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                 print &get_macro_for_ids(&get_ids($char)),&add_break($i);
 211             }
 212         }
 213     }
 214 }
 215
 216 print IDSDATA 'use utf8;',"\n";
 217 foreach $ids (keys %ids){
 218     print IDSDATA '$ids{\'',$ids,'\'}=[',join ",",@{$ids{$ids}},"];\n" if($perl56);
 219     print IDSDATA '$ids{\'',encode('utf8',$ids),'\'}=[',join ",",@{$ids{$ids}},"];\n" if($perl58);
 220 }
 221 print IDSDATA '$font_start=',$font_start,";\n";
 222 print IDSDATA '$ids_start=',$ids_start,";\n";
 223 print IDSDATA "1;";
 224 flock(IDSDATA,LOCK_UN);
 225
 226 exit 0;
 227
 228 sub add_break{
 229     my($i)=@_;
 230
 231     if($i<($#chars-1)){
 232         if(($chars[$i+1]=~m/[$strictly_forbidden_before]/o)
 233            and($chars[$i+2]=~m/[$strictly_forbidden_before]/o)){
 234             return "\\CJKunbreakablekernone ";
 235         }elsif($opt_protrude){
 236             if(($chars[$i+1]=~m/[$strictly_forbidden_before]/o)
 237                and($chars[$i+2]=~m/[^$strictly_forbidden_before]/o)){
 238                 return "\\CJKunbreakablekernone \\CJKprotrude ";
 239             }
 240         }
 241     }
 242     if(($i<$#chars)
 243        and($chars[$i+1]=~m/[$strictly_forbidden_before]/o)){
 244         return "\\CJKunbreakablekernone ";
 245     }
 246     if($chars[$i]=~m/[$strictly_forbidden_after]/o){
 247         return "\\CJKunbreakablekernone ";
 248     }
 249     if(($i<$#chars)
 250        and($chars[$i+1]=~m/[$forbidden_before]/o)){
 251         return "\\CJKunbreakablekerntwo ";
 252
 253     }
 254     if($chars[$i]=~m/[$forbidden_after]/o){
 255         return "\\CJKunbreakablekerntwo ";
 256     }
 257     if(($i<$#chars)
 258        and($chars[$i+1]=~m/[$slightly_forbidden_before]/o)){
 259         return "\\CJKunbreakablekernthree ";
 260     }
 261     if($chars[$i]=~m/[$slightly_forbidden_after]/o){
 262         return "\\CJKunbreakablekernthree ";
 263     }
 264     if($chars[$i]=~m/[$asian]/o){
 265         return "\\CJKbreakablekern ";
 266     }
 267     if(($i<$#chars)and($chars[$i+1]=~m/[$asian]/o)){
 268         return "\\CJKbreakablekern ";
 269     }
 270 }
 271
 272 sub latin_parse{
 273     # arguments: none
 274     # return: string for output with TeX macro.
 275     my($char_id);
 276     my $out_str=$chars[$i];
 277     $i++;
 278     while($i<=$#chars){
 279         $char_id=unpack("U",$chars[$i]);
 280         if($char_id<=0xff){
 281             $out_str.=pack("U",$char_id);
 282         }else{
 283             $i--;
 284             last;
 285         }
 286         $i++;
 287     }
 288     return '{\normalfont {'.$out_str.'}}';
 289 }
 290
 291 sub ids_parse{
 292     # arguments: none
 293     # return: character for output,
 294     #          TeX macro for ids,
 295     #          or GETA character if ids is invalid.
 296     my($ids,$ids_argc)=&ids_rest("",0,$chars[$i]);
 297
 298     while($ids_argc>0){
 299         # We are in IDS.
 300         $i++;
 301         if($i>$#chars){
 302             print STDERR "IDS parse error: $ids\n";
 303 #           return pack("U",0xfffd);
 304             return pack("U",0x3013);
 305         }
 306
 307         ($ids,$ids_argc)=&ids_rest($ids,$ids_argc,$chars[$i]);
 308         if($ids_argc==0){
 309             if(($char_id=&get_char_id_for_ids($ids))
 310                and($out_char=&get_output_char($char_id,$out_cs))){
 311                 return $out_char;
 312             }else{
 313                 return &get_macro_for_ids($ids) if($perl56);
 314                 return encode('utf8', &get_macro_for_ids($ids)) if($perl58);
 315             }
 316         }
 317     }
 318 }
 319
 320 sub ids_rest{
 321     # arguments: <ids>, <rest number of arguments for ids>, <character>
 322     # return: ids and rest number of arguments for ids.
 323     my($ids,$ids_argc,$char)=@_;
 324     my($argc);
 325     $argc=&ids_argc($char);
 326     if($argc){
 327         $ids_argc+= $ids_argc==0 ? $argc : $argc-1;
 328     }else{
 329         $ids_argc--;
 330     }
 331     $ids.=$char if($perl56);
 332     $ids.=encode('utf8',$char) if($perl58);
 333     return ($ids,$ids_argc);
 334 }
 335
 336 sub get_macro_for_ids{
 337     # argument: <ids>
 338     # return: TeX macro for ids
 339     #          or GETA character if ids is invalid for KAGE.
 340     my($ids)=@_;
 341     $ids=&normalize_ids($ids,"UniJIS");
 342 #    return pack("U",0xfffd) if(($ids!~/[$idc]/)
 343     return pack("U",0x3013) if(($ids!~/[$idc]/)
 344                                or($ids=~/[\x{10000}-]/));
 345                     #irregular for KAGE.
 346     if(not defined($ids{$ids}) and $ids{$ids}[1]>=0){
 347         $ids{$ids}[0]=$font_start;
 348         $ids{$ids}[1]=$ids_start;
 349         $ids_start++;
 350     }
 351     if($ids_start>255){
 352         $ids_start=0;
 353         $font_start++;
 354     }
 355     return "{\\fontencoding{OT1}\\fontfamily{"
 356         .sprintf("chise%03d",$ids{$ids}[0])
 357         ."}\\selectfont\\char$ids{$ids}[1]}";
 358 }
 359
 360 sub normalize_ids{
 361     # argument: <ids>, <output coding system>
 362     # return: ids or GETA character if ids is invalid for KAGE.
 363     my($ids,$out_cs)=@_;
 364     $ids = decode('utf8', $ids) if $perl58;
 365     $out_cs=~s/Uni(.+)/'ucs@'.lc($1)/e;
 366
 367     my $output_ids="";
 368     my($char,$char_id,$output_char_id);
 369     while($ids=~m/(.)/g){
 370         $char=$1;
 371         $char_id=unpack("U",$char);
 372         if($char=~/[$idc]/){
 373             $output_ids.=$char;
 374         }elsif($output_char_id=&get_char_attribute($char,"=$out_cs")){
 375             $output_ids.=pack("U",$output_char_id);
 376         }elsif($output_char_id=&get_char_attribute($char,"=ucs")){
 377             $output_ids.=pack("U",$output_char_id);
 378         }else{
 379 #           return pack("U",0xfffd);
 380             return pack("U",0x3013);
 381         }
 382     }
 383     return $output_ids;
 384 }
 385
 386 sub get_output_char{
 387     # argument: <char-id>
 388     # return: character in output coding system or TeX macro.
 389     my($char_id,$out_cs)=@_;
 390     my($char,$out_char_id,$suffix);
 391     my($gt,$hzk,$cdp);
 392
 393     $char=pack('U',$char_id);
 394
 395     if($out_cs eq 'UniJIS'
 396        and &get_char_attribute($char,"adobe-unijis-utf16-h")){
 397         if($out_char_id=&get_char_attribute($char,'=ucs@jis')
 398            or $out_char_id=&get_char_attribute($char,'=ucs')
 399            or $out_char_id=&get_char_attribute($char,'=>ucs@jis')
 400            or $out_char_id=&get_char_attribute($char,'=>ucs')
 401            ){
 402             return pack("U",$out_char_id);
 403         }
 404     }elsif($out_cs eq 'UniGB'
 405            and &get_char_attribute($char,"adobe-unigb-ucs2-h")){
 406         if($out_char_id=&get_char_attribute($char,'=ucs@gb')
 407            or $out_char_id=&get_char_attribute($char,'=ucs')
 408            or $out_char_id=&get_char_attribute($char,'=>ucs@gb')
 409            or $out_char_id=&get_char_attribute($char,'=>ucs')
 410            ){
 411             return pack("U",$out_char_id);
 412         }
 413     }elsif($out_cs eq 'UniCNS'
 414            and &get_char_attribute($char,"adobe-unicns-ucs2-h")){
 415         if($out_char_id=&get_char_attribute($char,'=ucs@cns')
 416            or $out_char_id=&get_char_attribute($char,'=ucs')
 417            or $out_char_id=&get_char_attribute($char,'=>ucs@cns')
 418            or $out_char_id=&get_char_attribute($char,'=>ucs')
 419            ){
 420             return pack("U",$out_char_id);
 421         }
 422     }elsif($out_cs eq 'UniKS'
 423            and &get_char_attribute($char,"adobe-uniks-ucs2-h")){
 424         if($out_char_id=&get_char_attribute($char,'=ucs@ks')
 425            or $out_char_id=&get_char_attribute($char,'=ucs')
 426            or $out_char_id=&get_char_attribute($char,'=>ucs@ks')
 427            or $out_char_id=&get_char_attribute($char,'=>ucs')
 428            ){
 429             return pack("U",$out_char_id);
 430         }
 431     }elsif($out_cs eq 'UniMulti'){
 432         foreach $out_cs (@order){
 433
 434             if($out_cs eq 'UniJIS'
 435                and &get_char_attribute($char,"adobe-unijis-utf16-h")){
 436                 if($out_char_id=&get_char_attribute($char,'=ucs@jis')
 437                    or $out_char_id=&get_char_attribute($char,'=ucs')
 438                    or $out_char_id=&get_char_attribute($char,'=>ucs@jis')
 439                    or $out_char_id=&get_char_attribute($char,'=>ucs')
 440                    ){
 441                     return '{\selectjisfont\char'.$out_char_id.'}';
 442                 }
 443             }elsif($out_cs eq 'UniGB'
 444                    and &get_char_attribute($char,"adobe-unigb-ucs2-h")){
 445                 if($out_char_id=&get_char_attribute($char,'=ucs@gb')
 446                    or $out_char_id=&get_char_attribute($char,'=ucs')
 447                    or $out_char_id=&get_char_attribute($char,'=>ucs@gb')
 448                    or $out_char_id=&get_char_attribute($char,'=>ucs')
 449                    ){
 450                     return '{\selectgbsfont\char'.$out_char_id.'}';
 451                 }
 452             }elsif($out_cs eq 'UniCNS'
 453                    and &get_char_attribute($char,"adobe-unicns-ucs2-h")){
 454                 if($out_char_id=&get_char_attribute($char,'=ucs@cns')
 455                    or $out_char_id=&get_char_attribute($char,'=ucs')
 456                    or $out_char_id=&get_char_attribute($char,'=>ucs@cns')
 457                    or $out_char_id=&get_char_attribute($char,'=>ucs')
 458                    ){
 459                     return '{\selectcnsfont\char'.$out_char_id.'}';
 460                 }
 461             }elsif($out_cs eq 'UniKS'
 462                    and &get_char_attribute($char,"adobe-uniks-ucs2-h")){
 463                 if($out_char_id=&get_char_attribute($char,'=ucs@ks')
 464                    or $out_char_id=&get_char_attribute($char,'=ucs')
 465                    or $out_char_id=&get_char_attribute($char,'=>ucs@ks')
 466                    or $out_char_id=&get_char_attribute($char,'=>ucs')
 467                    ){
 468                     return '{\selectksxfont\char'.$out_char_id.'}';
 469                 }
 470             }elsif($out_cs eq 'GT'){
 471                 return $gt if($gt=&get_macro_for_GT($char_id));
 472             }elsif($out_cs eq 'HZK'){
 473                 return $hzk if($hzk=&get_macro_for_HZK($char_id));
 474             }elsif($out_cs eq 'CDP'){
 475                 return $cdp if($cdp=&get_macro_for_CDP($char_id));
 476             }
 477         }
 478     }
 479     return undef;
 480 }
 481
 482 sub get_ids{
 483     # argument: <character>
 484     # return: ids
 485     my($char)=@_;
 486     my $ids="";
 487     $ids=&get_char_attribute($char,"ids-aggregated")
 488         or &get_char_attribute($char,"ids");
 489 #       or &get_char_attribute($char,"ideographic-structure");
 490     $ids=decode('utf8', $ids) if($perl58);
 491 #    $ids=~s/[? ()]//g;
 492     return $ids;
 493 }
 494
 495 sub get_char_id_for_ids{
 496     # argument: <ideographic description sequence>
 497     # return: char-id
 498     my($ids)=@_;
 499     my($output_char);
 500     $ids=decode('utf8', $ids) if($perl58);
 501
 502     if(($output_char)=&get_chars_matching("ids",$ids)){
 503         return unpack("U",$output_char);
 504     }else{
 505         return undef;
 506     }
 507 }
 508
 509 sub get_char_id{
 510     # argument: <char-id>, <input coding system>
 511     # return:   char-id.
 512     my($char_id,$in_cs)=@_;
 513     my($output_char);
 514
 515     return $char_id if($in_cs eq 'ucs@mcs');
 516
 517     if(($output_char)=&get_chars_matching("=$in_cs",$char_id)){
 518         return unpack("U",$output_char);
 519     }else{
 520         return $char_id;
 521     }
 522 }
 523
 524 sub get_macro_for_GT{
 525     # argument: <char-id>
 526     # return: TeX macro for GT fonts.
 527     my($char_id)=@_;
 528     my($char,$gt,$GT);
 529     $char=pack("U",$char_id);
 530     foreach (@GT){
 531         if($gt=&get_char_attribute($char,$_)){
 532             m/gt\-pj\-(\d+)/ and $GT=$1;
 533             last;
 534         }
 535     }
 536     if($gt){
 537         return "{\\fontencoding{OT1}\\fontfamily{"
 538             .sprintf("gt%02d",$GT)
 539             ."}\\selectfont\\char".($gt|0x8080)."}";
 540     }else{
 541         return undef;
 542     }
 543 }
 544
 545 sub get_macro_for_HZK{
 546     my($char_id)=@_;
 547     my($char,$hzk,$HZK);
 548     $char=pack("U",$char_id);
 549     foreach (@HZK){
 550         if($hzk=&get_char_attribute($char,$_)){
 551             m/hanziku\-(\d+)/ and $HZK=$1;
 552             last;
 553         }
 554     }
 555     if($hzk){
 556         return "{\\fontencoding{OT1}\\fontfamily{".sprintf("hzk%02d",$HZK)."}\\selectfont\\char".$hzk."}";
 557     }else{
 558         return undef;
 559     }
 560 }
 561
 562 sub get_macro_for_CDP{
 563     my($char_id)=@_;
 564     my($char,$cdp);
 565     $char=pack("U",$char_id);
 566     foreach (@CDP){
 567         if($cdp=&get_char_attribute($char,$_)){
 568             last;
 569         }
 570     }
 571     if($cdp){
 572         return "{\\fontencoding{OT1}\\fontfamily{cdp}\\selectfont\\char".$cdp."}";
 573     }else{
 574         return undef;
 575     }
 576 }