outCMAP

   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             %utf8mcs_map_from
  16             $inotp $perl56 $perl58
  17             @CDP @HZK @GT
  18             );
  19 use Getopt::Long;
  20 use utf8;
  21 use Fcntl ':flock';
  22 use Chise_utils ':all';
  23
  24 my $omegadb_path="/usr/local/lib/chise/omega";
  25
  26 ### Options ###
  27
  28 $opt_order='jtcgkh';
  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 $ids="";
 128
 129 @GT=(#"=gt","=gt-k",
 130      "=gt-pj-1","=gt-pj-2","=gt-pj-3","=gt-pj-4","=gt-pj-5","=gt-pj-6","=gt-pj-7","=gt-pj-8","=gt-pj-9","=gt-pj-10","=gt-pj-11"
 131      #,"=gt-pj-k1","=gt-pj-k2"
 132      );
 133 @HZK=("=hanziku-1","=hanziku-2","=hanziku-3","=hanziku-4","=hanziku-5","=hanziku-6","=hanziku-7","=hanziku-8","=hanziku-9","=hanziku-10","=hanziku-11","=hanziku-12");
 134 @CDP=("=big5-cdp");
 135
 136 %order=('c'=>'UniCNS',
 137         'g'=>'UniGB',
 138         'j'=>'UniJIS',
 139         'k'=>'UniKS',
 140         't'=>'GT',
 141         'h'=>'HZK',
 142         # not implemented yet.
 143         # 'd'=>'CDP',
 144         );
 145
 146 if(defined($opt_order)){
 147     if($opt_order=~/^[cgjkth]*$/){
 148         @order=split(//,$opt_order);
 149         @order=map {$order{$_}} @order;
 150     }else{
 151         print STDERR "Invalid order!\n";
 152         exit 1;
 153     }
 154 }
 155
 156 while(<>){
 157     if($perl56){
 158         # for perl 5.6
 159         if($inotp){
 160             s/(.)/pack("c",&get_char_id(unpack("U",$1),$in_cs))/ge;
 161         }else{
 162             s/(.)/pack("U",&get_char_id(unpack("U",$1),$in_cs))/ge;
 163         }
 164     }elsif($perl58){
 165         # for perl 5.8.
 166         $_=decode('utf8', $_);
 167         s/(.)/pack("U",&get_char_id(unpack("U",$1),$in_cs))/ge;
 168     }
 169     s/(amp.+?;)/&de_er($1)/ge;
 170 #    s/(&.+?;)/&de_er($1)/ge;
 171     @chars=split(//);
 172     for($i=0;$i<=$#chars;$i++){
 173         $char=$chars[$i];
 174         $char_id=unpack("U",$char);
 175
 176         if($char_id<=0x20){
 177             print $chars[$i];
 178             next;
 179         }elsif($char_id>0x20 and $char_id<=0x02ff){
 180             # Basic Latin
 181             # Latin-1 Supplement
 182             # Latin Extended-A
 183             # Latin Extended-B
 184             # IPA Extensions
 185             print &latin_parse();
 186             next;
 187         }elsif($char_id>=0x2ff0 and $char_id<=0x2fff){
 188             # Ideographic Description Characters
 189             print &ids_parse();
 190             next;
 191         }else{
 192             if(($out_char=&get_output_char($char_id,$out_cs))){
 193                 print $out_char,&add_break($i);
 194             }elsif($char_id >= 0x20000 && $char_id <=0x2a6df){
 195                 # CJK Unified Ideographs Extension B
 196                 if(not defined($ids{$char}) and $ids{$char}[1]>=0){
 197                     $ids{$char}[0]=$font_start;
 198                     $ids{$char}[1]=$ids_start;
 199                     $ids_start++;
 200                     if($ids_start>255){
 201                         $ids_start=0;
 202                         $font_start++;
 203                     }
 204                 }
 205                 print "{\\fontencoding{OT1}\\fontfamily{" .
 206                     sprintf("chise%03d",$ids{$char}[0]) .
 207                     "}\\selectfont\\char$ids{$char}[1]}",&add_break($i);
 208                 next;
 209             }else{
 210                 if($ids=&get_ids($char)){
 211                     print &get_macro_for_ids($ids),&add_break($i);
 212                 }else{
 213                     print '\rule{1ex}{1ex}',&add_break($i);
 214                 }
 215             }
 216         }
 217     }
 218 }
 219
 220 print IDSDATA 'use utf8;',"\n";
 221 foreach $ids (keys %ids){
 222     print IDSDATA '$ids{\'',$ids,'\'}=[',join ",",@{$ids{$ids}},"];\n" if($perl56);
 223     print IDSDATA '$ids{\'',encode('utf8',$ids),'\'}=[',join ",",@{$ids{$ids}},"];\n" if($perl58);
 224 }
 225 print IDSDATA '$font_start=',$font_start,";\n";
 226 print IDSDATA '$ids_start=',$ids_start,";\n";
 227 print IDSDATA "1;";
 228 flock(IDSDATA,LOCK_UN);
 229
 230 exit 0;
 231
 232 sub add_break{
 233     my($i)=@_;
 234
 235     if($i<($#chars-1)){
 236         if(($chars[$i+1]=~m/[$strictly_forbidden_before]/o)
 237            and($chars[$i+2]=~m/[$strictly_forbidden_before]/o)){
 238             return "\\CJKunbreakablekernone ";
 239         }elsif($opt_protrude){
 240             if(($chars[$i+1]=~m/[$strictly_forbidden_before]/o)
 241                and($chars[$i+2]=~m/[^$strictly_forbidden_before]/o)){
 242                 return "\\CJKunbreakablekernone \\CJKprotrude ";
 243             }
 244         }
 245     }
 246     if(($i<$#chars)
 247        and($chars[$i+1]=~m/[$strictly_forbidden_before]/o)){
 248         return "\\CJKunbreakablekernone ";
 249     }
 250     if($chars[$i]=~m/[$strictly_forbidden_after]/o){
 251         return "\\CJKunbreakablekernone ";
 252     }
 253     if(($i<$#chars)
 254        and($chars[$i+1]=~m/[$forbidden_before]/o)){
 255         return "\\CJKunbreakablekerntwo ";
 256
 257     }
 258     if($chars[$i]=~m/[$forbidden_after]/o){
 259         return "\\CJKunbreakablekerntwo ";
 260     }
 261     if(($i<$#chars)
 262        and($chars[$i+1]=~m/[$slightly_forbidden_before]/o)){
 263         return "\\CJKunbreakablekernthree ";
 264     }
 265     if($chars[$i]=~m/[$slightly_forbidden_after]/o){
 266         return "\\CJKunbreakablekernthree ";
 267     }
 268     if($chars[$i]=~m/[$asian]/o){
 269         return "\\CJKbreakablekern ";
 270     }
 271     if(($i<$#chars)and($chars[$i+1]=~m/[$asian]/o)){
 272         return "\\CJKbreakablekern ";
 273     }
 274 }
 275
 276 sub latin_parse{
 277     # arguments: none
 278     # return: string for output with TeX macro.
 279     my($char_id);
 280     my $out_str=$chars[$i];
 281     $i++;
 282     while($i<=$#chars){
 283         $char_id=unpack("U",$chars[$i]);
 284         if($char_id<=0xff){
 285             $out_str.=pack("U",$char_id);
 286         }else{
 287             $i--;
 288             last;
 289         }
 290         $i++;
 291     }
 292     return '{\normalfont {'.$out_str.'}}';
 293 }
 294
 295 sub ids_parse{
 296     # arguments: none
 297     # return: character for output,
 298     #          TeX macro for ids,
 299     #          or GETA character if ids is invalid.
 300     my($ids,$ids_argc)=&ids_rest("",0,$chars[$i]);
 301
 302     while($ids_argc>0){
 303         # We are in IDS.
 304         $i++;
 305         if($i>$#chars){
 306             print STDERR "IDS parse error: $ids\n";
 307 #           return pack("U",0xfffd);
 308             return pack("U",0x3013);
 309         }
 310
 311         ($ids,$ids_argc)=&ids_rest($ids,$ids_argc,$chars[$i]);
 312         if($ids_argc==0){
 313             if(($char_id=&get_char_id_for_ids($ids))
 314                and($out_char=&get_output_char($char_id,$out_cs))){
 315                 return $out_char;
 316             }else{
 317                 return &get_macro_for_ids($ids) if($perl56);
 318                 return encode('utf8', &get_macro_for_ids($ids)) if($perl58);
 319             }
 320         }
 321     }
 322 }
 323
 324 sub ids_rest{
 325     # arguments: <ids>, <rest number of arguments for ids>, <character>
 326     # return: ids and rest number of arguments for ids.
 327     my($ids,$ids_argc,$char)=@_;
 328     my($argc);
 329     $argc=&ids_argc($char);
 330     if($argc){
 331         $ids_argc+= $ids_argc==0 ? $argc : $argc-1;
 332     }else{
 333         $ids_argc--;
 334     }
 335     $ids.=$char if($perl56);
 336     $ids.=encode('utf8',$char) if($perl58);
 337     return ($ids,$ids_argc);
 338 }
 339
 340 sub get_macro_for_ids{
 341     # argument: <ids>
 342     # return: TeX macro for ids
 343     #          or GETA character if ids is invalid for KAGE.
 344     my($ids)=@_;
 345     $ids=&normalize_ids($ids,"UniJIS");
 346 #    return pack("U",0xfffd) if(($ids!~/[$idc]/)
 347     return pack("U",0x3013) if(($ids!~/[$idc]/)
 348                                or($ids=~/[\x{10000}-]/));
 349                     #irregular for KAGE.
 350     if(not defined($ids{$ids}) and $ids{$ids}[1]>=0){
 351         $ids{$ids}[0]=$font_start;
 352         $ids{$ids}[1]=$ids_start;
 353         $ids_start++;
 354     }
 355     if($ids_start>255){
 356         $ids_start=0;
 357         $font_start++;
 358     }
 359     return "{\\fontencoding{OT1}\\fontfamily{"
 360         .sprintf("chise%03d",$ids{$ids}[0])
 361         ."}\\selectfont\\char$ids{$ids}[1]}";
 362 }
 363
 364 sub normalize_ids{
 365     # argument: <ids>, <output coding system>
 366     # return: ids or GETA character if ids is invalid for KAGE.
 367     my($ids,$out_cs)=@_;
 368     $ids = decode('utf8', $ids) if $perl58;
 369     $out_cs=~s/Uni(.+)/'ucs@'.lc($1)/e;
 370
 371     my $output_ids="";
 372     my($char,$char_id,$output_char_id);
 373     while($ids=~m/(.)/g){
 374         $char=$1;
 375         $char_id=unpack("U",$char);
 376         if($char=~/[$idc]/){
 377             $output_ids.=$char;
 378         }elsif($output_char_id=&get_char_attribute($char,"=$out_cs")){
 379             $output_ids.=pack("U",$output_char_id);
 380         }elsif($output_char_id=&get_char_attribute($char,"=ucs")){
 381             $output_ids.=pack("U",$output_char_id);
 382         }else{
 383 #           return pack("U",0xfffd);
 384             return pack("U",0x3013);
 385         }
 386     }
 387     return $output_ids;
 388 }
 389
 390 sub get_output_char{
 391     # argument: <char-id>
 392     # return: character in output coding system or TeX macro.
 393     my($char_id,$out_cs)=@_;
 394     my($char,$out_char_id,$suffix);
 395     my($gt,$hzk,$cdp);
 396
 397     $char=pack('U',$char_id);
 398
 399     if($out_cs eq 'UniJIS'
 400        and &get_char_attribute($char,"adobe-unijis-utf16-h")){
 401         if($out_char_id=&get_char_attribute($char,'=ucs@jis')
 402            or $out_char_id=&get_char_attribute($char,'=ucs')
 403            or $out_char_id=&get_char_attribute($char,'=>ucs@jis')
 404            or $out_char_id=&get_char_attribute($char,'=>ucs')
 405            ){
 406             return pack("U",$out_char_id);
 407         }
 408     }elsif($out_cs eq 'UniGB'
 409            and &get_char_attribute($char,"adobe-unigb-ucs2-h")){
 410         if($out_char_id=&get_char_attribute($char,'=ucs@gb')
 411            or $out_char_id=&get_char_attribute($char,'=ucs')
 412            or $out_char_id=&get_char_attribute($char,'=>ucs@gb')
 413            or $out_char_id=&get_char_attribute($char,'=>ucs')
 414            ){
 415             return pack("U",$out_char_id);
 416         }
 417     }elsif($out_cs eq 'UniCNS'
 418            and &get_char_attribute($char,"adobe-unicns-ucs2-h")){
 419         if($out_char_id=&get_char_attribute($char,'=ucs@cns')
 420            or $out_char_id=&get_char_attribute($char,'=ucs')
 421            or $out_char_id=&get_char_attribute($char,'=>ucs@cns')
 422            or $out_char_id=&get_char_attribute($char,'=>ucs')
 423            ){
 424             return pack("U",$out_char_id);
 425         }
 426     }elsif($out_cs eq 'UniKS'
 427            and &get_char_attribute($char,"adobe-uniks-ucs2-h")){
 428         if($out_char_id=&get_char_attribute($char,'=ucs@ks')
 429            or $out_char_id=&get_char_attribute($char,'=ucs')
 430            or $out_char_id=&get_char_attribute($char,'=>ucs@ks')
 431            or $out_char_id=&get_char_attribute($char,'=>ucs')
 432            ){
 433             return pack("U",$out_char_id);
 434         }
 435     }elsif($out_cs eq 'UniMulti'){
 436         foreach $out_cs (@order){
 437
 438             if($out_cs eq 'UniJIS'
 439                and &get_char_attribute($char,"adobe-unijis-utf16-h")){
 440                 if($out_char_id=&get_char_attribute($char,'=ucs@jis')
 441                    or $out_char_id=&get_char_attribute($char,'=ucs')
 442                    or $out_char_id=&get_char_attribute($char,'=>ucs@jis')
 443                    or $out_char_id=&get_char_attribute($char,'=>ucs')
 444                    ){
 445                     return '{\selectjisfont\char'.$out_char_id.'}';
 446                 }
 447             }elsif($out_cs eq 'UniGB'
 448                    and &get_char_attribute($char,"adobe-unigb-ucs2-h")){
 449                 if($out_char_id=&get_char_attribute($char,'=ucs@gb')
 450                    or $out_char_id=&get_char_attribute($char,'=ucs')
 451                    or $out_char_id=&get_char_attribute($char,'=>ucs@gb')
 452                    or $out_char_id=&get_char_attribute($char,'=>ucs')
 453                    ){
 454                     return '{\selectgbsfont\char'.$out_char_id.'}';
 455                 }
 456             }elsif($out_cs eq 'UniCNS'
 457                    and &get_char_attribute($char,"adobe-unicns-ucs2-h")){
 458                 if($out_char_id=&get_char_attribute($char,'=ucs@cns')
 459                    or $out_char_id=&get_char_attribute($char,'=ucs')
 460                    or $out_char_id=&get_char_attribute($char,'=>ucs@cns')
 461                    or $out_char_id=&get_char_attribute($char,'=>ucs')
 462                    ){
 463                     return '{\selectcnsfont\char'.$out_char_id.'}';
 464                 }
 465             }elsif($out_cs eq 'UniKS'
 466                    and &get_char_attribute($char,"adobe-uniks-ucs2-h")){
 467                 if($out_char_id=&get_char_attribute($char,'=ucs@ks')
 468                    or $out_char_id=&get_char_attribute($char,'=ucs')
 469                    or $out_char_id=&get_char_attribute($char,'=>ucs@ks')
 470                    or $out_char_id=&get_char_attribute($char,'=>ucs')
 471                    ){
 472                     return '{\selectksxfont\char'.$out_char_id.'}';
 473                 }
 474             }elsif($out_cs eq 'GT'){
 475                 return $gt if($gt=&get_macro_for_GT($char_id));
 476             }elsif($out_cs eq 'HZK'){
 477                 return $hzk if($hzk=&get_macro_for_HZK($char_id));
 478             }elsif($out_cs eq 'CDP'){
 479                 return $cdp if($cdp=&get_macro_for_CDP($char_id));
 480             }
 481         }
 482     }
 483     return undef;
 484 }
 485
 486 sub get_ids{
 487     # argument: <character>
 488     # return: ids
 489     my($char)=@_;
 490     my $ids="";
 491     $ids=&get_char_attribute($char,"ids-aggregated")
 492         or &get_char_attribute($char,"ids");
 493 #       or &get_char_attribute($char,"ideographic-structure");
 494     $ids=decode('utf8', $ids) if($perl58);
 495 #    $ids=~s/[? ()]//g;
 496     return $ids;
 497 }
 498
 499 sub get_char_id_for_ids{
 500     # argument: <ideographic description sequence>
 501     # return: char-id
 502     my($ids)=@_;
 503     my($output_char);
 504     $ids=decode('utf8', $ids) if($perl58);
 505
 506     if(($output_char)=&get_chars_matching("ids",$ids)){
 507         return unpack("U",$output_char);
 508     }else{
 509         return undef;
 510     }
 511 }
 512
 513 sub get_char_id{
 514     # argument: <char-id>, <input coding system>
 515     # return:   char-id.
 516     my($char_id,$in_cs)=@_;
 517     my($output_char);
 518
 519     return $char_id if($in_cs eq 'ucs@mcs');
 520
 521     if(($output_char)=&get_chars_matching("=$in_cs",$char_id)){
 522         return unpack("U",$output_char);
 523     }else{
 524         return $char_id;
 525     }
 526 }
 527
 528 sub get_macro_for_GT{
 529     # argument: <char-id>
 530     # return: TeX macro for GT fonts.
 531     my($char_id)=@_;
 532     my($char,$gt,$GT);
 533     $char=pack("U",$char_id);
 534     foreach (@GT){
 535         if($gt=&get_char_attribute($char,$_)){
 536             m/gt\-pj\-(\d+)/ and $GT=$1;
 537             last;
 538         }
 539     }
 540     if($gt){
 541         return "{\\fontencoding{OT1}\\fontfamily{"
 542             .sprintf("gt%02d",$GT)
 543             ."}\\selectfont\\char".($gt|0x8080)."}";
 544     }else{
 545         return undef;
 546     }
 547 }
 548
 549 sub get_macro_for_HZK{
 550     my($char_id)=@_;
 551     my($char,$hzk,$HZK);
 552     $char=pack("U",$char_id);
 553     foreach (@HZK){
 554         if($hzk=&get_char_attribute($char,$_)){
 555             m/hanziku\-(\d+)/ and $HZK=$1;
 556             last;
 557         }
 558     }
 559     if($hzk){
 560         return "{\\fontencoding{OT1}\\fontfamily{".sprintf("hzk%02d",$HZK)."}\\selectfont\\char".$hzk."}";
 561     }else{
 562         return undef;
 563     }
 564 }
 565
 566 sub get_macro_for_CDP{
 567     my($char_id)=@_;
 568     my($char,$cdp);
 569     $char=pack("U",$char_id);
 570     foreach (@CDP){
 571         if($cdp=&get_char_attribute($char,$_)){
 572             last;
 573         }
 574     }
 575     if($cdp){
 576         return "{\\fontencoding{OT1}\\fontfamily{cdp}\\selectfont\\char".$cdp."}";
 577     }else{
 578         return undef;
 579     }
 580 }