src/third_party/icu/source/common/unicode/ubrk.h

   1 /*
   2 ******************************************************************************
   3 * Copyright (C) 1996-2013, International Business Machines Corporation and others.
   4 * All Rights Reserved.
   5 ******************************************************************************
   6 */
   7
   8 #ifndef UBRK_H
   9 #define UBRK_H
  10
  11 #include "unicode/utypes.h"
  12 #include "unicode/uloc.h"
  13 #include "unicode/utext.h"
  14 #include "unicode/localpointer.h"
  15
  16 /**
  17  * A text-break iterator.
  18  *  For usage in C programs.
  19  */
  20 #ifndef UBRK_TYPEDEF_UBREAK_ITERATOR
  21 #   define UBRK_TYPEDEF_UBREAK_ITERATOR
  22     /**
  23      *  Opaque type representing an ICU Break iterator object.
  24      *  @stable ICU 2.0
  25      */
  26     typedef struct UBreakIterator UBreakIterator;
  27 #endif
  28
  29 #if !UCONFIG_NO_BREAK_ITERATION
  30
  31 #include "unicode/parseerr.h"
  32
  33 /**
  34  * \file
  35  * \brief C API: BreakIterator
  36  *
  37  * <h2> BreakIterator C API </h2>
  38  *
  39  * The BreakIterator C API defines  methods for finding the location
  40  * of boundaries in text. Pointer to a UBreakIterator maintain a
  41  * current position and scan over text returning the index of characters
  42  * where boundaries occur.
  43  * <p>
  44  * Line boundary analysis determines where a text string can be broken
  45  * when line-wrapping. The mechanism correctly handles punctuation and
  46  * hyphenated words.
  47  * <p>
  48  * Sentence boundary analysis allows selection with correct
  49  * interpretation of periods within numbers and abbreviations, and
  50  * trailing punctuation marks such as quotation marks and parentheses.
  51  * <p>
  52  * Word boundary analysis is used by search and replace functions, as
  53  * well as within text editing applications that allow the user to
  54  * select words with a double click. Word selection provides correct
  55  * interpretation of punctuation marks within and following
  56  * words. Characters that are not part of a word, such as symbols or
  57  * punctuation marks, have word-breaks on both sides.
  58  * <p>
  59  * Character boundary analysis identifies the boundaries of
  60  * "Extended Grapheme Clusters", which are groupings of codepoints
  61  * that should be treated as character-like units for many text operations.
  62  * Please see Unicode Standard Annex #29, Unicode Text Segmentation,
  63  * http://www.unicode.org/reports/tr29/ for additional information
  64  * on grapheme clusters and guidelines on their use.
  65  * <p>
  66  * Title boundary analysis locates all positions,
  67  * typically starts of words, that should be set to Title Case
  68  * when title casing the text.
  69  * <p>
  70  * The text boundary positions are found according to the rules
  71  * described in Unicode Standard Annex #29, Text Boundaries, and
  72  * Unicode Standard Annex #14, Line Breaking Properties.  These
  73  * are available at http://www.unicode.org/reports/tr14/ and
  74  * http://www.unicode.org/reports/tr29/.
  75  * <p>
  76  * In addition to the plain C API defined in this header file, an
  77  * object oriented C++ API with equivalent functionality is defined in the
  78  * file brkiter.h.
  79  * <p>
  80  * Code snippets illustrating the use of the Break Iterator APIs
  81  * are available in the ICU User Guide,
  82  * http://icu-project.org/userguide/boundaryAnalysis.html
  83  * and in the sample program icu/source/samples/break/break.cpp
  84  */
  85
  86 /** The possible types of text boundaries.  @stable ICU 2.0 */
  87 typedef enum UBreakIteratorType {
  88   /** Character breaks  @stable ICU 2.0 */
  89   UBRK_CHARACTER = 0,
  90   /** Word breaks @stable ICU 2.0 */
  91   UBRK_WORD = 1,
  92   /** Line breaks @stable ICU 2.0 */
  93   UBRK_LINE = 2,
  94   /** Sentence breaks @stable ICU 2.0 */
  95   UBRK_SENTENCE = 3,
  96
  97 #ifndef U_HIDE_DEPRECATED_API
  98   /**
  99    * Title Case breaks
 100    * The iterator created using this type locates title boundaries as described for
 101    * Unicode 3.2 only. For Unicode 4.0 and above title boundary iteration,
 102    * please use Word Boundary iterator.
 103    *
 104    * @deprecated ICU 2.8 Use the word break iterator for titlecasing for Unicode 4 and later.
 105    */
 106   UBRK_TITLE = 4,
 107 #endif /* U_HIDE_DEPRECATED_API */
 108   UBRK_COUNT = 5
 109 } UBreakIteratorType;
 110
 111 /** Value indicating all text boundaries have been returned.
 112  *  @stable ICU 2.0
 113  */
 114 #define UBRK_DONE ((int32_t) -1)
 115
 116
 117 /**
 118  *  Enum constants for the word break tags returned by
 119  *  getRuleStatus().  A range of values is defined for each category of
 120  *  word, to allow for further subdivisions of a category in future releases.
 121  *  Applications should check for tag values falling within the range, rather
 122  *  than for single individual values.
 123  *  @stable ICU 2.2
 124 */
 125 typedef enum UWordBreak {
 126     /** Tag value for "words" that do not fit into any of other categories.
 127      *  Includes spaces and most punctuation. */
 128     UBRK_WORD_NONE           = 0,
 129     /** Upper bound for tags for uncategorized words. */
 130     UBRK_WORD_NONE_LIMIT     = 100,
 131     /** Tag value for words that appear to be numbers, lower limit.    */
 132     UBRK_WORD_NUMBER         = 100,
 133     /** Tag value for words that appear to be numbers, upper limit.    */
 134     UBRK_WORD_NUMBER_LIMIT   = 200,
 135     /** Tag value for words that contain letters, excluding
 136      *  hiragana, katakana or ideographic characters, lower limit.    */
 137     UBRK_WORD_LETTER         = 200,
 138     /** Tag value for words containing letters, upper limit  */
 139     UBRK_WORD_LETTER_LIMIT   = 300,
 140     /** Tag value for words containing kana characters, lower limit */
 141     UBRK_WORD_KANA           = 300,
 142     /** Tag value for words containing kana characters, upper limit */
 143     UBRK_WORD_KANA_LIMIT     = 400,
 144     /** Tag value for words containing ideographic characters, lower limit */
 145     UBRK_WORD_IDEO           = 400,
 146     /** Tag value for words containing ideographic characters, upper limit */
 147     UBRK_WORD_IDEO_LIMIT     = 500
 148 } UWordBreak;
 149
 150 /**
 151  *  Enum constants for the line break tags returned by getRuleStatus().
 152  *  A range of values is defined for each category of
 153  *  word, to allow for further subdivisions of a category in future releases.
 154  *  Applications should check for tag values falling within the range, rather
 155  *  than for single individual values.
 156  *  @stable ICU 2.8
 157 */
 158 typedef enum ULineBreakTag {
 159     /** Tag value for soft line breaks, positions at which a line break
 160       *  is acceptable but not required                */
 161     UBRK_LINE_SOFT            = 0,
 162     /** Upper bound for soft line breaks.              */
 163     UBRK_LINE_SOFT_LIMIT      = 100,
 164     /** Tag value for a hard, or mandatory line break  */
 165     UBRK_LINE_HARD            = 100,
 166     /** Upper bound for hard line breaks.              */
 167     UBRK_LINE_HARD_LIMIT      = 200
 168 } ULineBreakTag;
 169
 170
 171
 172 /**
 173  *  Enum constants for the sentence break tags returned by getRuleStatus().
 174  *  A range of values is defined for each category of
 175  *  sentence, to allow for further subdivisions of a category in future releases.
 176  *  Applications should check for tag values falling within the range, rather
 177  *  than for single individual values.
 178  *  @stable ICU 2.8
 179 */
 180 typedef enum USentenceBreakTag {
 181     /** Tag value for for sentences  ending with a sentence terminator
 182       * ('.', '?', '!', etc.) character, possibly followed by a
 183       * hard separator (CR, LF, PS, etc.)
 184       */
 185     UBRK_SENTENCE_TERM       = 0,
 186     /** Upper bound for tags for sentences ended by sentence terminators.    */
 187     UBRK_SENTENCE_TERM_LIMIT = 100,
 188     /** Tag value for for sentences that do not contain an ending
 189       * sentence terminator ('.', '?', '!', etc.) character, but
 190       * are ended only by a hard separator (CR, LF, PS, etc.) or end of input.
 191       */
 192     UBRK_SENTENCE_SEP        = 100,
 193     /** Upper bound for tags for sentences ended by a separator.              */
 194     UBRK_SENTENCE_SEP_LIMIT  = 200
 195     /** Tag value for a hard, or mandatory line break  */
 196 } USentenceBreakTag;
 197
 198
 199 /**
 200  * Open a new UBreakIterator for locating text boundaries for a specified locale.
 201  * A UBreakIterator may be used for detecting character, line, word,
 202  * and sentence breaks in text.
 203  * @param type The type of UBreakIterator to open: one of UBRK_CHARACTER, UBRK_WORD,
 204  * UBRK_LINE, UBRK_SENTENCE
 205  * @param locale The locale specifying the text-breaking conventions.
 206  * @param text The text to be iterated over.
 207  * @param textLength The number of characters in text, or -1 if null-terminated.
 208  * @param status A UErrorCode to receive any errors.
 209  * @return A UBreakIterator for the specified locale.
 210  * @see ubrk_openRules
 211  * @stable ICU 2.0
 212  */
 213 U_STABLE UBreakIterator* U_EXPORT2
 214 ubrk_open(UBreakIteratorType type,
 215       const char *locale,
 216       const UChar *text,
 217       int32_t textLength,
 218       UErrorCode *status);
 219
 220 /**
 221  * Open a new UBreakIterator for locating text boundaries using specified breaking rules.
 222  * The rule syntax is ... (TBD)
 223  * @param rules A set of rules specifying the text breaking conventions.
 224  * @param rulesLength The number of characters in rules, or -1 if null-terminated.
 225  * @param text The text to be iterated over.  May be null, in which case ubrk_setText() is
 226  *        used to specify the text to be iterated.
 227  * @param textLength The number of characters in text, or -1 if null-terminated.
 228  * @param parseErr   Receives position and context information for any syntax errors
 229  *                   detected while parsing the rules.
 230  * @param status A UErrorCode to receive any errors.
 231  * @return A UBreakIterator for the specified rules.
 232  * @see ubrk_open
 233  * @stable ICU 2.2
 234  */
 235 U_STABLE UBreakIterator* U_EXPORT2
 236 ubrk_openRules(const UChar     *rules,
 237                int32_t         rulesLength,
 238                const UChar     *text,
 239                int32_t          textLength,
 240                UParseError     *parseErr,
 241                UErrorCode      *status);
 242
 243 /**
 244  * Thread safe cloning operation
 245  * @param bi iterator to be cloned
 246  * @param stackBuffer <em>Deprecated functionality as of ICU 52, use NULL.</em><br>
 247  *  user allocated space for the new clone. If NULL new memory will be allocated.
 248  *  If buffer is not large enough, new memory will be allocated.
 249  *  Clients can use the U_BRK_SAFECLONE_BUFFERSIZE.
 250  * @param pBufferSize <em>Deprecated functionality as of ICU 52, use NULL or 1.</em><br>
 251  *  pointer to size of allocated space.
 252  *  If *pBufferSize == 0, a sufficient size for use in cloning will
 253  *  be returned ('pre-flighting')
 254  *  If *pBufferSize is not enough for a stack-based safe clone,
 255  *  new memory will be allocated.
 256  * @param status to indicate whether the operation went on smoothly or there were errors
 257  *  An informational status value, U_SAFECLONE_ALLOCATED_ERROR, is used if any allocations were necessary.
 258  * @return pointer to the new clone
 259  * @stable ICU 2.0
 260  */
 261 U_STABLE UBreakIterator * U_EXPORT2
 262 ubrk_safeClone(
 263           const UBreakIterator *bi,
 264           void *stackBuffer,
 265           int32_t *pBufferSize,
 266           UErrorCode *status);
 267
 268 #ifndef U_HIDE_DEPRECATED_API
 269
 270 /**
 271   * A recommended size (in bytes) for the memory buffer to be passed to ubrk_saveClone().
 272   * @deprecated ICU 52. Do not rely on ubrk_safeClone() cloning into any provided buffer.
 273   */
 274 #define U_BRK_SAFECLONE_BUFFERSIZE 1
 275
 276 #endif /* U_HIDE_DEPRECATED_API */
 277
 278 /**
 279 * Close a UBreakIterator.
 280 * Once closed, a UBreakIterator may no longer be used.
 281 * @param bi The break iterator to close.
 282  * @stable ICU 2.0
 283 */
 284 U_STABLE void U_EXPORT2
 285 ubrk_close(UBreakIterator *bi);
 286
 287 #if U_SHOW_CPLUSPLUS_API
 288
 289 U_NAMESPACE_BEGIN
 290
 291 /**
 292  * \class LocalUBreakIteratorPointer
 293  * "Smart pointer" class, closes a UBreakIterator via ubrk_close().
 294  * For most methods see the LocalPointerBase base class.
 295  *
 296  * @see LocalPointerBase
 297  * @see LocalPointer
 298  * @stable ICU 4.4
 299  */
 300 U_DEFINE_LOCAL_OPEN_POINTER(LocalUBreakIteratorPointer, UBreakIterator, ubrk_close);
 301
 302 U_NAMESPACE_END
 303
 304 #endif
 305
 306 /**
 307  * Sets an existing iterator to point to a new piece of text
 308  * @param bi The iterator to use
 309  * @param text The text to be set
 310  * @param textLength The length of the text
 311  * @param status The error code
 312  * @stable ICU 2.0
 313  */
 314 U_STABLE void U_EXPORT2
 315 ubrk_setText(UBreakIterator* bi,
 316              const UChar*    text,
 317              int32_t         textLength,
 318              UErrorCode*     status);
 319
 320
 321 /**
 322  * Sets an existing iterator to point to a new piece of text.
 323  *
 324  * All index positions returned by break iterator functions are
 325  * native indices from the UText. For example, when breaking UTF-8
 326  * encoded text, the break positions returned by \ref ubrk_next, \ref ubrk_previous, etc.
 327  * will be UTF-8 string indices, not UTF-16 positions.
 328  *
 329  * @param bi The iterator to use
 330  * @param text The text to be set.
 331  *             This function makes a shallow clone of the supplied UText.  This means
 332  *             that the caller is free to immediately close or otherwise reuse the
 333  *             UText that was passed as a parameter, but that the underlying text itself
 334  *             must not be altered while being referenced by the break iterator.
 335  * @param status The error code
 336  * @stable ICU 3.4
 337  */
 338 U_STABLE void U_EXPORT2
 339 ubrk_setUText(UBreakIterator* bi,
 340              UText*          text,
 341              UErrorCode*     status);
 342
 343
 344
 345 /**
 346  * Determine the most recently-returned text boundary.
 347  *
 348  * @param bi The break iterator to use.
 349  * @return The character index most recently returned by \ref ubrk_next, \ref ubrk_previous,
 350  * \ref ubrk_first, or \ref ubrk_last.
 351  * @stable ICU 2.0
 352  */
 353 U_STABLE int32_t U_EXPORT2
 354 ubrk_current(const UBreakIterator *bi);
 355
 356 /**
 357  * Advance the iterator to the boundary following the current boundary.
 358  *
 359  * @param bi The break iterator to use.
 360  * @return The character index of the next text boundary, or UBRK_DONE
 361  * if all text boundaries have been returned.
 362  * @see ubrk_previous
 363  * @stable ICU 2.0
 364  */
 365 U_STABLE int32_t U_EXPORT2
 366 ubrk_next(UBreakIterator *bi);
 367
 368 /**
 369  * Set the iterator position to the boundary preceding the current boundary.
 370  *
 371  * @param bi The break iterator to use.
 372  * @return The character index of the preceding text boundary, or UBRK_DONE
 373  * if all text boundaries have been returned.
 374  * @see ubrk_next
 375  * @stable ICU 2.0
 376  */
 377 U_STABLE int32_t U_EXPORT2
 378 ubrk_previous(UBreakIterator *bi);
 379
 380 /**
 381  * Set the iterator position to the index of the first character in the text being scanned.
 382  * This is not always the same as index 0 of the text.
 383  * @param bi The break iterator to use.
 384  * @return The character index of the first character in the text being scanned.
 385  * @see ubrk_last
 386  * @stable ICU 2.0
 387  */
 388 U_STABLE int32_t U_EXPORT2
 389 ubrk_first(UBreakIterator *bi);
 390
 391 /**
 392  * Set the iterator position to the index immediately <EM>beyond</EM> the last character in the text being scanned.
 393  * This is not the same as the last character.
 394  * @param bi The break iterator to use.
 395  * @return The character offset immediately <EM>beyond</EM> the last character in the
 396  * text being scanned.
 397  * @see ubrk_first
 398  * @stable ICU 2.0
 399  */
 400 U_STABLE int32_t U_EXPORT2
 401 ubrk_last(UBreakIterator *bi);
 402
 403 /**
 404  * Set the iterator position to the first boundary preceding the specified offset.
 405  * The new position is always smaller than offset, or UBRK_DONE.
 406  * @param bi The break iterator to use.
 407  * @param offset The offset to begin scanning.
 408  * @return The text boundary preceding offset, or UBRK_DONE.
 409  * @see ubrk_following
 410  * @stable ICU 2.0
 411  */
 412 U_STABLE int32_t U_EXPORT2
 413 ubrk_preceding(UBreakIterator *bi,
 414            int32_t offset);
 415
 416 /**
 417  * Advance the iterator to the first boundary following the specified offset.
 418  * The value returned is always greater than offset, or UBRK_DONE.
 419  * @param bi The break iterator to use.
 420  * @param offset The offset to begin scanning.
 421  * @return The text boundary following offset, or UBRK_DONE.
 422  * @see ubrk_preceding
 423  * @stable ICU 2.0
 424  */
 425 U_STABLE int32_t U_EXPORT2
 426 ubrk_following(UBreakIterator *bi,
 427            int32_t offset);
 428
 429 /**
 430 * Get a locale for which text breaking information is available.
 431 * A UBreakIterator in a locale returned by this function will perform the correct
 432 * text breaking for the locale.
 433 * @param index The index of the desired locale.
 434 * @return A locale for which number text breaking information is available, or 0 if none.
 435 * @see ubrk_countAvailable
 436 * @stable ICU 2.0
 437 */
 438 U_STABLE const char* U_EXPORT2
 439 ubrk_getAvailable(int32_t index);
 440
 441 /**
 442 * Determine how many locales have text breaking information available.
 443 * This function is most useful as determining the loop ending condition for
 444 * calls to \ref ubrk_getAvailable.
 445 * @return The number of locales for which text breaking information is available.
 446 * @see ubrk_getAvailable
 447 * @stable ICU 2.0
 448 */
 449 U_STABLE int32_t U_EXPORT2
 450 ubrk_countAvailable(void);
 451
 452
 453 /**
 454 * Returns true if the specfied position is a boundary position.  As a side
 455 * effect, leaves the iterator pointing to the first boundary position at
 456 * or after "offset".
 457 * @param bi The break iterator to use.
 458 * @param offset the offset to check.
 459 * @return True if "offset" is a boundary position.
 460 * @stable ICU 2.0
 461 */
 462 U_STABLE  UBool U_EXPORT2
 463 ubrk_isBoundary(UBreakIterator *bi, int32_t offset);
 464
 465 /**
 466  * Return the status from the break rule that determined the most recently
 467  * returned break position.  The values appear in the rule source
 468  * within brackets, {123}, for example.  For rules that do not specify a
 469  * status, a default value of 0 is returned.
 470  * <p>
 471  * For word break iterators, the possible values are defined in enum UWordBreak.
 472  * @stable ICU 2.2
 473  */
 474 U_STABLE  int32_t U_EXPORT2
 475 ubrk_getRuleStatus(UBreakIterator *bi);
 476
 477 /**
 478  * Get the statuses from the break rules that determined the most recently
 479  * returned break position.  The values appear in the rule source
 480  * within brackets, {123}, for example.  The default status value for rules
 481  * that do not explicitly provide one is zero.
 482  * <p>
 483  * For word break iterators, the possible values are defined in enum UWordBreak.
 484  * @param bi        The break iterator to use
 485  * @param fillInVec an array to be filled in with the status values.
 486  * @param capacity  the length of the supplied vector.  A length of zero causes
 487  *                  the function to return the number of status values, in the
 488  *                  normal way, without attemtping to store any values.
 489  * @param status    receives error codes.
 490  * @return          The number of rule status values from rules that determined
 491  *                  the most recent boundary returned by the break iterator.
 492  * @stable ICU 3.0
 493  */
 494 U_STABLE  int32_t U_EXPORT2
 495 ubrk_getRuleStatusVec(UBreakIterator *bi, int32_t *fillInVec, int32_t capacity, UErrorCode *status);
 496
 497 /**
 498  * Return the locale of the break iterator. You can choose between the valid and
 499  * the actual locale.
 500  * @param bi break iterator
 501  * @param type locale type (valid or actual)
 502  * @param status error code
 503  * @return locale string
 504  * @stable ICU 2.8
 505  */
 506 U_STABLE const char* U_EXPORT2
 507 ubrk_getLocaleByType(const UBreakIterator *bi, ULocDataLocaleType type, UErrorCode* status);
 508
 509 /**
 510   *  Set the subject text string upon which the break iterator is operating
 511   *  without changing any other aspect of the state.
 512   *  The new and previous text strings must have the same content.
 513   *
 514   *  This function is intended for use in environments where ICU is operating on
 515   *  strings that may move around in memory.  It provides a mechanism for notifying
 516   *  ICU that the string has been relocated, and providing a new UText to access the
 517   *  string in its new position.
 518   *
 519   *  Note that the break iterator never copies the underlying text
 520   *  of a string being processed, but always operates directly on the original text
 521   *  provided by the user. Refreshing simply drops the references to the old text
 522   *  and replaces them with references to the new.
 523   *
 524   *  Caution:  this function is normally used only by very specialized
 525   *            system-level code.   One example use case is with garbage collection
 526   *            that moves the text in memory.
 527   *
 528   * @param bi         The break iterator.
 529   * @param text       The new (moved) text string.
 530   * @param status     Receives errors detected by this function.
 531   *
 532   * @stable ICU 49
 533   */
 534 U_STABLE void U_EXPORT2
 535 ubrk_refreshUText(UBreakIterator *bi,
 536                        UText          *text,
 537                        UErrorCode     *status);
 538
 539 #endif /* #if !UCONFIG_NO_BREAK_ITERATION */
 540
 541 #endif