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

   1 #
   2 # Copyright (C) 2002-2013, International Business Machines Corporation
   3 # and others. All Rights Reserved.
   4 #
   5 # file:  word.txt
   6 #
   7 # ICU Word Break Rules
   8 #      See Unicode Standard Annex #29.
   9 #      These rules are based on UAX #29 Revision 22 for Unicode Version 6.3
  10 #
  11 # Note:  Updates to word.txt will usually need to be merged into
  12 #        word_POSIX.txt also.
  13
  14 ##############################################################################
  15 #
  16 #  Character class definitions from TR 29
  17 #
  18 ##############################################################################
  19
  20 !!chain;
  21
  22
  23 #
  24 #  Character Class Definitions.
  25 #
  26
  27 $CR                 = [\p{Word_Break = CR}];
  28 $LF                 = [\p{Word_Break = LF}];
  29 $Newline            = [\p{Word_Break = Newline}];
  30 $Extend             = [\p{Word_Break = Extend}];
  31 $Regional_Indicator = [\p{Word_Break = Regional_Indicator}];
  32 $Format             = [\p{Word_Break = Format}];
  33 $Katakana           = [\p{Word_Break = Katakana}];
  34 $Hebrew_Letter      = [\p{Word_Break = Hebrew_Letter}];
  35 $ALetter            = [\p{Word_Break = ALetter}];
  36 $Single_Quote       = [\p{Word_Break = Single_Quote}];
  37 $Double_Quote       = [\p{Word_Break = Double_Quote}];
  38 # Remove two full stop characters from $MidNumLet and add them to $MidNum
  39 # to break a hostname into its components at the cost of breaking
  40 # 'e.g.' and 'i.e.' as well.
  41 # $MidNumLet is used in rules 6/7 (rules of our interest) and rules 11/12.
  42 # Because it's OR'd with $MidNum in rules 11/12, rules 11/12 are not affected
  43 # while rules 6/7 are reverted to the old behavior we want.
  44 $MidNumLet    = [[\p{Word_Break = MidNumLet}] - [\u002E \uFF0E]];
  45 $MidLetter          = [\p{Word_Break = MidLetter}];
  46 $MidNum       = [\p{Word_Break = MidNum}[\u002E \uFF0E]];
  47 $Numeric      = [\p{Word_Break = Numeric}[\uff10-\uff19]]; #includes fullwidth digits
  48 $ExtendNumLet       = [\p{Word_Break = ExtendNumLet}];
  49
  50 $Han                = [:Han:];
  51 $Hiragana           = [:Hiragana:];
  52
  53
  54 #   Dictionary character set, for triggering language-based break engines. Currently
  55 #   limited to LineBreak=Complex_Context. Note that this set only works in Unicode
  56 #   5.0 or later as the definition of Complex_Context was corrected to include all
  57 #   characters requiring dictionary break.
  58
  59 $Control        = [\p{Grapheme_Cluster_Break = Control}];
  60 $HangulSyllable = [\uac00-\ud7a3];
  61 $ComplexContext = [:LineBreak = Complex_Context:];
  62 $KanaKanji      = [$Han $Hiragana $Katakana];
  63 $dictionaryCJK  = [$KanaKanji $HangulSyllable];
  64 $dictionary     = [$ComplexContext $dictionaryCJK];
  65
  66 # leave CJK scripts out of ALetterPlus
  67 $ALetterPlus  = [$ALetter-$dictionaryCJK [$ComplexContext-$Extend-$Control]];
  68
  69
  70 #
  71 #  Rules 4    Ignore Format and Extend characters,
  72 #             except when they appear at the beginning of a region of text.
  73 #
  74 # TODO: check if handling of katakana in dictionary makes rules incorrect/void
  75 $KatakanaEx           = $Katakana           ($Extend |  $Format)*;
  76 $Hebrew_LetterEx      = $Hebrew_Letter      ($Extend |  $Format)*;
  77 $ALetterEx            = $ALetterPlus        ($Extend |  $Format)*;
  78 $Single_QuoteEx       = $Single_Quote       ($Extend |  $Format)*;
  79 $Double_QuoteEx       = $Double_Quote       ($Extend |  $Format)*;
  80 $MidNumLetEx          = $MidNumLet          ($Extend |  $Format)*;
  81 $MidLetterEx          = $MidLetter          ($Extend |  $Format)*;
  82 $MidNumEx             = $MidNum             ($Extend |  $Format)*;
  83 $NumericEx            = $Numeric            ($Extend |  $Format)*;
  84 $ExtendNumLetEx       = $ExtendNumLet       ($Extend |  $Format)*;
  85 $Regional_IndicatorEx = $Regional_Indicator ($Extend |  $Format)*;
  86
  87 $Ideographic    = [\p{Ideographic}];
  88 $HiraganaEx     = $Hiragana     ($Extend |  $Format)*;
  89 $IdeographicEx  = $Ideographic  ($Extend |  $Format)*;
  90
  91 ## -------------------------------------------------
  92
  93 !!forward;
  94
  95
  96 # Rule 3 - CR x LF
  97 #
  98 $CR $LF;
  99
 100 # Rule 4 - ignore Format and Extend characters, except when they appear at the beginning
 101 #          of a region of Text.   The rule here comes into play when the start of text
 102 #          begins with a group of Format chars, or with a "word" consisting of a single
 103 #          char that is not in any of the listed word break categories followed by
 104 #          format char(s), or is not a CJK dictionary character.
 105 [^$CR $LF $Newline]? ($Extend |  $Format)+;
 106
 107 $NumericEx {100};
 108 $ALetterEx {200};
 109 $HangulSyllable {200};
 110 $Hebrew_LetterEx{200};
 111 $KatakanaEx {400};       # note:  these status values override those from rule 5
 112 $HiraganaEx {400};       #        by virtue of being numerically larger.
 113 $IdeographicEx {400};    #
 114
 115 #
 116 # rule 5
 117 #    Do not break between most letters.
 118 #
 119 ($ALetterEx | $Hebrew_LetterEx)  ($ALetterEx | $Hebrew_LetterEx) {200};
 120
 121 # rule 6 and 7
 122 ($ALetterEx | $Hebrew_LetterEx) ($MidLetterEx | $MidNumLetEx | $Single_QuoteEx) ($ALetterEx | $Hebrew_LetterEx) {200};
 123
 124 # rule 7a
 125 $Hebrew_LetterEx $Single_QuoteEx {200};
 126
 127 # rule 7b and 7c
 128 $Hebrew_LetterEx $Double_QuoteEx $Hebrew_LetterEx {200};
 129
 130 # rule 8
 131
 132 $NumericEx $NumericEx {100};
 133
 134 # rule 9
 135
 136 ($ALetterEx | $Hebrew_LetterEx) $NumericEx {200};
 137
 138 # rule 10
 139
 140 $NumericEx ($ALetterEx | $Hebrew_LetterEx) {200};
 141
 142 # rule 11 and 12
 143
 144 $NumericEx ($MidNumEx | $MidNumLetEx | $Single_QuoteEx) $NumericEx {100};
 145
 146 # rule 13
 147 # to be consistent with $KanaKanji $KanaKanhi, changed
 148 # from 300 to 400.
 149 # See also TestRuleStatus in intltest/rbbiapts.cpp
 150 $KatakanaEx  $KatakanaEx {400};
 151
 152 # rule 13a/b
 153
 154 $ALetterEx       $ExtendNumLetEx {200};    #  (13a)
 155 $Hebrew_LetterEx $ExtendNumLetEx {200};    #  (13a)
 156 $NumericEx       $ExtendNumLetEx {100};    #  (13a)
 157 $KatakanaEx      $ExtendNumLetEx {400};    #  (13a)
 158 $ExtendNumLetEx  $ExtendNumLetEx {200};    #  (13a)
 159
 160 $ExtendNumLetEx  $ALetterEx      {200};    #  (13b)
 161 $ExtendNumLetEx  $Hebrew_Letter  {200};    #  (13b)
 162 $ExtendNumLetEx  $NumericEx      {100};    #  (13b)
 163 $ExtendNumLetEx  $KatakanaEx     {400};    #  (13b)
 164
 165 # rule 13c
 166
 167 $Regional_IndicatorEx $Regional_IndicatorEx;
 168
 169 # special handling for CJK characters: chain for later dictionary segmentation
 170 $HangulSyllable $HangulSyllable {200};
 171 $KanaKanji $KanaKanji {400}; # different rule status if both kana and kanji found
 172
 173
 174 ## -------------------------------------------------
 175
 176 !!reverse;
 177
 178 $BackHebrew_LetterEx      = ($Format | $Extend)* $Hebrew_Letter;
 179 $BackALetterEx            = ($Format | $Extend)* $ALetterPlus;
 180 $BackSingle_QuoteEx       = ($Format | $Extend)* $Single_Quote;
 181 $BackDouble_QuoteEx       = ($Format | $Extend)* $Double_Quote;
 182 $BackMidNumLetEx          = ($Format | $Extend)* $MidNumLet;
 183 $BackNumericEx            = ($Format | $Extend)* $Numeric;
 184 $BackMidNumEx             = ($Format | $Extend)* $MidNum;
 185 $BackMidLetterEx          = ($Format | $Extend)* $MidLetter;
 186 $BackKatakanaEx           = ($Format | $Extend)* $Katakana;
 187 $BackHiraganaEx           = ($Format | $Extend)* $Hiragana;
 188 $BackExtendNumLetEx       = ($Format | $Extend)* $ExtendNumLet;
 189 $BackRegional_IndicatorEx = ($Format | $Extend)* $Regional_Indicator;
 190
 191 # rule 3
 192 $LF $CR;
 193
 194 # rule 4
 195 ($Format | $Extend)*  [^$CR $LF $Newline]?;
 196
 197 # rule 5
 198
 199 ($BackALetterEx | $BackHebrew_LetterEx) ($BackALetterEx | $BackHebrew_LetterEx);
 200
 201 # rule 6 and 7
 202
 203 ($BackALetterEx | $BackHebrew_LetterEx) ($BackMidLetterEx | $BackMidNumLetEx | $BackSingle_QuoteEx) ($BackALetterEx | $BackHebrew_LetterEx);
 204
 205 # rule 7a
 206 $BackSingle_QuoteEx $BackHebrew_LetterEx;
 207
 208 # Rule 7b and 7c
 209 $BackHebrew_LetterEx $BackDouble_QuoteEx $BackHebrew_LetterEx;
 210
 211 # rule 8
 212
 213 $BackNumericEx $BackNumericEx;
 214
 215 # rule 9
 216
 217 $BackNumericEx ($BackALetterEx | $BackHebrew_LetterEx);
 218
 219 # rule 10
 220
 221 ($BackALetterEx | $BackHebrew_LetterEx) $BackNumericEx;
 222
 223 # rule 11 and 12
 224
 225 $BackNumericEx ($BackMidNumEx | $BackMidNumLetEx | $BackSingle_QuoteEx) $BackNumericEx;
 226
 227 # rule 13
 228
 229 $BackKatakanaEx $BackKatakanaEx;
 230
 231 # rules 13 a/b
 232 #
 233 $BackExtendNumLetEx ($BackALetterEx | $BackHebrew_LetterEx | $BackNumericEx | $BackKatakanaEx | $BackExtendNumLetEx);
 234 ($BackALetterEx | $BackHebrew_LetterEx | $BackNumericEx | $BackKatakanaEx) $BackExtendNumLetEx;
 235
 236 # rule 13c
 237
 238 $BackRegional_IndicatorEx $BackRegional_IndicatorEx;
 239
 240 # special handling for CJK characters: chain for later dictionary segmentation
 241 $HangulSyllable $HangulSyllable;
 242 $KanaKanji $KanaKanji; #different rule status if both kanji and kana found
 243
 244 ## -------------------------------------------------
 245
 246 !!safe_reverse;
 247
 248 # rule 3
 249 ($Extend | $Format)+ .?;
 250
 251 # rule 6
 252 ($MidLetter | $MidNumLet | $Single_Quote) ($BackALetterEx | $BackHebrew_LetterEx);
 253
 254 # rule 7b
 255 $Double_Quote $BackHebrew_LetterEx;
 256
 257
 258 # rule 11
 259 ($MidNum | $MidNumLet | $Single_Quote) $BackNumericEx;
 260
 261 # For dictionary-based break
 262 $dictionary $dictionary;
 263
 264 ## -------------------------------------------------
 265
 266 !!safe_forward;
 267
 268 # rule 4
 269 ($Extend | $Format)+ .?;
 270
 271 # rule 6
 272 ($MidLetterEx | $MidNumLetEx | $Single_QuoteEx) ($ALetterEx | $Hebrew_LetterEx);
 273
 274 # rule 7b
 275 $Double_QuoteEx $Hebrew_LetterEx;
 276
 277 # rule 11
 278 ($MidNumEx | $MidNumLetEx | $Single_QuoteEx) $NumericEx;
 279
 280 # For dictionary-based break
 281 $dictionary $dictionary;