spec.whatwg.org/#shift_jis
   8
   9 # Download the following file, run it in source/data/mappings directory
  10 # and save the result to euc-jp-html5.ucm
  11 #   http://encoding.spec.whatwg.org/index-jis0208.txt
  12
  13 function preamble {
  14 cat <<PREAMBLE
  15 # ***************************************************************************
  16 # *
  17 # *   Copyright (C) 1995-2014, International Business Machines
  18 # *   Corporation and others.  All Rights Reserved.
  19 # *
  20 # *   Generated per the algorithm for Shift_JIS
  21 # *   described at http://encoding.spec.whatwg.org/#shift_jis
  22 # *
  23 # ***************************************************************************
  24 <code_set_name>               "shift_jis-html5"
  25 <char_name_mask>              "AXXXX"
  26 <mb_cur_max>                  2
  27 <mb_cur_min>                  1
  28 <uconv_class>                 "MBCS"
  29 <subchar>                     \xFC\xFC
  30 <subchar1>                    \x7F
  31 <icu:charsetFamily>           "ASCII"
  32
  33 <icu:state>                   0-80, 81-9f:1, a1-df, e0-fc:1
  34 <icu:state>                   40-7e, 80-fc
  35
  36 CHARMAP
  37 PREAMBLE
  38 }
  39
  40 # The encoding spec for Shift_JIS says U+0080 has to be round-tripped with
  41 # 0x80. So, this is one character more than ASCII up to 128 (0x80).
  42 function ascii {
  43   for i in $(seq 0 128)
  44   do
  45     printf '<U%04X> \\x%02X |0\n' $i $i
  46   done
  47 }
  48
  49
  50 # Map 0x[A1-DF] to U+FF61 to U+FF9F
  51 function half_width_kana {
  52   for i in $(seq 0xA1 0xDF)
  53   do
  54     # 65377 = 0xFF61, 161 = 0xA1
  55     printf '<U%04X> \\x%02X |0\n' $(($i + 65377 - 161))  $i
  56   done
  57 }
  58
  59
  60 # From http://encoding.spec.whatwg.org/#index-shift_jis-pointer
  61 # The index shift_jis pointer for code point is the return value of
  62 # these steps for the round-trip code points (tag = 0)
  63 #
  64 #   Let index be index jis0208 excluding all pointers in the range 8272 to 8835.
  65 #   Return the index pointer for code point in index.
  66 # For index ($1) outside the above range, it's for decoding only and tag
  67 # is set to '3'.
  68 # Besides, there are 24 more characters with multiple SJIS representations.
  69 # Only the first of multiple is tagged with '0' (bi-directional mapping)
  70 # while the rest is tagged with '3'.
  71
  72 function jis208 {
  73   awk '!/^#/ && !/^$/ \
  74        { lead = $1 / 188; \
  75          lead_offset = lead < 0x1F ? 0x81 : 0xC1; \
  76          trail = $1 % 188; \
  77          trail_offset = trail < 0x3F ? 0x40 : 0x41; \
  78          is_in_range = ($1 < 8272 || $1 > 8835); \
  79          tag = (is_in_range && has_seen[$2] == 0) ? 0 : 3; \
  80          printf ("<U%4s> \\x%02X\\x%02X |%d\n", substr($2, 3),\
  81                  lead + lead_offset, trail + trail_offset, tag);\
  82          if (is_in_range) has_seen[$2] = 1; \
  83        }' \
  84   index-jis0208.txt
  85 }
  86
  87 # EUDC (End User Defined Characters)  is for decoding only
  88 # (use '|3' to denote that).
  89 # See http://encoding.spec.whatwg.org/#shift_jis-decoder - step 5
  90 # This function is called twice with {0x40, 0x7E, 0x40} and {0x80, 0xFC, 0x41}
  91 # to implement it.
  92
  93 function eudc {
  94   # The upper bound for the lead byte is 0xF8 because each lead can
  95   # have 188 characters and the total # of characters in the EUDC
  96   # is 1692 = 188 * (0xF9 - 0xF0) = 10528 - 8836 (see Shift_JIS decoder
  97   # step 3.5 in the encoding spec.)
  98   for lead in $(seq 0xF0 0xF8)
  99   do
 100     for byte in $(seq $1 $2)
 101     do
 102       offset=$3
 103       pointer=$((($lead - 0xC1) * 188 + $byte - $offset))
 104       unicode=$(($pointer - 8836 + 0xE000))
 105       printf "<U%4X> \\\x%02X\\\x%02X |3\n" $unicode $lead $byte
 106     done
 107   done
 108 }
 109
 110 function unsorted_table {
 111   ascii
 112   half_width_kana
 113   jis208
 114   eudc "0x40" "0x7E" "0x40"
 115   eudc "0x80" "0xFC" "0x41"
 116   echo '<U00A5> \x5C |1'
 117   echo '<U203E> \x7E |1'
 118 }
 119
 120 preamble
 121 unsorted_table | sort  | uniq
 122 echo 'END CHARMAP'