includes/normal/UtfNormalGenerate.php

   1 <?php
   2 # Copyright (C) 2004 Brion Vibber <brion@pobox.com>
   3 # http://www.mediawiki.org/
   4 #
   5 # This program is free software; you can redistribute it and/or modify
   6 # it under the terms of the GNU General Public License as published by
   7 # the Free Software Foundation; either version 2 of the License, or
   8 # (at your option) any later version.
   9 #
  10 # This program is distributed in the hope that it will be useful,
  11 # but WITHOUT ANY WARRANTY; without even the implied warranty of
  12 # MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the
  13 # GNU General Public License for more details.
  14 #
  15 # You should have received a copy of the GNU General Public License along
  16 # with this program; if not, write to the Free Software Foundation, Inc.,
  17 # 51 Franklin Street, Fifth Floor, Boston, MA 02110-1301, USA.
  18 # http://www.gnu.org/copyleft/gpl.html
  19
  20 /**
  21  * This script generates UniNormalData.inc from the Unicode Character Database
  22  * and supplementary files.
  23  *
  24  * @ingroup UtfNormal
  25  * @access private
  26  */
  27
  28 /** */
  29
  30 if( php_sapi_name() != 'cli' ) {
  31         die( "Run me from the command line please.\n" );
  32 }
  33
  34 require_once 'UtfNormalUtil.php';
  35
  36 $in = fopen("DerivedNormalizationProps.txt", "rt" );
  37 if( !$in ) {
  38         print "Can't open DerivedNormalizationProps.txt for reading.\n";
  39         print "If necessary, fetch this file from the internet:\n";
  40         print "http://www.unicode.org/Public/UNIDATA/DerivedNormalizationProps.txt\n";
  41         exit(-1);
  42 }
  43 print "Initializing normalization quick check tables...\n";
  44 $checkNFC = array();
  45 while( false !== ($line = fgets( $in ) ) ) {
  46         $matches = array();
  47         if( preg_match( '/^([0-9A-F]+)(?:..([0-9A-F]+))?\s*;\s*(NFC_QC)\s*;\s*([MN])/', $line, $matches ) ) {
  48                 list( $junk, $first, $last, $prop, $value ) = $matches;
  49                 #print "$first $last $prop $value\n";
  50                 if( !$last ) $last = $first;
  51                 for( $i = hexdec( $first ); $i <= hexdec( $last ); $i++) {
  52                         $char = codepointToUtf8( $i );
  53                         $checkNFC[$char] = $value;
  54                 }
  55         }
  56 }
  57 fclose( $in );
  58
  59 $in = fopen("CompositionExclusions.txt", "rt" );
  60 if( !$in ) {
  61         print "Can't open CompositionExclusions.txt for reading.\n";
  62         print "If necessary, fetch this file from the internet:\n";
  63         print "http://www.unicode.org/Public/UNIDATA/CompositionExclusions.txt\n";
  64         exit(-1);
  65 }
  66 $exclude = array();
  67 while( false !== ($line = fgets( $in ) ) ) {
  68         if( preg_match( '/^([0-9A-F]+)/i', $line, $matches ) ) {
  69                 $codepoint = $matches[1];
  70                 $source = codepointToUtf8( hexdec( $codepoint ) );
  71                 $exclude[$source] = true;
  72         }
  73 }
  74 fclose($in);
  75
  76 $in = fopen("UnicodeData.txt", "rt" );
  77 if( !$in ) {
  78         print "Can't open UnicodeData.txt for reading.\n";
  79         print "If necessary, fetch this file from the internet:\n";
  80         print "http://www.unicode.org/Public/UNIDATA/UnicodeData.txt\n";
  81         exit(-1);
  82 }
  83
  84 $compatibilityDecomp = array();
  85 $canonicalDecomp = array();
  86 $canonicalComp = array();
  87 $combiningClass = array();
  88 $total = 0;
  89 $compat = 0;
  90 $canon = 0;
  91
  92 print "Reading character definitions...\n";
  93 while( false !== ($line = fgets( $in ) ) ) {
  94         $columns = explode(';', $line);
  95         $codepoint = $columns[0];
  96         $name = $columns[1];
  97         $canonicalCombiningClass = $columns[3];
  98         $decompositionMapping = $columns[5];
  99
 100         $source = codepointToUtf8( hexdec( $codepoint ) );
 101
 102         if( $canonicalCombiningClass != 0 ) {
 103                 $combiningClass[$source] = intval( $canonicalCombiningClass );
 104         }
 105
 106         if( $decompositionMapping === '' ) continue;
 107         if( preg_match( '/^<(.+)> (.*)$/', $decompositionMapping, $matches ) ) {
 108                 # Compatibility decomposition
 109                 $canonical = false;
 110                 $decompositionMapping = $matches[2];
 111                 $compat++;
 112         } else {
 113                 $canonical = true;
 114                 $canon++;
 115         }
 116         $total++;
 117         $dest = hexSequenceToUtf8( $decompositionMapping );
 118
 119         $compatibilityDecomp[$source] = $dest;
 120         if( $canonical ) {
 121                 $canonicalDecomp[$source] = $dest;
 122                 if( empty( $exclude[$source] ) ) {
 123                         $canonicalComp[$dest] = $source;
 124                 }
 125         }
 126         #print "$codepoint | $canonicalCombiningClasses | $decompositionMapping\n";
 127 }
 128 fclose( $in );
 129
 130 print "Recursively expanding canonical mappings...\n";
 131 $changed = 42;
 132 $pass = 1;
 133 while( $changed > 0 ) {
 134         print "pass $pass\n";
 135         $changed = 0;
 136         foreach( $canonicalDecomp as $source => $dest ) {
 137                 $newDest = preg_replace_callback(
 138                         '/([\xc0-\xff][\x80-\xbf]+)/',
 139                         'callbackCanonical',
 140                         $dest);
 141                 if( $newDest === $dest ) continue;
 142                 $changed++;
 143                 $canonicalDecomp[$source] = $newDest;
 144         }
 145         $pass++;
 146 }
 147
 148 print "Recursively expanding compatibility mappings...\n";
 149 $changed = 42;
 150 $pass = 1;
 151 while( $changed > 0 ) {
 152         print "pass $pass\n";
 153         $changed = 0;
 154         foreach( $compatibilityDecomp as $source => $dest ) {
 155                 $newDest = preg_replace_callback(
 156                         '/([\xc0-\xff][\x80-\xbf]+)/',
 157                         'callbackCompat',
 158                         $dest);
 159                 if( $newDest === $dest ) continue;
 160                 $changed++;
 161                 $compatibilityDecomp[$source] = $newDest;
 162         }
 163         $pass++;
 164 }
 165
 166 print "$total decomposition mappings ($canon canonical, $compat compatibility)\n";
 167
 168 $out = fopen("UtfNormalData.inc", "wt");
 169 if( $out ) {
 170         $serCombining = escapeSingleString( serialize( $combiningClass ) );
 171         $serComp = escapeSingleString( serialize( $canonicalComp ) );
 172         $serCanon = escapeSingleString( serialize( $canonicalDecomp ) );
 173         $serCheckNFC = escapeSingleString( serialize( $checkNFC ) );
 174         $outdata = "<" . "?php
 175 /**
 176  * This file was automatically generated -- do not edit!
 177  * Run UtfNormalGenerate.php to create this file again (make clean && make)
 178  */
 179 /** */
 180 global \$utfCombiningClass, \$utfCanonicalComp, \$utfCanonicalDecomp, \$utfCheckNFC;
 181 \$utfCombiningClass = unserialize( '$serCombining' );
 182 \$utfCanonicalComp = unserialize( '$serComp' );
 183 \$utfCanonicalDecomp = unserialize( '$serCanon' );
 184 \$utfCheckNFC = unserialize( '$serCheckNFC' );
 185 \n";
 186         fputs( $out, $outdata );
 187         fclose( $out );
 188         print "Wrote out UtfNormalData.inc\n";
 189 } else {
 190         print "Can't create file UtfNormalData.inc\n";
 191         exit(-1);
 192 }
 193
 194
 195 $out = fopen("UtfNormalDataK.inc", "wt");
 196 if( $out ) {
 197         $serCompat = escapeSingleString( serialize( $compatibilityDecomp ) );
 198         $outdata = "<" . "?php
 199 /**
 200  * This file was automatically generated -- do not edit!
 201  * Run UtfNormalGenerate.php to create this file again (make clean && make)
 202  */
 203 /** */
 204 global \$utfCompatibilityDecomp;
 205 \$utfCompatibilityDecomp = unserialize( '$serCompat' );
 206 \n";
 207         fputs( $out, $outdata );
 208         fclose( $out );
 209         print "Wrote out UtfNormalDataK.inc\n";
 210         exit(0);
 211 } else {
 212         print "Can't create file UtfNormalDataK.inc\n";
 213         exit(-1);
 214 }
 215
 216 # ---------------
 217
 218 function callbackCanonical( $matches ) {
 219         global $canonicalDecomp;
 220         if( isset( $canonicalDecomp[$matches[1]] ) ) {
 221                 return $canonicalDecomp[$matches[1]];
 222         }
 223         return $matches[1];
 224 }
 225
 226 function callbackCompat( $matches ) {
 227         global $compatibilityDecomp;
 228         if( isset( $compatibilityDecomp[$matches[1]] ) ) {
 229                 return $compatibilityDecomp[$matches[1]];
 230         }
 231         return $matches[1];
 232 }