Quelle  gen-indic-table.py   Sprache: Python

#!/usr/bin/env python3

"""usage: ./gen-indic-table.py IndicSyllabicCategory.txt IndicPositionalCategory.txt Blocks.txt

Input files:
* https://unicode.org/Public/UCD/latest/ucd/IndicSyllabicCategory.txt
* https://unicode.org/Public/UCD/latest/ucd/IndicPositionalCategory.txt
* https://unicode.org/Public/UCD/latest/ucd/Blocks.txt
"""

import sys

if len (sys.argv) != 4:
 sys.exit (__doc__)

ALLOWED_SINGLES = [0x00A0, 0x25CC]
ALLOWED_BLOCKS = [
 'Basic Latin',
 'Latin-1 Supplement',
 'Devanagari',
 'Bengali',
 'Gurmukhi',
 'Gujarati',
 'Oriya',
 'Tamil',
 'Telugu',
 'Kannada',
 'Malayalam',
 'Myanmar',
 'Khmer',
 'Vedic Extensions',
 'General Punctuation',
 'Superscripts and Subscripts',
 'Devanagari Extended',
 'Myanmar Extended-B',
 'Myanmar Extended-A',
 'Myanmar Extended-C',
]

files = [open (x, encoding='utf-8') for x in sys.argv[1:]]

headers = [[f.readline () for i in range (2)] for f in files]

unicode_data = [{} for _ in files]
for i, f in enumerate (files):
 for line in f:

  j = line.find ('#')
  if j >= 0:
   line = line[:j]

  fields = [x.strip () for x in line.split (';')]
  if len (fields) == 1:
   continue

  uu = fields[0].split ('..')
  start = int (uu[0], 16)
  if len (uu) == 1:
   end = start
  else:
   end = int (uu[1], 16)

  t = fields[1]

  for u in range (start, end + 1):
   unicode_data[i][u] = t

# Merge data into one dict:
defaults = ('Other', 'Not_Applicable', 'No_Block')
combined = {}
for i,d in enumerate (unicode_data):
 for u,v in d.items ():
  if i == 2 and not u in combined:
   continue
  if not u in combined:
   combined[u] = list (defaults)
  combined[u][i] = v
combined = {k:v for k,v in combined.items() if k in ALLOWED_SINGLES or v[2] in ALLOWED_BLOCKS}


# Convert categories & positions types

categories = {
  'indic' : [
    'X',
    'C',
    'V',
    'N',
    'H',
    'ZWNJ',
    'ZWJ',
    'M',
    'SM',
    'A',
    'VD',
    'PLACEHOLDER',
    'DOTTEDCIRCLE',
    'RS',
    'MPst',
    'Repha',
    'Ra',
    'CM',
    'Symbol',
    'CS',
    'SMPst',
  ],
  'khmer' : [
    'VAbv',
    'VBlw',
    'VPre',
    'VPst',

    'Robatic',
    'Xgroup',
    'Ygroup',
  ],
  'myanmar' : [
    'VAbv',
    'VBlw',
    'VPre',
    'VPst',

    'IV',
    'As',
    'DB',
    'GB',
    'MH',
    'MR',
    'MW',
    'MY',
    'PT',
    'VS',
    'ML',
  ],
}

category_map = {
  'Other'   : 'X',
  'Avagraha'   : 'Symbol',
  'Bindu'   : 'SM',
  'Brahmi_Joining_Number' : 'PLACEHOLDER', # Don't care.
  'Cantillation_Mark'  : 'A',
  'Consonant'   : 'C',
  'Consonant_Dead'  : 'C',
  'Consonant_Final'  : 'CM',
  'Consonant_Head_Letter' : 'C',
  'Consonant_Initial_Postfixed' : 'C', # TODO
  'Consonant_Killer'  : 'M', # U+17CD only.
  'Consonant_Medial'  : 'CM',
  'Consonant_Placeholder' : 'PLACEHOLDER',
  'Consonant_Preceding_Repha' : 'Repha',
  'Consonant_Prefixed'  : 'X', # Don't care.
  'Consonant_Subjoined'  : 'CM',
  'Consonant_Succeeding_Repha' : 'CM',
  'Consonant_With_Stacker' : 'CS',
  'Gemination_Mark'  : 'SM', # https://github.com/harfbuzz/harfbuzz/issues/552
  'Invisible_Stacker'  : 'H',
  'Joiner'   : 'ZWJ',
  'Modifying_Letter'  : 'X',
  'Non_Joiner'   : 'ZWNJ',
  'Nukta'   : 'N',
  'Number'   : 'PLACEHOLDER',
  'Number_Joiner'  : 'PLACEHOLDER', # Don't care.
  'Pure_Killer'   : 'M', # Is like a vowel matra.
  'Register_Shifter'  : 'RS',
  'Syllable_Modifier'  : 'SM',
  'Tone_Letter'   : 'X',
  'Tone_Mark'   : 'N',
  'Virama'   : 'H',
  'Visarga'   : 'SM',
  'Vowel'   : 'V',
  'Vowel_Dependent'  : 'M',
  'Vowel_Independent'  : 'V',
}
position_map = {
  'Not_Applicable'  : 'END',

  'Left'   : 'PRE_C',
  'Top'    : 'ABOVE_C',
  'Bottom'   : 'BELOW_C',
  'Right'   : 'POST_C',

  # These should resolve to the position of the last part of the split sequence.
  'Bottom_And_Right'  : 'POST_C',
  'Left_And_Right'  : 'POST_C',
  'Top_And_Bottom'  : 'BELOW_C',
  'Top_And_Bottom_And_Left' : 'BELOW_C',
  'Top_And_Bottom_And_Right' : 'POST_C',
  'Top_And_Left'  : 'ABOVE_C',
  'Top_And_Left_And_Right' : 'POST_C',
  'Top_And_Right'  : 'POST_C',

  'Overstruck'   : 'AFTER_MAIN',
  'Visual_order_left'  : 'PRE_M',
}

category_overrides = {

  # These are the variation-selectors. They only appear in the Myanmar grammar
  # but are not Myanmar-specific
  0xFE00: 'VS',
  0xFE01: 'VS',
  0xFE02: 'VS',
  0xFE03: 'VS',
  0xFE04: 'VS',
  0xFE05: 'VS',
  0xFE06: 'VS',
  0xFE07: 'VS',
  0xFE08: 'VS',
  0xFE09: 'VS',
  0xFE0A: 'VS',
  0xFE0B: 'VS',
  0xFE0C: 'VS',
  0xFE0D: 'VS',
  0xFE0E: 'VS',
  0xFE0F: 'VS',

  # These appear in the OT Myanmar spec, but are not Myanmar-specific
  0x2015: 'PLACEHOLDER',
  0x2022: 'PLACEHOLDER',
  0x25FB: 'PLACEHOLDER',
  0x25FC: 'PLACEHOLDER',
  0x25FD: 'PLACEHOLDER',
  0x25FE: 'PLACEHOLDER',


  # Indic

  0x0930: 'Ra', # Devanagari
  0x09B0: 'Ra', # Bengali
  0x09F0: 'Ra', # Bengali
  0x0A30: 'Ra', # Gurmukhi  No Reph
  0x0AB0: 'Ra', # Gujarati
  0x0B30: 'Ra', # Oriya
  0x0BB0: 'Ra', # Tamil  No Reph
  0x0C30: 'Ra', # Telugu  Reph formed only with ZWJ
  0x0CB0: 'Ra', # Kannada
  0x0D30: 'Ra', # Malayalam  No Reph, Logical Repha

  # The following act more like the Bindus.
  0x0953: 'SM',
  0x0954: 'SM',

  # U+0A40 GURMUKHI VOWEL SIGN II may be preceded by U+0A02 GURMUKHI SIGN BINDI.
  0x0A40: 'MPst',

  # The following act like consonants.
  0x0A72: 'C',
  0x0A73: 'C',
  0x1CF5: 'C',
  0x1CF6: 'C',

  # TODO: The following should only be allowed after a Visarga.
  # For now, just treat them like regular tone marks.
  0x1CE2: 'A',
  0x1CE3: 'A',
  0x1CE4: 'A',
  0x1CE5: 'A',
  0x1CE6: 'A',
  0x1CE7: 'A',
  0x1CE8: 'A',

  # TODO: The following should only be allowed after some of
  # the nasalization marks, maybe only for U+1CE9..U+1CF1.
  # For now, just treat them like tone marks.
  0x1CED: 'A',

  # The following take marks in standalone clusters, similar to Avagraha.
  0xA8F2: 'Symbol',
  0xA8F3: 'Symbol',
  0xA8F4: 'Symbol',
  0xA8F5: 'Symbol',
  0xA8F6: 'Symbol',
  0xA8F7: 'Symbol',
  0x1CE9: 'Symbol',
  0x1CEA: 'Symbol',
  0x1CEB: 'Symbol',
  0x1CEC: 'Symbol',
  0x1CEE: 'Symbol',
  0x1CEF: 'Symbol',
  0x1CF0: 'Symbol',
  0x1CF1: 'Symbol',

  0x0A51: 'M', # https://github.com/harfbuzz/harfbuzz/issues/524

  # According to ScriptExtensions.txt, these Grantha marks may also be used in Tamil,
  # so the Indic shaper needs to know their categories.
  0x11301: 'SM',
  0x11302: 'SM',
  0x11303: 'SM',
  0x1133B: 'N',
  0x1133C: 'N',

  0x0AFB: 'N', # https://github.com/harfbuzz/harfbuzz/issues/552
  0x0B55: 'N', # https://github.com/harfbuzz/harfbuzz/issues/2849

  0x09FC: 'PLACEHOLDER', # https://github.com/harfbuzz/harfbuzz/pull/1613
  0x0C80: 'PLACEHOLDER', # https://github.com/harfbuzz/harfbuzz/pull/623
  0x0D04: 'PLACEHOLDER', # https://github.com/harfbuzz/harfbuzz/pull/3511

  0x25CC: 'DOTTEDCIRCLE',


  # Khmer

  0x179A: 'Ra',

  0x17CC: 'Robatic',
  0x17C9: 'Robatic',
  0x17CA: 'Robatic',

  0x17C6: 'Xgroup',
  0x17CB: 'Xgroup',
  0x17CD: 'Xgroup',
  0x17CE: 'Xgroup',
  0x17CF: 'Xgroup',
  0x17D0: 'Xgroup',
  0x17D1: 'Xgroup',

  0x17C7: 'Ygroup',
  0x17C8: 'Ygroup',
  0x17DD: 'Ygroup',
  0x17D3: 'Ygroup', # Just guessing. Uniscribe doesn't categorize it.

  0x17D9: 'PLACEHOLDER', # https://github.com/harfbuzz/harfbuzz/issues/2384


  # Myanmar

  # https://docs.microsoft.com/en-us/typography/script-development/myanmar#analyze

  0x104E: 'C', # The spec says C, IndicSyllableCategory says Consonant_Placeholder

  0x1004: 'Ra',
  0x101B: 'Ra',
  0x105A: 'Ra',

  0x1032: 'A',
  0x1036: 'A',

  0x103A: 'As',

  #0x1040: 'D0', # XXX The spec says D0, but Uniscribe doesn't seem to do.

  0x103E: 'MH',
  0x1060: 'ML',
  0x103C: 'MR',
  0x103D: 'MW',
  0x1082: 'MW',
  0x103B: 'MY',
  0x105E: 'MY',
  0x105F: 'MY',

  0x1063: 'PT',
  0x1064: 'PT',
  0x1069: 'PT',
  0x106A: 'PT',
  0x106B: 'PT',
  0x106C: 'PT',
  0x106D: 'PT',
  0xAA7B: 'PT',

  0x1038: 'SM',
  0x1087: 'SM',
  0x1088: 'SM',
  0x1089: 'SM',
  0x108A: 'SM',
  0x108B: 'SM',
  0x108C: 'SM',
  0x108D: 'SM',
  0x108F: 'SM',
  0x109A: 'SM',
  0x109B: 'SM',
  0x109C: 'SM',

  0x104A: 'PLACEHOLDER',
}
position_overrides = {

  0x0A51: 'BELOW_C', # https://github.com/harfbuzz/harfbuzz/issues/524

  0x0B01: 'BEFORE_SUB', # Oriya Bindu is BeforeSub in the spec.
}

def matra_pos_left(u, block):
  return "PRE_M"
def matra_pos_right(u, block):
  if block == 'Devanagari': return  'AFTER_SUB'
  if block == 'Bengali': return  'AFTER_POST'
  if block == 'Gurmukhi': return  'AFTER_POST'
  if block == 'Gujarati': return  'AFTER_POST'
  if block == 'Oriya':  return  'AFTER_POST'
  if block == 'Tamil':  return  'AFTER_POST'
  if block == 'Telugu':  return  'BEFORE_SUB' if u <= 0x0C42 else 'AFTER_SUB'
  if block == 'Kannada': return  'BEFORE_SUB' if u < 0x0CC3 or u > 0x0CD6 else 'AFTER_SUB'
  if block == 'Malayalam': return  'AFTER_POST'
  return 'AFTER_SUB'
def matra_pos_top(u, block):
  # BENG and MLYM don't have top matras.
  if block == 'Devanagari': return  'AFTER_SUB'
  if block == 'Gurmukhi': return  'AFTER_POST' # Deviate from spec
  if block == 'Gujarati': return  'AFTER_SUB'
  if block == 'Oriya':  return  'AFTER_MAIN'
  if block == 'Tamil':  return  'AFTER_SUB'
  if block == 'Telugu':  return  'BEFORE_SUB'
  if block == 'Kannada': return  'BEFORE_SUB'
  return 'AFTER_SUB'
def matra_pos_bottom(u, block):
  if block == 'Devanagari': return  'AFTER_SUB'
  if block == 'Bengali': return  'AFTER_SUB'
  if block == 'Gurmukhi': return  'AFTER_POST'
  if block == 'Gujarati': return  'AFTER_POST'
  if block == 'Oriya':  return  'AFTER_SUB'
  if block == 'Tamil':  return  'AFTER_POST'
  if block == 'Telugu':  return  'BEFORE_SUB'
  if block == 'Kannada': return  'BEFORE_SUB'
  if block == 'Malayalam': return  'AFTER_POST'
  return "AFTER_SUB"
def indic_matra_position(u, pos, block): # Reposition matra
  if pos == 'PRE_C': return matra_pos_left(u, block)
  if pos == 'POST_C': return matra_pos_right(u, block)
  if pos == 'ABOVE_C': return matra_pos_top(u, block)
  if pos == 'BELOW_C': return matra_pos_bottom(u, block)
  assert (False)

def position_to_category(pos):
  if pos == 'PRE_C': return 'VPre'
  if pos == 'ABOVE_C': return 'VAbv'
  if pos == 'BELOW_C': return 'VBlw'
  if pos == 'POST_C': return 'VPst'
  assert(False)


defaults = (category_map[defaults[0]], position_map[defaults[1]], defaults[2])

indic_data = {}
for k, (cat, pos, block) in combined.items():
  cat = category_map[cat]
  if cat == 'SM' and pos == 'Not_Applicable':
    cat = 'SMPst'
  pos = position_map[pos]
  indic_data[k] = (cat, pos, block)

for k,new_cat in category_overrides.items():
  (cat, pos, _) = indic_data.get(k, defaults)
  indic_data[k] = (new_cat, pos, unicode_data[2][k])

# We only expect position for certain types
positioned_categories = ('CM', 'SM', 'RS', 'H', 'M', 'MPst')
for k, (cat, pos, block) in indic_data.items():
  if cat not in positioned_categories:
    pos = 'END'
    indic_data[k] = (cat, pos, block)

# Position overrides are more complicated

# Keep in sync with CONSONANT_FLAGS in the shaper
consonant_categories = ('C', 'CS', 'Ra','CM', 'V', 'PLACEHOLDER', 'DOTTEDCIRCLE')
matra_categories = ('M', 'MPst')
smvd_categories = ('SM', 'SMPst', 'VD', 'A', 'Symbol')
for k, (cat, pos, block) in indic_data.items():
  if cat in consonant_categories:
    pos = 'BASE_C'
  elif cat in matra_categories:
    if block.startswith('Khmer') or block.startswith('Myanmar'):
      cat = position_to_category(pos)
    else:
      pos = indic_matra_position(k, pos, block)
  elif cat in smvd_categories:
    pos = 'SMVD';
  indic_data[k] = (cat, pos, block)

for k,new_pos in position_overrides.items():
  (cat, pos, _) = indic_data.get(k, defaults)
  indic_data[k] = (cat, new_pos, unicode_data[2][k])


values = [{_: 1} for _ in defaults]
for vv in indic_data.values():
  for i,v in enumerate(vv):
    values[i][v] = values[i].get (v, 0) + 1




# Move the outliers NO-BREAK SPACE and DOTTED CIRCLE out
singles = {}
for u in ALLOWED_SINGLES:
 singles[u] = indic_data[u]
 del indic_data[u]

print ("/* == Start of generated table == */")
print ("/*")
print (" * The following table is generated by running:")
print (" *")
print (" * ./gen-indic-table.py IndicSyllabicCategory.txt IndicPositionalCategory.txt Blocks.txt")
print (" *")
print (" * on files with these headers:")
print (" *")
for h in headers:
 for l in h:
  print (" * %s" % (l.strip()))
print (" */")
print ()
print ('#include "hb.hh"')
print ()
print ('#ifndef HB_NO_OT_SHAPE')
print ()
print ('#include "hb-ot-shaper-indic.hh"')
print ()
print ('#pragma GCC diagnostic push')
print ('#pragma GCC diagnostic ignored "-Wunused-macros"')
print ()

# Print categories
for shaper in categories:
  print ('#include "hb-ot-shaper-%s-machine.hh"' % shaper)
print ()
done = {}
for shaper, shaper_cats in categories.items():
  print ('/* %s */' % shaper)
  for cat in shaper_cats:
    v = shaper[0].upper()
    if cat not in done:
      print ("#define OT_%s %s_Cat(%s)" % (cat, v, cat))
      done[cat] = v
    else:
      print ('static_assert (OT_%s == %s_Cat(%s), "");' % (cat, v, cat))
print ()

# Shorten values
short = [{
 "Repha":  'Rf',
 "PLACEHOLDER":  'GB',
 "DOTTEDCIRCLE":  'DC',
 "SMPst":  'SP',
 "VPst":   'VR',
 "VPre":   'VL',
 "Robatic":  'Rt',
 "Xgroup":  'Xg',
 "Ygroup":  'Yg',
 "As":   'As',
},{
 "END":   'X',
 "BASE_C":  'C',
 "ABOVE_C":  'T',
 "BELOW_C":  'B',
 "POST_C":  'R',
 "PRE_C":  'L',
 "PRE_M":  'LM',
 "AFTER_MAIN":  'A',
 "AFTER_SUB":  'AS',
 "BEFORE_SUB":  'BS',
 "AFTER_POST":  'AP',
 "SMVD":   'SM',
}]
all_shorts = [{},{}]

# Add some of the values, to make them more readable, and to avoid duplicates

for i in range (2):
 for v,s in short[i].items ():
  all_shorts[i][s] = v

what = ["OT", "POS"]
what_short = ["_OT", "_POS"]
cat_defs = []
for i in range (2):
 vv = sorted (values[i].keys ())
 for v in vv:
  v_no_and = v.replace ('_And_', '_')
  if v in short[i]:
   s = short[i][v]
  else:
   s = ''.join ([c for c in v_no_and if ord ('A') <= ord (c) <= ord ('Z')])
   if s in all_shorts[i]:
    raise Exception ("Duplicate short value alias", v, all_shorts[i][s])
   all_shorts[i][s] = v
   short[i][v] = s
  cat_defs.append ((what_short[i] + '_' + s, what[i] + '_' + (v.upper () if i else v), str (values[i][v]), v))

maxlen_s = max ([len (c[0]) for c in cat_defs])
maxlen_l = max ([len (c[1]) for c in cat_defs])
maxlen_n = max ([len (c[2]) for c in cat_defs])
for s in what_short:
 print ()
 for c in [c for c in cat_defs if s in c[0]]:
  print ("#define %s %s /* %s chars; %s */" %
   (c[0].ljust (maxlen_s), c[1].ljust (maxlen_l), c[2].rjust (maxlen_n), c[3]))
print ()
print ('#pragma GCC diagnostic pop')
print ()
print ("#define INDIC_COMBINE_CATEGORIES(S,M) ((S) | ((M) << 8))")
print ()
print ("#define _(S,M) INDIC_COMBINE_CATEGORIES (%s_##S, %s_##M)" % tuple(what_short))
print ()
print ()

total = 0
used = 0
last_block = None
def print_block (block, start, end, data):
 global total, used, last_block
 if block and block != last_block:
  print ()
  print ()
  print (" /* %s */" % block)
 num = 0
 assert start % 8 == 0
 assert (end+1) % 8 == 0
 for u in range (start, end+1):
  if u % 8 == 0:
   print ()
   print (" /* %04X */" % u, end="")
  if u in data:
   num += 1
  d = data.get (u, defaults)
  print ("%9s" % ("_(%s,%s)," % (short[0][d[0]], short[1][d[1]])), end="")

 total += end - start + 1
 used += num
 if block:
  last_block = block

uu = sorted (indic_data)

last = -100000
num = 0
offset = 0
starts = []
ends = []
print ("static const uint16_t indic_table[] = {")
for u in uu:
 if u <= last:
  continue
 block = indic_data[u][2]

 start = u//8*8
 end = start+1
 while end in uu and block == indic_data[end][2]:
  end += 1
 end = (end-1)//8*8 + 7

 if start != last + 1:
  if start - last <= 1+16*2:
   print_block (None, last+1, start-1, indic_data)
  else:
   if last >= 0:
    ends.append (last + 1)
    offset += ends[-1] - starts[-1]
   print ()
   print ()
   print ("#define indic_offset_0x%04xu %d" % (start, offset))
   starts.append (start)

 print_block (block, start, end, indic_data)
 last = end
ends.append (last + 1)
offset += ends[-1] - starts[-1]
print ()
print ()
occupancy = used * 100. / total
page_bits = 12
print ("}; /* Table items: %d; occupancy: %d%% */" % (offset, occupancy))
print ()
print ("uint16_t")
print ("hb_indic_get_categories (hb_codepoint_t u)")
print ("{")
print (" switch (u >> %d)" % page_bits)
print (" {")
pages = set ([u>>page_bits for u in starts+ends+list (singles.keys ())])
for p in sorted(pages):
 print (" case 0x%0Xu:" % p)
 for u,d in singles.items ():
  if p != u>>page_bits: continue
  print (" if (unlikely (u == 0x%04Xu)) return _(%s,%s);" % (u, short[0][d[0]], short[1][d[1]]))
 for (start,end) in zip (starts, ends):
  if p not in [start>>page_bits, end>>page_bits]: continue
  offset = "indic_offset_0x%04xu" % start
  print (" if (hb_in_range (u, 0x%04Xu, 0x%04Xu)) return indic_table[u - 0x%04Xu + %s];" % (start, end-1, start, offset))
 print (" break;")
 print ("")
print (" default:")
print (" break;")
print (" }")
print (" return _(X,X);")
print ("}")
print ()
print ("#undef _")
print ("#undef INDIC_COMBINE_CATEGORIES")
for i in range (2):
 print ()
 vv = sorted (values[i].keys ())
 for v in vv:
  print ("#undef %s_%s" %
   (what_short[i], short[i][v]))
print ()
print ('#endif')
print ()
print ("/* == End of generated table == */")

# Maintain at least 50% occupancy in the table */
if occupancy < 50:
 raise Exception ("Table too sparse, please investigate: ", occupancy)