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: combinators.short-circuit sequences io.files\r
   4 io.encodings.ascii kernel values splitting accessors math.parser\r
   5 ascii io assocs strings math namespaces make sorting combinators\r
   6 math.order arrays unicode.normalize unicode.data locals\r
   7 unicode.syntax macros sequences.deep words unicode.breaks\r
   8 quotations combinators.short-circuit ;\r
   9 IN: unicode.collation\r
  10 \r
  11 <PRIVATE\r
  12 VALUE: ducet\r
  13 \r
  14 TUPLE: weight primary secondary tertiary ignorable? ;\r
  15 \r
  16 : parse-weight ( string -- weight )\r
  17     "]" split but-last [\r
  18         weight new swap rest unclip CHAR: * = swapd >>ignorable?\r
  19         swap "." split first3 [ hex> ] tri@\r
  20         [ >>primary ] [ >>secondary ] [ >>tertiary ] tri*\r
  21     ] map ;\r
  22 \r
  23 : parse-line ( line -- code-poing weight )\r
  24     ";" split1 [ [ blank? ] trim ] bi@\r
  25     [ " " split [ hex> ] "" map-as ] [ parse-weight ] bi* ;\r
  26 \r
  27 : parse-ducet ( file -- ducet )\r
  28     ascii file-lines filter-comments\r
  29     [ parse-line ] H{ } map>assoc ;\r
  30 \r
  31 "vocab:unicode/collation/allkeys.txt" parse-ducet to: ducet\r
  32 \r
  33 ! Fix up table for long contractions\r
  34 : help-one ( assoc key -- )\r
  35     ! Need to be more general? Not for DUCET, apparently\r
  36     2 head 2dup swap key? [ 2drop ] [\r
  37         [ [ 1string swap at ] with { } map-as concat ]\r
  38         [ swap set-at ] 2bi\r
  39     ] if ;\r
  40 \r
  41 : insert-helpers ( assoc -- )\r
  42     dup keys [ length 3 >= ] filter\r
  43     [ help-one ] with each ;\r
  44 \r
  45 ducet insert-helpers\r
  46 \r
  47 : base ( char -- base )\r
  48     {\r
  49         { [ dup HEX: 3400 HEX:  4DB5 between? ] [ drop HEX: FB80 ] } ! Extension A\r
  50         { [ dup HEX: 20000 HEX: 2A6D6 between? ] [ drop HEX: FB80 ] } ! Extension B\r
  51         { [ dup HEX: 4E00 HEX: 9FC3 between? ] [ drop HEX: FB40 ] } ! CJK\r
  52         [ drop HEX: FBC0 ] ! Other\r
  53     } cond ;\r
  54 \r
  55 : AAAA ( char -- weight )\r
  56     [ base ] [ -15 shift ] bi + HEX: 20 2 f weight boa ;\r
  57 \r
  58 : BBBB ( char -- weight )\r
  59     HEX: 7FFF bitand HEX: 8000 bitor 0 0 f weight boa ;\r
  60 \r
  61 : illegal? ( char -- ? )\r
  62     { [ "Noncharacter_Code_Point" property? ] [ category "Cs" = ] } 1|| ;\r
  63 \r
  64 : derive-weight ( char -- weights )\r
  65     first dup illegal?\r
  66     [ drop { } ]\r
  67     [ [ AAAA ] [ BBBB ] bi 2array ] if ;\r
  68 \r
  69 : last ( -- char )\r
  70     building get empty? [ 0 ] [ building get peek peek ] if ;\r
  71 \r
  72 : blocked? ( char -- ? )\r
  73     combining-class dup { 0 f } member?\r
  74     [ drop last non-starter? ]\r
  75     [ last combining-class = ] if ;\r
  76 \r
  77 : possible-bases ( -- slice-of-building )\r
  78     building get dup [ first non-starter? not ] find-last\r
  79     drop [ 0 ] unless* tail-slice ;\r
  80 \r
  81 :: ?combine ( char slice i -- ? )\r
  82     [let | str [ i slice nth char suffix ] |\r
  83         str ducet key? dup\r
  84         [ str i slice set-nth ] when\r
  85     ] ;\r
  86 \r
  87 : add ( char -- )\r
  88     dup blocked? [ 1string , ] [\r
  89         dup possible-bases dup length\r
  90         [ ?combine ] with with any?\r
  91         [ drop ] [ 1string , ] if\r
  92     ] if ;\r
  93 \r
  94 : string>graphemes ( string -- graphemes )\r
  95     [ [ add ] each ] { } make ;\r
  96 \r
  97 : graphemes>weights ( graphemes -- weights )\r
  98     [\r
  99         dup weight? [ 1array ] ! From tailoring\r
 100         [ dup ducet at [ ] [ derive-weight ] ?if ] if\r
 101     ] { } map-as concat ;\r
 102 \r
 103 : append-weights ( weights quot -- )\r
 104     [ [ ignorable?>> not ] filter ] dip\r
 105     map [ zero? not ] filter % 0 , ; inline\r
 106 \r
 107 : variable-weight ( weight -- )\r
 108     dup ignorable?>> [ primary>> ] [ drop HEX: FFFF ] if , ;\r
 109 \r
 110 : weights>bytes ( weights -- byte-array )\r
 111     [\r
 112         {\r
 113             [ [ primary>> ] append-weights ]\r
 114             [ [ secondary>> ] append-weights ]\r
 115             [ [ tertiary>> ] append-weights ]\r
 116             [ [ variable-weight ] each ]\r
 117         } cleave\r
 118     ] { } make ;\r
 119 PRIVATE>\r
 120 \r
 121 : completely-ignorable? ( weight -- ? )\r
 122     [ primary>> ] [ secondary>> ] [ tertiary>> ] tri\r
 123     [ zero? ] tri@ and and ;\r
 124 \r
 125 : filter-ignorable ( weights -- weights' )\r
 126     f swap [\r
 127         [ nip ] [ primary>> zero? and ] 2bi\r
 128         [ swap ignorable?>> or ]\r
 129         [ swap completely-ignorable? or not ] 2bi\r
 130     ] filter nip ;\r
 131 \r
 132 : collation-key ( string -- key )\r
 133     nfd string>graphemes graphemes>weights\r
 134     filter-ignorable weights>bytes ;\r
 135 \r
 136 <PRIVATE\r
 137 : insensitive= ( str1 str2 levels-removed -- ? )\r
 138     [\r
 139         [ collation-key ] dip\r
 140         [ [ 0 = not ] trim-tail but-last ] times\r
 141     ] curry bi@ = ;\r
 142 PRIVATE>\r
 143 \r
 144 : primary= ( str1 str2 -- ? )\r
 145     3 insensitive= ;\r
 146 \r
 147 : secondary= ( str1 str2 -- ? )\r
 148     2 insensitive= ;\r
 149 \r
 150 : tertiary= ( str1 str2 -- ? )\r
 151     1 insensitive= ;\r
 152 \r
 153 : quaternary= ( str1 str2 -- ? )\r
 154     0 insensitive= ;\r
 155 \r
 156 <PRIVATE\r
 157 : w/collation-key ( str -- {str,key} )\r
 158     [ collation-key ] keep 2array ;\r
 159 PRIVATE>\r
 160 \r
 161 : sort-strings ( strings -- sorted )\r
 162     [ w/collation-key ] map natural-sort values ;\r
 163 \r
 164 : string<=> ( str1 str2 -- <=> )\r
 165     [ w/collation-key ] compare ;\r