inCHISE-5.6

   1 #!/usr/bin/perl
   2
   3 # ver.0.2
   4
   5 use strict;
   6 use vars qw($omegadb_path
   7             $opt_protrude $opt_order
   8             $opt_in_cs $opt_out_cs
   9             $opt_help $usage
  10             $in_cs $out_cs $i @chars
  11             @order %order
  12             $char $char_id $out_char
  13             $ids $ids_argc %ids $idsdb
  14             $idsdata_file $ids_start $font_start
  15             $inotp $perl56 $perl58
  16             @CDP @HZK @GT
  17             );
  18 use Getopt::Long;
  19 use utf8;
  20 use Fcntl ':flock';
  21 use Chise_utils ':all';
  22
  23 my $omegadb_path="/usr/local/lib/chise/omega";
  24
  25 ### Options ###
  26
  27 $opt_order='jcgk';
  28 #$opt_order='jtcgkhd';
  29 $opt_protrude=0;# 1=true, 0=false.
  30
  31 ###
  32 my $strictly_forbidden_after = '「【『［（〈“‘‘（〔｛《{\[\(\x{3016}｛｢';
  33 #       \x{3016} | # white 【
  34
  35 my $forbidden_after = "\x{0000}";
  36
  37 # ￥¥＄$〒♯＃#￠¢￡£＠@§
  38 my $slightly_forbidden_after = '￥¥＄$〒♯＃#￠¢￡£＠@§';
  39
  40 # $strictly_forbidden_before
  41 # All these characters are allowed to protrude
  42 # in the right margin
  43 my $strictly_forbidden_before=
  44     '!,.:;?、。！，．：；？。\)#}’”〉》」』】〕\x{3017}）］｝｝」\]';
  45 ###       \x{3017} | # white 】
  46
  47 my $forbidden_before
  48     = 'ー々ぁぃぅぇぉゃゅょっゎァィゥェォャュョッヮヵヶ';
  49
  50 my $slightly_forbidden_before
  51     = '\x{000a}\#\-‐−‰′″℃゛゜ゝゞヽヾ＂％－ﾞﾟ';
  52
  53 my $asian = '\x{1100}-\x{11FF}\x{2E80}-\x{D7AF}\x{F900}-\x{FAFF}\x{FE30}-\x{FE4F}\x{FF00}-';
  54
  55 my $space = '\x{0020}\x{0009}\x{000A}\x{000C}\x{000D}';
  56
  57 if($^V and $^V ge v5.8){
  58     $perl58=1;
  59 }elsif($^V and $^V ge v5.6){
  60     $perl56=1;
  61 }else{
  62     print STDERR "This versin is not supported.";
  63     exit 1;
  64 }
  65 if($perl58){
  66     eval "use Encode";
  67     binmode(STDIN, ':encoding(utf8)');
  68     binmode(STDOUT, ':encoding(utf8)');
  69 }
  70
  71 &GetOptions("in=s"=>\$opt_in_cs,
  72             "out=s"=>\$opt_out_cs,
  73             "help",\$opt_help);
  74
  75 $usage=<<EOF;
  76 Usage: $0 -i <input coding system> -o <cmap encoding>
  77     input coding system:
  78       Utf8mcs, Utf8cns, Utf8gb, Utf8jis, Utf8ks
  79     cmap encoding:
  80       UniCNS, UniGB, UniJIS, UniKS, UniMulti
  81 EOF
  82
  83 if($opt_in_cs or $opt_out_cs){
  84     $in_cs=$opt_in_cs;
  85     $out_cs=$opt_out_cs;
  86 }elsif(@ARGV==0){
  87     ($in_cs,$out_cs)=($0=~/(Utf8.+)To(\w+)/);
  88     $inotp=1;
  89 }
  90
  91 # $in_cs:
  92 #   Utf8mcs,Utf8cns,Utf8gb,Utf8jis,Utf8ks,
  93 # $out_cs:
  94 #   UniCNS,UniGB,UniJIS,UniKS,UniMulti
  95
  96 $in_cs=~s/Utf8/ucs\@/;
  97
  98 if($opt_help
  99    or not defined($in_cs)
 100    or not defined($out_cs)){
 101     print $usage;
 102     exit 1;
 103 }
 104
 105 $omegadb_path=~s!/$!!;
 106
 107 $idsdata_file="$omegadb_path/idsdata.pl";
 108 $ids_start=0x00;
 109 $font_start=0;
 110
 111 if(-e $idsdata_file){
 112     open(IDSDATA,"+<$idsdata_file") or die;
 113     flock(IDSDATA,LOCK_EX);
 114     seek(IDSDATA,0,0);
 115     while(<IDSDATA>){
 116         eval $_;
 117     }
 118     seek(IDSDATA,0,0);
 119 #         require $idsdata_file;
 120 }else{
 121     open(IDSDATA,">$idsdata_file") or die;
 122     flock(IDSDATA,LOCK_EX);
 123     seek(IDSDATA,0,0);
 124 }
 125
 126 $ids_argc=0;
 127 $ids="";
 128
 129 @GT=(#"=gt","=gt-k",
 130      "=gt-pj-1","=gt-pj-2","=gt-pj-3","=gt-pj-4","=gt-pj-5","=gt-pj-6","=gt-pj-7","=gt-pj-8","=gt-pj-9","=gt-pj-10","=gt-pj-11"
 131      #,"=gt-pj-k1","=gt-pj-k2"
 132      );
 133 @HZK=("=hanziku-1","=hanziku-2","=hanziku-3","=hanziku-4","=hanziku-5","=hanziku-6","=hanziku-7","=hanziku-8","=hanziku-9","=hanziku-10","=hanziku-11","=hanziku-12");
 134 @CDP=("=big5-cdp");
 135
 136 %order=('c'=>'UniCNS',
 137         'g'=>'UniGB',
 138         'j'=>'UniJIS',
 139         'k'=>'UniKS',
 140         't'=>'GT',
 141         'h'=>'HZK',
 142         'd'=>'CDP',
 143         );
 144
 145 if(defined($opt_order)){
 146     if($opt_order=~/^[cgjkthd]*$/){
 147         @order=split(//,$opt_order);
 148         @order=map {$order{$_}} @order;
 149     }else{
 150         print STDERR "Invalid order!\n";
 151         exit 1;
 152     }
 153 }
 154
 155 while(<>){
 156     if($perl56){
 157         # for perl 5.6
 158         if($inotp){
 159             s/(.)/pack("c",&get_char_id(unpack("U",$1),$in_cs))/ge;
 160         }else{
 161             s/(.)/pack("U",&get_char_id(unpack("U",$1),$in_cs))/ge;
 162         }
 163     }elsif($perl58){
 164         # for perl 5.8.
 165         $_=decode('utf8', $_);
 166         s/(.)/pack("U",&get_char_id(unpack("U",$1),$in_cs))/ge;
 167     }
 168     s/(amp.+?;)/&de_er($1)/ge;
 169 #    s/(&.+?;)/&de_er($1)/ge;
 170     @chars=split(//);
 171     for($i=0;$i<=$#chars;$i++){
 172         $char=$chars[$i];
 173         $char_id=unpack("U",$char);
 174
 175         if($char_id<=0x20){
 176             print $chars[$i];
 177             next;
 178         }elsif($char_id>0x20 and $char_id<=0x02af){
 179             # Basic Latin
 180             # Latin-1 Supplement
 181             # Latin Extended-A
 182             # Latin Extended-B
 183             # IPA Extensions
 184             print &latin_parse();
 185             next;
 186         }elsif($char_id>=0x2ff0 and $char_id<=0x2fff){
 187             # Ideographic Description Characters
 188             print &ids_parse();
 189             next;
 190         }else{
 191             if(($out_char=&get_output_char($char_id,$out_cs))){
 192                 print $out_char,&add_break($i);
 193             }elsif($char_id >= 0x20000 && $char_id <=0x2a6df){
 194                 # CJK Unified Ideographs Extension B
 195                 if(not defined($ids{$char}) and $ids{$char}[1]>=0){
 196                     $ids{$char}[0]=$font_start;
 197                     $ids{$char}[1]=$ids_start;
 198                     $ids_start++;
 199                     if($ids_start>255){
 200                         $ids_start=0;
 201                         $font_start++;
 202                     }
 203                 }
 204                 print "{\\fontencoding{OT1}\\fontfamily{" .
 205                     sprintf("chise%03d",$ids{$char}[0]) .
 206                     "}\\selectfont\\char$ids{$char}[1]}",&add_break($i);
 207                 next;
 208             }else{
 209                 if($ids=&get_ids($char)){
 210                     print &get_macro_for_ids($ids),&add_break($i);
 211                 }else{
 212                     print '\rule{1ex}{1ex}',&add_break($i);
 213                 }
 214             }
 215         }
 216     }
 217 }
 218
 219 print IDSDATA 'use utf8;',"\n";
 220 foreach $ids (keys %ids){
 221     print IDSDATA '$ids{\'',$ids,'\'}=[',join ",",@{$ids{$ids}},"];\n" if($perl56);
 222     print IDSDATA '$ids{\'',encode('utf8',$ids),'\'}=[',join ",",@{$ids{$ids}},"];\n" if($perl58);
 223 }
 224 print IDSDATA '$font_start=',$font_start,";\n";
 225 print IDSDATA '$ids_start=',$ids_start,";\n";
 226 print IDSDATA "1;";
 227 flock(IDSDATA,LOCK_UN);
 228
 229 exit 0;
 230
 231 sub add_break{
 232     my($i)=@_;
 233
 234     if($i<($#chars-1)){
 235         if(($chars[$i+1]=~m/[$strictly_forbidden_before]/o)
 236            and($chars[$i+2]=~m/[$strictly_forbidden_before]/o)){
 237             return "\\CJKunbreakablekernone ";
 238         }elsif($opt_protrude){
 239             if(($chars[$i+1]=~m/[$strictly_forbidden_before]/o)
 240                and($chars[$i+2]=~m/[^$strictly_forbidden_before]/o)){
 241                 return "\\CJKunbreakablekernone \\CJKprotrude ";
 242             }
 243         }
 244     }
 245     if(($i<$#chars)
 246        and($chars[$i+1]=~m/[$strictly_forbidden_before]/o)){
 247         return "\\CJKunbreakablekernone ";
 248     }
 249     if($chars[$i]=~m/[$strictly_forbidden_after]/o){
 250         return "\\CJKunbreakablekernone ";
 251     }
 252     if(($i<$#chars)
 253        and($chars[$i+1]=~m/[$forbidden_before]/o)){
 254         return "\\CJKunbreakablekerntwo ";
 255
 256     }
 257     if($chars[$i]=~m/[$forbidden_after]/o){
 258         return "\\CJKunbreakablekerntwo ";
 259     }
 260     if(($i<$#chars)
 261        and($chars[$i+1]=~m/[$slightly_forbidden_before]/o)){
 262         return "\\CJKunbreakablekernthree ";
 263     }
 264     if($chars[$i]=~m/[$slightly_forbidden_after]/o){
 265         return "\\CJKunbreakablekernthree ";
 266     }
 267     if($chars[$i]=~m/[$asian]/o){
 268         return "\\CJKbreakablekern ";
 269     }
 270     if(($i<$#chars)and($chars[$i+1]=~m/[$asian]/o)){
 271         return "\\CJKbreakablekern ";
 272     }
 273 }
 274
 275 sub latin_parse{
 276     # arguments: none
 277     # return: string for output with TeX macro.
 278     my($char_id);
 279     my $out_str=$chars[$i];
 280     $i++;
 281     while($i<=$#chars){
 282         $char_id=unpack("U",$chars[$i]);
 283         if($char_id>0x20 and $char_id<=0x02af){
 284             $out_str.=pack("U",$char_id);
 285         }else{
 286             $i--;
 287             last;
 288         }
 289         $i++;
 290     }
 291     return '{\normalfont {'.$out_str.'}}';
 292 }
 293
 294 sub ids_parse{
 295     # arguments: none
 296     # return: character for output,
 297     #          TeX macro for ids,
 298     #          or GETA character if ids is invalid.
 299     my($ids,$ids_argc)=&ids_rest("",0,$chars[$i]);
 300
 301     while($ids_argc>0){
 302         # We are in IDS.
 303         $i++;
 304         if($i>$#chars){
 305             print STDERR "IDS parse error: $ids\n";
 306 #           return pack("U",0xfffd);
 307             return pack("U",0x3013);
 308         }
 309
 310         ($ids,$ids_argc)=&ids_rest($ids,$ids_argc,$chars[$i]);
 311         if($ids_argc==0){
 312             if(($char_id=&get_char_id_for_ids($ids))
 313                and($out_char=&get_output_char($char_id,$out_cs))){
 314                 return $out_char;
 315             }else{
 316                 return &get_macro_for_ids($ids) if($perl56);
 317                 return encode('utf8', &get_macro_for_ids($ids)) if($perl58);
 318             }
 319         }
 320     }
 321 }
 322
 323 sub ids_rest{
 324     # arguments: <ids>, <rest number of arguments for ids>, <character>
 325     # return: ids and rest number of arguments for ids.
 326     my($ids,$ids_argc,$char)=@_;
 327     my($argc);
 328     $argc=&ids_argc($char);
 329     if($argc){
 330         $ids_argc+= $ids_argc==0 ? $argc : $argc-1;
 331     }else{
 332         $ids_argc--;
 333     }
 334     $ids.=$char if($perl56);
 335     $ids.=encode('utf8',$char) if($perl58);
 336     return ($ids,$ids_argc);
 337 }
 338
 339 sub get_macro_for_ids{
 340     # argument: <ids>
 341     # return: TeX macro for ids
 342     #          or GETA character if ids is invalid for KAGE.
 343     my($ids)=@_;
 344     $ids=&normalize_ids($ids,"UniJIS");
 345 #    return pack("U",0xfffd) if(($ids!~/[$idc]/)
 346     return pack("U",0x3013) if(($ids!~/[$idc]/)
 347                                or($ids=~/[\x{10000}-]/));
 348                     #irregular for KAGE.
 349     if(not defined($ids{$ids}) and $ids{$ids}[1]>=0){
 350         $ids{$ids}[0]=$font_start;
 351         $ids{$ids}[1]=$ids_start;
 352         $ids_start++;
 353     }
 354     if($ids_start>255){
 355         $ids_start=0;
 356         $font_start++;
 357     }
 358     return "{\\fontencoding{OT1}\\fontfamily{"
 359         .sprintf("chise%03d",$ids{$ids}[0])
 360         ."}\\selectfont\\char$ids{$ids}[1]}";
 361 }
 362
 363 sub normalize_ids{
 364     # argument: <ids>, <output coding system>
 365     # return: ids or GETA character if ids is invalid for KAGE.
 366     my($ids,$out_cs)=@_;
 367     $ids = decode('utf8', $ids) if $perl58;
 368     $out_cs=~s/Uni(.+)/'ucs@'.lc($1)/e;
 369
 370     my $output_ids="";
 371     my($char,$char_id,$output_char_id);
 372     while($ids=~m/(.)/g){
 373         $char=$1;
 374         $char_id=unpack("U",$char);
 375         if($char=~/[$idc]/){
 376             $output_ids.=$char;
 377         }elsif($output_char_id=&get_char_attribute($char,"=$out_cs")){
 378             $output_ids.=pack("U",$output_char_id);
 379         }elsif($output_char_id=&get_char_attribute($char,"=ucs")){
 380             $output_ids.=pack("U",$output_char_id);
 381         }else{
 382 #           return pack("U",0xfffd);
 383             return pack("U",0x3013);
 384         }
 385     }
 386     return $output_ids;
 387 }
 388
 389 sub get_output_char{
 390     # argument: <char-id>
 391     # return: character in output coding system or TeX macro.
 392     my($char_id,$out_cs)=@_;
 393     my($char,$out_char_id,$suffix);
 394     my($gt,$hzk,$cdp);
 395
 396     $char=pack('U',$char_id);
 397
 398     if($out_cs eq 'UniJIS'
 399        and &get_char_attribute($char,"vnd-adobe-cid-unijis-utf16-h")){
 400         if($out_char_id=&get_char_attribute($char,'=ucs@jis')
 401            or $out_char_id=&get_char_attribute($char,'=ucs')
 402            or $out_char_id=&get_char_attribute($char,'=>ucs@jis')
 403            or $out_char_id=&get_char_attribute($char,'=>ucs')
 404            ){
 405             return pack("U",$out_char_id);
 406         }
 407     }elsif($out_cs eq 'UniGB'
 408            and &get_char_attribute($char,"vnd-adobe-cid-unigb-ucs2-h")){
 409         if($out_char_id=&get_char_attribute($char,'=ucs@gb')
 410            or $out_char_id=&get_char_attribute($char,'=ucs')
 411            or $out_char_id=&get_char_attribute($char,'=>ucs@gb')
 412            or $out_char_id=&get_char_attribute($char,'=>ucs')
 413            ){
 414             return pack("U",$out_char_id);
 415         }
 416     }elsif($out_cs eq 'UniCNS'
 417            and &get_char_attribute($char,"vnd-adobe-cid-unicns-ucs2-h")){
 418         if($out_char_id=&get_char_attribute($char,'=ucs@cns')
 419            or $out_char_id=&get_char_attribute($char,'=ucs')
 420            or $out_char_id=&get_char_attribute($char,'=>ucs@cns')
 421            or $out_char_id=&get_char_attribute($char,'=>ucs')
 422            ){
 423             return pack("U",$out_char_id);
 424         }
 425     }elsif($out_cs eq 'UniKS'
 426            and &get_char_attribute($char,"vnd-adobe-cid-uniks-ucs2-h")){
 427         if($out_char_id=&get_char_attribute($char,'=ucs@ks')
 428            or $out_char_id=&get_char_attribute($char,'=ucs')
 429            or $out_char_id=&get_char_attribute($char,'=>ucs@ks')
 430            or $out_char_id=&get_char_attribute($char,'=>ucs')
 431            ){
 432             return pack("U",$out_char_id);
 433         }
 434     }elsif($out_cs eq 'UniMulti'){
 435         foreach $out_cs (@order){
 436
 437             if($out_cs eq 'UniJIS'
 438                and &get_char_attribute($char,"vnd-adobe-cid-unijis-utf16-h")){
 439                 if($out_char_id=&get_char_attribute($char,'=ucs@jis')
 440                    or $out_char_id=&get_char_attribute($char,'=ucs')
 441                    or $out_char_id=&get_char_attribute($char,'=>ucs@jis')
 442                    or $out_char_id=&get_char_attribute($char,'=>ucs')
 443                    ){
 444                     return '{\selectjisfont\char'.$out_char_id.'}';
 445                 }
 446             }elsif($out_cs eq 'UniGB'
 447                    and &get_char_attribute($char,"vnd-adobe-cid-unigb-ucs2-h")){
 448                 if($out_char_id=&get_char_attribute($char,'=ucs@gb')
 449                    or $out_char_id=&get_char_attribute($char,'=ucs')
 450                    or $out_char_id=&get_char_attribute($char,'=>ucs@gb')
 451                    or $out_char_id=&get_char_attribute($char,'=>ucs')
 452                    ){
 453                     return '{\selectgbsfont\char'.$out_char_id.'}';
 454                 }
 455             }elsif($out_cs eq 'UniCNS'
 456                    and &get_char_attribute($char,"vnd-adobe-cid-unicns-ucs2-h")){
 457                 if($out_char_id=&get_char_attribute($char,'=ucs@cns')
 458                    or $out_char_id=&get_char_attribute($char,'=ucs')
 459                    or $out_char_id=&get_char_attribute($char,'=>ucs@cns')
 460                    or $out_char_id=&get_char_attribute($char,'=>ucs')
 461                    ){
 462                     return '{\selectcnsfont\char'.$out_char_id.'}';
 463                 }
 464             }elsif($out_cs eq 'UniKS'
 465                    and &get_char_attribute($char,"vnd-adobe-cid-uniks-ucs2-h")){
 466                 if($out_char_id=&get_char_attribute($char,'=ucs@ks')
 467                    or $out_char_id=&get_char_attribute($char,'=ucs')
 468                    or $out_char_id=&get_char_attribute($char,'=>ucs@ks')
 469                    or $out_char_id=&get_char_attribute($char,'=>ucs')
 470                    ){
 471                     return '{\selectksxfont\char'.$out_char_id.'}';
 472                 }
 473             }elsif($out_cs eq 'GT'){
 474                 return $gt if($gt=&get_macro_for_GT($char_id));
 475             }elsif($out_cs eq 'HZK'){
 476                 return $hzk if($hzk=&get_macro_for_HZK($char_id));
 477             }elsif($out_cs eq 'CDP'){
 478                 return $cdp if($cdp=&get_macro_for_CDP($char_id));
 479             }
 480         }
 481     }
 482     return undef;
 483 }
 484
 485 sub get_ids{
 486     # argument: <character>
 487     # return: ids
 488     my($char)=@_;
 489     my $ids="";
 490     $ids=&get_char_attribute($char,"ids-aggregated")
 491         or $ids=&get_char_attribute($char,"ids");
 492 #         or $ids=&get_char_attribute($char,"ideographic-structure");
 493     $ids=decode('utf8', $ids) if($perl58);
 494 #    $ids=~s/[? ()]//g;
 495     return $ids;
 496 }
 497
 498 sub get_char_id_for_ids{
 499     # argument: <ideographic description sequence>
 500     # return: char-id
 501     my($ids)=@_;
 502     my($output_char);
 503     $ids=decode('utf8', $ids) if($perl58);
 504
 505     if(($output_char)=&get_chars_matching("ids",$ids)){
 506         return unpack("U",$output_char);
 507     }else{
 508         return undef;
 509     }
 510 }
 511
 512 sub get_char_id{
 513     # argument: <char-id>, <input coding system>
 514     # return:   char-id.
 515     my($char_id,$in_cs)=@_;
 516     my($output_char);
 517
 518     return $char_id if($in_cs eq 'ucs@mcs');
 519
 520     if(($output_char)=&get_chars_matching("=$in_cs",$char_id)){
 521         return unpack("U",$output_char);
 522     }else{
 523         return $char_id;
 524     }
 525 }
 526
 527 sub get_macro_for_GT{
 528     # argument: <char-id>
 529     # return: TeX macro for GT fonts.
 530     my($char_id)=@_;
 531     my($char,$gt,$GT);
 532     $char=pack("U",$char_id);
 533     foreach (@GT){
 534         if($gt=&get_char_attribute($char,$_)){
 535             m/gt\-pj\-(\d+)/ and $GT=$1;
 536             last;
 537         }
 538     }
 539     if($gt){
 540         return "{\\fontencoding{OT1}\\fontfamily{"
 541             .sprintf("gt%02d",$GT)
 542             ."}\\selectfont\\char".($gt|0x8080)."}";
 543     }else{
 544         return undef;
 545     }
 546 }
 547
 548 sub get_macro_for_HZK{
 549     my($char_id)=@_;
 550     my($char,$hzk,$HZK);
 551     $char=pack("U",$char_id);
 552     foreach (@HZK){
 553         if($hzk=&get_char_attribute($char,$_)){
 554             m/hanziku\-(\d+)/ and $HZK=$1;
 555             last;
 556         }
 557     }
 558     if($hzk){
 559         return "{\\fontencoding{OT1}\\fontfamily{".sprintf("hzk%02d",$HZK)."}\\selectfont\\char".$hzk."}";
 560     }else{
 561         return undef;
 562     }
 563 }
 564
 565 sub get_macro_for_CDP{
 566     my($char_id)=@_;
 567     my($char,$cdp,$ucs);
 568     $char=pack("U",$char_id);
 569     foreach (@CDP){
 570         if($cdp=&get_char_attribute($char,$_)){
 571             last;
 572         }
 573     }
 574     if($cdp){
 575         $ucs=&get_char_attribute(&get_chars_matching("=big5-pua",$cdp),"=ucs");
 576         if($ucs){
 577             return "{\\fontencoding{OT1}\\fontfamily{cdp}\\selectfont\\char"
 578                 .$ucs.
 579                     "}";
 580         }else{
 581             print STDERR "This hould not happen.\n";
 582             print STDERR "ucs code point of CDP: $cdp not found.\n";
 583         }
 584     }else{
 585         return undef;
 586     }
 587 }