basis/unicode/collation/collation.factor

   1 ! Copyright (C) 2008 Daniel Ehrenberg.\r
   2 ! See http://factorcode.org/license.txt for BSD license.\r
   3 USING: sequences io.files io.encodings.ascii kernel values splitting\r
   4 accessors math.parser ascii io assocs strings math namespaces make\r
   5 sorting combinators math.order arrays unicode.normalize unicode.data\r
   6 locals macros sequences.deep words unicode.breaks quotations\r
   7 combinators.short-circuit simple-flat-file ;\r
   8 IN: unicode.collation\r
   9 \r
  10 <PRIVATE\r
  11 VALUE: ducet\r
  12 \r
  13 TUPLE: weight primary secondary tertiary ignorable? ;\r
  14 \r
  15 : parse-weight ( string -- weight )\r
  16     "]" split but-last [\r
  17         weight new swap rest unclip CHAR: * = swapd >>ignorable?\r
  18         swap "." split first3 [ hex> ] tri@\r
  19         [ >>primary ] [ >>secondary ] [ >>tertiary ] tri*\r
  20     ] map ;\r
  21 \r
  22 : parse-keys ( string -- chars )\r
  23     " " split [ hex> ] "" map-as ;\r
  24 \r
  25 : parse-ducet ( file -- ducet )\r
  26     data [ [ parse-keys ] [ parse-weight ] bi* ] H{ } assoc-map-as ;\r
  27 \r
  28 "vocab:unicode/collation/allkeys.txt" parse-ducet to: ducet\r
  29 \r
  30 ! Fix up table for long contractions\r
  31 : help-one ( assoc key -- )\r
  32     ! Need to be more general? Not for DUCET, apparently\r
  33     2 head 2dup swap key? [ 2drop ] [\r
  34         [ [ 1string swap at ] with { } map-as concat ]\r
  35         [ swap set-at ] 2bi\r
  36     ] if ;\r
  37 \r
  38 : insert-helpers ( assoc -- )\r
  39     dup keys [ length 3 >= ] filter\r
  40     [ help-one ] with each ;\r
  41 \r
  42 ducet insert-helpers\r
  43 \r
  44 : base ( char -- base )\r
  45     {\r
  46         { [ dup HEX: 3400 HEX:  4DB5 between? ] [ drop HEX: FB80 ] } ! Extension A\r
  47         { [ dup HEX: 20000 HEX: 2A6D6 between? ] [ drop HEX: FB80 ] } ! Extension B\r
  48         { [ dup HEX: 4E00 HEX: 9FC3 between? ] [ drop HEX: FB40 ] } ! CJK\r
  49         [ drop HEX: FBC0 ] ! Other\r
  50     } cond ;\r
  51 \r
  52 : AAAA ( char -- weight )\r
  53     [ base ] [ -15 shift ] bi + HEX: 20 2 f weight boa ;\r
  54 \r
  55 : BBBB ( char -- weight )\r
  56     HEX: 7FFF bitand HEX: 8000 bitor 0 0 f weight boa ;\r
  57 \r
  58 : illegal? ( char -- ? )\r
  59     { [ "Noncharacter_Code_Point" property? ] [ category "Cs" = ] } 1|| ;\r
  60 \r
  61 : derive-weight ( char -- weights )\r
  62     first dup illegal?\r
  63     [ drop { } ]\r
  64     [ [ AAAA ] [ BBBB ] bi 2array ] if ;\r
  65 \r
  66 : last ( -- char )\r
  67     building get empty? [ 0 ] [ building get peek peek ] if ;\r
  68 \r
  69 : blocked? ( char -- ? )\r
  70     combining-class dup { 0 f } member?\r
  71     [ drop last non-starter? ]\r
  72     [ last combining-class = ] if ;\r
  73 \r
  74 : possible-bases ( -- slice-of-building )\r
  75     building get dup [ first non-starter? not ] find-last\r
  76     drop [ 0 ] unless* tail-slice ;\r
  77 \r
  78 :: ?combine ( char slice i -- ? )\r
  79     [let | str [ i slice nth char suffix ] |\r
  80         str ducet key? dup\r
  81         [ str i slice set-nth ] when\r
  82     ] ;\r
  83 \r
  84 : add ( char -- )\r
  85     dup blocked? [ 1string , ] [\r
  86         dup possible-bases dup length\r
  87         [ ?combine ] with with any?\r
  88         [ drop ] [ 1string , ] if\r
  89     ] if ;\r
  90 \r
  91 : string>graphemes ( string -- graphemes )\r
  92     [ [ add ] each ] { } make ;\r
  93 \r
  94 : graphemes>weights ( graphemes -- weights )\r
  95     [\r
  96         dup weight? [ 1array ] ! From tailoring\r
  97         [ dup ducet at [ ] [ derive-weight ] ?if ] if\r
  98     ] { } map-as concat ;\r
  99 \r
 100 : append-weights ( weights quot -- )\r
 101     [ [ ignorable?>> not ] filter ] dip\r
 102     map [ zero? not ] filter % 0 , ; inline\r
 103 \r
 104 : variable-weight ( weight -- )\r
 105     dup ignorable?>> [ primary>> ] [ drop HEX: FFFF ] if , ;\r
 106 \r
 107 : weights>bytes ( weights -- byte-array )\r
 108     [\r
 109         {\r
 110             [ [ primary>> ] append-weights ]\r
 111             [ [ secondary>> ] append-weights ]\r
 112             [ [ tertiary>> ] append-weights ]\r
 113             [ [ variable-weight ] each ]\r
 114         } cleave\r
 115     ] { } make ;\r
 116 PRIVATE>\r
 117 \r
 118 : completely-ignorable? ( weight -- ? )\r
 119     [ primary>> ] [ secondary>> ] [ tertiary>> ] tri\r
 120     [ zero? ] tri@ and and ;\r
 121 \r
 122 : filter-ignorable ( weights -- weights' )\r
 123     f swap [\r
 124         [ nip ] [ primary>> zero? and ] 2bi\r
 125         [ swap ignorable?>> or ]\r
 126         [ swap completely-ignorable? or not ] 2bi\r
 127     ] filter nip ;\r
 128 \r
 129 : collation-key ( string -- key )\r
 130     nfd string>graphemes graphemes>weights\r
 131     filter-ignorable weights>bytes ;\r
 132 \r
 133 <PRIVATE\r
 134 : insensitive= ( str1 str2 levels-removed -- ? )\r
 135     [\r
 136         [ collation-key ] dip\r
 137         [ [ 0 = not ] trim-tail but-last ] times\r
 138     ] curry bi@ = ;\r
 139 PRIVATE>\r
 140 \r
 141 : primary= ( str1 str2 -- ? )\r
 142     3 insensitive= ;\r
 143 \r
 144 : secondary= ( str1 str2 -- ? )\r
 145     2 insensitive= ;\r
 146 \r
 147 : tertiary= ( str1 str2 -- ? )\r
 148     1 insensitive= ;\r
 149 \r
 150 : quaternary= ( str1 str2 -- ? )\r
 151     0 insensitive= ;\r
 152 \r
 153 <PRIVATE\r
 154 : w/collation-key ( str -- {str,key} )\r
 155     [ collation-key ] keep 2array ;\r
 156 PRIVATE>\r
 157 \r
 158 : sort-strings ( strings -- sorted )\r
 159     [ w/collation-key ] map natural-sort values ;\r
 160 \r
 161 : string<=> ( str1 str2 -- <=> )\r
 162     [ w/collation-key ] compare ;\r