normalization/1: OrthographicRules.java

File OrthographicRules.java, 34.6 KB (added by Wolfgang Schmidle, 13 years ago)
Line 
1import java.io.*;
2
3/**
4 * This class provides pluggable rules for orthographic normalization, with
5 * offset tracking.
6 *
7 * @author  Malcolm D. Hyman
8 * @version $2007-06-12 18:58:58 mdh$
9 */
10public class OrthographicRules {
11    private String ruleset;
12    public int[] offsets;
13
14    static final public String IT_VOWELS    = "AEIOUaeiou" +
15                                              "\u00c6\u00e6" + // AE ligatures
16                                              "\u0152\u0153";  // OE ligatures
17    static final public String IT_CONS      = "BCDFGHKLMNPQRSTVWXZ" +
18                                              "bcdfghklmnpqrstvwxz" +
19                                              "\u017f\u00df";  // long/sharp S
20
21
22    /**
23     * Constructor.
24     *
25     * @param ruleset      name of rule set to apply
26     */
27    public OrthographicRules(String ruleset) {
28        this.ruleset = ruleset;
29    }
30       
31    /**
32     * Applies the normalization rules in <code>ruleset</code> to
33     * <code>s</code>, with offset tracking.<p>
34     *
35     * <strong>WARNING:</strong>
36     * Arboreal will not work properly if a normalization substitution
37     * replaces a source character with more than two target characters!
38     * This is simply a BUG, and should be fixed. Fortunately, however,
39     * one does not often need such a replacement.<p>
40     *
41     * FIXME: If the orthographic rules eliminate all characters in a
42     * word, word counting in ContentRenderPane will not work correctly!
43     *
44     * @param s            source string
45     * @param offsets      character offset table
46     * @return             normalized string
47     */
48    public String normalize(String s, int[] offsets) {
49        this.offsets = offsets;
50        if (ruleset.equals("la") || ruleset.equals("lat")) {
51            StringBuffer buf = new StringBuffer();
52            boolean beginWord = true;
53            int n = 0;
54            for (int i = 0; i < s.length(); i++) {
55                char c = s.charAt(i);
56                if (! beginWord) c = Character.toLowerCase(c);
57                beginWord = Character.isWhitespace(c);
58                String replace = new String();
59
60                // names in comments are from Unicode Standard
61                switch (c) {
62                case 'j': replace = "i"; break;
63                case 'v': replace = "u"; break;
64
65                /*
66                 * Linguistic note: /u/ and /v/ are rarely phonemic
67                 * in Latin, as in alui 's/he nourished' vs.
68                 * alvi 'of a belly', volui 's/he wished' or 'it rolled'
69                 * vs. volvi 'to be rolled', (in)seruit 's/he joined
70                 * together' vs. (in)servit 's/he serves'.
71                 */
72
73                case 'q':
74                    if ((i < s.length() - 1) && (s.charAt(i + 1) == ';'))
75                        replace = "qu";
76                    else
77                        replace = "q";
78                    break;
79                case ';':
80                    if ((i > 0) && (s.charAt(i - 1) == 'q'))
81                        replace = "e";
82                    else if ((i == 0) || ! Character.isLetter(s.charAt(i - 1)))
83                        replace = ";";
84                    else
85                        replace = "";
86                    break;
87
88                case '\u0300': replace = ""; break; // COMBINING GRAVE ACCENT
89                case '\u0301': replace = ""; break; // COMBINING ACCUTE ACCENT
90                case '\u0302': replace = ""; break; // COMBINING CIRCUMFLEX ACCENT
91
92                case '\u00c0': replace = "A"; break; // LATIN CAPITAL LETTER A GRAVE
93                case '\u00c1': replace = "A"; break; // LATIN CAPITAL LETTER A ACUTE
94                case '\u00c2': replace = "A"; break; // LATIN CAPITAL LETTER A CIRCUMFLEX
95                case '\u00c4': replace = "A"; break; // LATIN CAPITAL LETTER A DIAERESIS
96                case '\u00c6': replace = "Ae"; break; // LATIN CAPITAL LETTER A E
97                case '\u00c7': replace = "C"; break; // LATIN CAPITAL LETTER C CEDILLA
98                case '\u00c8': replace = "E"; break; // LATIN CAPITAL LETTER E GRAVE
99                case '\u00c9': replace = "E"; break; // LATIN CAPITAL LETTER E ACUTE
100                case '\u00ca': replace = "E"; break; // LATIN CAPITAL LETTER E CIRCUMFLEX
101                case '\u00cb': replace = "E"; break; // LATIN CAPITAL LETTER E DIAERESIS
102                case '\u00cc': replace = "I"; break; // LATIN CAPITAL LETTER I GRAVE;
103                case '\u00cd': replace = "I"; break; // LATIN CAPITAL LETTER I ACUTE
104                case '\u00ce': replace = "I"; break; // LATIN CAPITAL LETTER I CIRCUMFLEX
105                case '\u00cf': replace = "I"; break; // LATIN CAPITAL LETTER I DIAERESIS
106                case '\u00d2': replace = "O"; break; // LATIN CAPITAL LETTER O GRAVE
107                case '\u00d3': replace = "O"; break; // LATIN CAPITAL LETTER O ACUTE
108                case '\u00d4': replace = "O"; break; // LATIN CAPITAL LETTER O CIRCUMFLEX
109                case '\u00d6': replace = "O"; break; // LATIN CAPITAL LETTER O DIAERESIS
110                case '\u00d9': replace = "U"; break; // LATIN CAPITAL LETTER U GRAVE
111                case '\u00da': replace = "U"; break; // LATIN CAPITAL LETTER U ACUTE
112                case '\u00db': replace = "U"; break; // LATIN CAPITAL LETTER U CIRCUMFLEX
113                case '\u00dc': replace = "U"; break; // LATIN CAPITAL LETTER U DIAERESIS
114                case '\u00e0': replace = "a"; break; // LATIN SMALL LETTER A GRAVE
115                case '\u00e1': replace = "a"; break; // LATIN SMALL LETTER A ACUTE
116                case '\u00e2': replace = "a"; break; // LATIN SMALL LETTER A CIRCUMFLEX
117                case '\u00e4': replace = "a"; break; // LATIN SMALL LETTER A DIAERESIS
118                case '\u00e6': replace = "ae"; break; // LATIN SMALL LETTER A E
119                case '\u00e7': replace = "c"; break; // LATIN SMALL LETTER C CEDILLA
120                case '\u00e8': replace = "e"; break; // LATIN SMALL LETTER E GRAVE
121                case '\u00e9': replace = "e"; break; // LATIN SMALL LETTER E ACUTE
122                case '\u00ea': replace = "e"; break; // LATIN SMALL LETTER E CIRCUMFLEX
123                case '\u00eb': replace = "e"; break; // LATIN SMALL LETTER E DIAERESIS
124                case '\u00ec': replace = "i"; break; // LATIN SMALL LETTER I GRAVE
125                case '\u00ed': replace = "i"; break; // LATIN SMALL LETTER I ACUTE
126                case '\u00ee': replace = "i"; break; // LATIN SMALL LETTER I CIRCUMFLEX
127                case '\u00ef': replace = "i"; break; // LATIN SMALL LETTER I DIAERESIS
128                case '\u00f2': replace = "o"; break; // LATIN SMALL LETTER O GRAVE
129                case '\u00f3': replace = "o"; break; // LATIN SMALL LETTER O ACUTE
130                case '\u00f4': replace = "o"; break; // LATIN SMALL LETTER O CIRCUMFLEX
131                case '\u00f6': replace = "o"; break; // LATIN SMALL LETTER O DIAERESIS
132                case '\u00f9': replace = "u"; break; // LATIN SMALL LETTER U GRAVE
133                case '\u00fa': replace = "u"; break; // LATIN SMALL LETTER U ACUTE
134                case '\u00fb': replace = "u"; break; // LATIN SMALL LETTER U CIRCUMFLEX
135                case '\u00fc': replace = "u"; break; // LATIN SMALL LETTER U DIAERESIS
136                case '\u0100': replace = "A"; break; // LATIN CAPITAL LETTER A MACRON
137                case '\u0101': replace = "a"; break; // LATIN SMALL LETTER A MACRON
138                case '\u0102': replace = "A"; break; // LATIN CAPITAL LETTER A BREVE
139                case '\u0103': replace = "a"; break; // LATIN SMALL LETTER A BREVE
140                case '\u0112': replace = "E"; break; // LATIN CAPITAL LETTER E MACRON
141                case '\u0113': replace = "e"; break; // LATIN SMALL LETTER E MACRON
142                case '\u0114': replace = "E"; break; // LATIN CAPITAL LETTER E BREVE
143                case '\u0115': replace = "e"; break; // LATIN SMALL LETTER E BREVE
144                case '\u0118': replace = "Ae"; break; // LATIN CAPITAL LETTER E OGONEK
145                case '\u0119': replace = "ae"; break; // LATIN SMALL LETTER E OGONEK
146                case '\u012a': replace = "I"; break; // LATIN CAPITAL LETTER I MACRON
147                case '\u012b': replace = "i"; break; // LATIN SMALL LETTER I MACRON
148                case '\u012c': replace = "I"; break; // LATIN CAPITAL LETTER I BREVE
149                case '\u012d': replace = "i"; break; // LATIN SMALL LETTER I BREVE
150                case '\u014c': replace = "O"; break; // LATIN CAPITAL LETTER O MACRON
151                case '\u014d': replace = "o"; break; // LATIN SMALL LETTER O MACRON
152                case '\u014e': replace = "O"; break; // LATIN CAPITAL LETTER O BREVE
153                case '\u014f': replace = "o"; break; // LATIN SMALL LETTER O BREVE
154                case '\u0152': replace = "Oe"; break; // LATIN CAPITAL LETTER O E
155                case '\u0153': replace = "oe"; break; // LATIN SMALL LETTER O E
156                case '\u016a': replace = "U"; break; // LATIN CAPITAL LETTER U MACRON
157                case '\u016b': replace = "u"; break; // LATIN SMALL LETTER U MACRON
158                case '\u016c': replace = "U"; break; // LATIN CAPITAL LETTER U BREVE
159                case '\u016d': replace = "u"; break; // LATIN SMALL LETTER U BREVE
160                case '\u017f': replace = "s"; break; // LATIN SMALL LETTER LONG S
161                case '\u00df': replace = "ss"; break; // LATIN SMALL LETTER SHARP S
162                case '\u00ad': break; // soft hyphen
163                case '\u2329': break; // BRA
164                case '\u232a': break; // KET
165                default: replace += c; break;
166                }
167
168                buf.append(replace);
169
170                // update offsets if replacement is a different length
171                if (offsets != null) {
172                    int r = replace.length();
173                    if (r == 0) this.offsets = arrayKill(this.offsets, i - n);
174                    else if (r == 2)
175                        this.offsets =
176                            arrayInsert(this.offsets, i - n + 1,
177                                        this.offsets[i - n], r - 1);
178                    n += 1 - r;
179                }
180            }
181            return buf.toString();
182        }
183       
184        else if (ruleset.equals("it")) {
185            StringBuffer buf = new StringBuffer();
186            boolean beginWord = true;
187            int n = 0;
188            for (int i = 0; i < s.length(); i++) {
189                char c = s.charAt(i);
190                if (! beginWord) c = Character.toLowerCase(c);
191                String replace = new String();
192           
193                if ((c == 'u') && (i > 0) && (i < s.length() - 1)) {
194                    char c_n = s.charAt(i + 1);
195                    char c_p;
196                    int y = i - 1;
197                    while ((((c_p = s.charAt(y)) == '-') ||
198                            (c_p == '\u00ad')) && (y-- > 0));
199                    if ((IT_VOWELS.indexOf(c_p) > -1) &&
200                        (IT_VOWELS.indexOf(c_n) > -1)) replace = "v";
201                    else replace = "u";
202                }
203                else if ((c == 'j') && (i > 0)) {
204                    char c_p = Character.toLowerCase(s.charAt(i - 1));
205                    if (c_p == 'i') replace = "i";
206                    else replace = "j";
207                }
208                else if ((c == 'v') && (i < s.length() - 1)) {
209                    char c_p;
210                    char c_n;
211                    int y = i + 1;
212                    while ((((c_n = s.charAt(y)) == '-') ||
213                            (c_n == '\u00ad')) && (y++ > 0));
214                    if ((beginWord ||
215                         (! Character.isLetter(c_p = s.charAt(i - 1))) ||
216                         IT_CONS.indexOf(c_p) > -1) &&
217                        IT_CONS.indexOf(c_n) > -1)
218                        replace = "u"; else replace = "v";
219                }
220                else if ((c == 't') && (i < s.length() - 2)) {
221                    char c_n = Character.toLowerCase(s.charAt(i + 1));
222                    char c_n2 = Character.toLowerCase(s.charAt(i + 2));
223                    if ((c_n == 'i') && (c_n2 == 'o'))
224                        replace = "z";
225                    else
226                        replace  = "t";
227                }
228                /*
229                 * 'h' only appears at the beginning of some pres. indic.
230                 * forms of 'avere' -- with the exception of some unimportant
231                 * loanwords in modern Italian (which I choose to ignore)
232                 */
233                else if (c == 'h') {
234                    int l = s.length();
235                    if ((i < l - 1) &&
236                        (beginWord ||
237                         ((i > 0) &&
238                          (! Character.isLetter(s.charAt(i - 1)))))) {
239                        char c_n = Character.toLowerCase(s.charAt(i + 1));
240                        if (c_n == 'a') {
241                            if (i < l - 2) {
242                                char c_n2 =
243                                    Character.toLowerCase(s.charAt(i + 2));
244                                if (((! Character.isLetter(c_n2)) && //  'ha'
245                                     (c_n2 != '-') && (c_n2 != '\u00ad')) ||
246                                    (c_n2 == 'i') || // 'hai'
247                                    (c_n2 == 'n')) { // 'hanno'
248                                    replace = "h";
249                                }
250                                else {
251                                    replace = "";
252                                }
253                            }
254                            else {
255                                replace = "h"; // 'ha'
256                            }
257                        }
258                        else if (c_n == 'o') {
259                            if (i < l - 2) {
260                                char c_n2 =
261                                    Character.toLowerCase(s.charAt(i + 2));
262                                if (! Character.isLetter(c_n2)) {
263                                    replace = "h";
264                                }
265                                else {
266                                    replace = "";
267                                }
268                            }
269                            else {
270                                replace = "h"; // 'ho'
271                            }
272                        }
273                        else {
274                            replace = "";
275                        }
276                    }
277                    else {
278                        replace = "h"; // not word initial (or else isolated)
279                    }
280                }
281                else if ((c == '\u00ad') || (c == '-')) { // (soft) hyphen
282                    if ((i < s.length() - 1) &&
283                        (! Character.isWhitespace(s.charAt(i + 1)))) {
284                        replace = "";
285                    }
286                    else {
287                        replace = "-";
288                    }
289                }
290                else {
291                    switch (c) {
292                    case '\u00c1': replace = "\u00c0"; break; // LATIN CAPITAL LETTER A ACUTE
293                    case '\u00c6': replace = "Ae"; break; // LATIN CAPITAL LETTER A E
294                    case '\u00c9': replace = "\u00c8"; break; // LATIN CAPITAL LETTER E ACUTE
295                    case '\u00cd': replace = "\u00cc"; break; // LATIN CAPITAL LETTER I ACUTE
296                    case '\u00d3': replace = "\u00d2"; break; // LATIN CAPITAL LETTER O ACUTE
297                    case '\u00da': replace = "\u00d9"; break; // LATIN CAPITAL LETTER U ACUTE
298                    case '\u00e1': replace = "\u00e0"; break; // LATIN SMALL LETTER A ACUTE
299                    case '\u00e6': replace = "ae"; break; // LATIN SMALL LETTER A E
300                    case '\u00e9': replace = "\u00e8"; break; // LATIN SMALL LETTER E ACUTE
301                    case '\u00ed': replace = "\u00ec"; break; // LATIN SMALL LETTER I ACUTE
302                    case '\u00f3': replace = "\u00f2"; break; // LATIN SMALL LETTER O ACUTE
303                    case '\u00fa': replace = "\u00f9"; break; // LATIN SMALL LETTER U ACUTE
304                    case '\u0152': replace = "Oe"; break; // LATIN CAPITAL LETTER O E
305                    case '\u0153': replace = "oe"; break; // LATIN SMALL LETTER O E
306                    case '\u017f': replace = "s"; break; // LATIN SMALL LETTER LONG S
307                    case '\u00df': replace = "ss"; break; // LATIN SMALL LETTER SHARP S
308                    default: replace += c; break;
309                    }
310                }
311                beginWord = Character.isWhitespace(c) ||
312                    (c == '\u2019') || (c == '\'');
313                buf.append(replace);
314
315                // update offsets if replacement is a different length
316                if (offsets != null) {
317                    int r = replace.length();
318                    if (r == 0) this.offsets = arrayKill(this.offsets, i - n);
319                    else if (r == 2)
320                        this.offsets =
321                            arrayInsert(this.offsets, i - n + 1,
322                                        this.offsets[i - n], r - 1);
323                    n += 1 - r;
324                }
325            }
326            return buf.toString();
327        }
328
329        else if (ruleset.equals("fr")) {
330            StringBuffer buf = new StringBuffer();
331            boolean beginWord = true;
332            int n = 0;
333            for (int i = 0; i < s.length(); i++) {
334                char c = s.charAt(i);
335                if (! beginWord) c = Character.toLowerCase(c);
336                String replace = new String();
337           
338                if ((c == 'u') && (i > 0) && (i < s.length() - 1)) {
339                    char c_n = s.charAt(i + 1);
340                    char c_p;
341                    int y = i - 1;
342                    while ((((c_p = s.charAt(y)) == '-') ||
343                            (c_p == '\u00ad')) && (y-- > 0));
344                    // sic: OK, I think, to use IT_VOWELS
345                    if ((IT_VOWELS.indexOf(c_p) > -1) &&
346                        (IT_VOWELS.indexOf(c_n) > -1)) replace = "v";
347                    else replace = "u";
348                }
349                else if ((c == 'v') && (i < s.length() - 1)) {
350                    char c_p;
351                    char c_n;
352                    int y = i + 1;
353                    while ((((c_n = s.charAt(y)) == '-') ||
354                            (c_n == '\u00ad')) && (y++ > 0));
355                    if ((beginWord ||
356                         (! Character.isLetter(c_p = s.charAt(i - 1))) ||
357                         IT_CONS.indexOf(c_p) > -1) &&
358                        IT_CONS.indexOf(c_n) > -1)
359                        replace = "u"; else replace = "v";
360                }
361                else {
362                    switch (c) {
363                    case '\u00e6': replace = "ae"; break; // LATIN SMALL LETTER A E
364                    case '\u017f': replace = "s"; break; // LATIN SMALL LETTER LONG S
365                    case '\u00df': replace = "ss"; break; // LATIN SMALL LETTER SHARP S
366                    case '\u00ad': break; // soft hyphen
367                    case '-': break;
368                    default: replace += c; break;
369                    }
370                }
371                beginWord = Character.isWhitespace(c);
372                buf.append(replace);
373
374                // update offsets if replacement is a different length
375                if (offsets != null) {
376                    int r = replace.length();
377                    if (r == 0) this.offsets = arrayKill(this.offsets, i - n);
378                    else if (r == 2)
379                        this.offsets =
380                            arrayInsert(this.offsets, i - n + 1,
381                                        this.offsets[i - n], r - 1);
382                    n += 1 - r;
383                }
384            }
385            return buf.toString();
386        }
387
388        else if (ruleset.equals("de")) {
389            StringBuffer buf = new StringBuffer();
390            boolean beginWord = true;
391            int n = 0;
392            for (int i = 0; i < s.length(); i++) {
393                char c = s.charAt(i);
394                if (! beginWord) c = Character.toLowerCase(c);
395                beginWord = Character.isWhitespace(c) ||
396                    (" .,:;?!(<['\"\u2018\u201c".indexOf(c) > -1);
397                String replace = new String();
398           
399                switch (c) {
400                case '\u00c4': replace = "Ae"; break;
401                case '\u00d6': replace = "Oe"; break;
402                case '\u00dc': replace = "Ue"; break;
403                case '\u00df': replace = "ss"; break;
404                case '\u00e4': replace = "ae"; break;
405                case '\u00f6': replace = "oe"; break;
406                case '\u00fc': replace = "ue"; break;
407                case '\u00e9': replace = "e"; break;
408                case '\u00ad': break; // soft hyphen
409                case '-': break;
410                default: replace += c; break;
411                }
412
413                buf.append(replace);
414
415                // update offsets if replacement is a different length
416                if (offsets != null) {
417                    int r = replace.length();
418                    if (r == 0) this.offsets = arrayKill(this.offsets, i - n);
419                    else if (r == 2)
420                        this.offsets =
421                            arrayInsert(this.offsets, i - n + 1,
422                                        this.offsets[i - n], r - 1);
423                    n += 1 - r;
424                }
425            }
426            return buf.toString();
427        }
428
429        else if (ruleset.equals("zh")) {
430            StringBuffer buf = new StringBuffer();
431            int n = 0;
432            for (int i = 0; i < s.length(); i++) {
433                char c = s.charAt(i);
434                String replace = new String();
435           
436                switch (c) {
437                case '\u00b9': replace = "1"; break;
438                case '\u00b2': replace = "2"; break;
439                case '\u00b3': replace = "3"; break;
440                case '\u2074': replace = "4"; break;
441                case '\u2075': replace = "5"; break;
442                case '\u3000': replace = " "; break;
443                case '\u3001': replace = ","; break;
444                case '\u3002': replace = "."; break;
445//              case '\u200b': break; // BREAKS EVERYTHING!
446                default: replace += c; break;
447                }
448
449                buf.append(replace);
450
451                // update offsets if replacement is a different length
452                if (offsets != null) {
453                    int r = replace.length();
454                    if (r == 0) this.offsets = arrayKill(this.offsets, i - n);
455                    else if (r == 2)
456                        this.offsets =
457                            arrayInsert(this.offsets, i - n + 1,
458                                        this.offsets[i - n], r - 1);
459                    n += 1 - r;
460                }
461            }
462            return buf.toString();
463        }
464
465        else if (ruleset.equals("ar")) {
466            StringBuffer buf = new StringBuffer();
467            boolean beginWord = true;
468            int n = 0;
469            for (int i = 0; i < s.length(); i++) {
470                char c = s.charAt(i);
471                beginWord = Character.isWhitespace(c);
472                String replace = new String();
473           
474                switch (c) {
475                case '_': break; // TATWEEL in Buckwalter
476                case 'o': break; // SUKUN in Buckwalter
477                case '\u0640': break; // TATWEEL
478                case '\u0652': break; // SUKUN
479                case '^': break; // Buckwalter extension for capitalization
480                case '\u200f': break; // R-L MARK
481                default: replace += c; break;
482                }
483
484                buf.append(replace);
485
486                // update offsets if replacement is a different length
487                if (offsets != null) {
488                    int r = replace.length();
489                    if (r == 0) this.offsets = arrayKill(this.offsets, i - n);
490                    else if (r == 2)
491                        this.offsets =
492                            arrayInsert(this.offsets, i - n + 1,
493                                        this.offsets[i - n], r - 1);
494                    n += 1 - r;
495                }
496            }
497            return buf.toString();
498        }
499
500        else if (ruleset.equals("akk") ||
501                 ruleset.equals("qam") ||
502                 ruleset.equals("qpc") ||
503                 ruleset.equals("elx") ||
504                 ruleset.equals("sux") ||
505                 ruleset.equals("hit") ||
506                 ruleset.equals("qhu") ||
507                 ruleset.equals("peo") ||
508                 ruleset.equals("uga") ||
509                 ruleset.equals("ura") ||
510                 ruleset.equals("qcu")) {
511           
512
513            StringBuffer buf = new StringBuffer();
514            int n = 0;
515            char last = '\u0000';
516            for (int i = 0; i < s.length(); i++) {
517                char c = s.charAt(i);
518                c = Character.toLowerCase(c);
519                String replace = new String();
520
521                switch (c) {
522                case '{': replace += "-"; break;
523                case '}': replace += "-"; break;
524
525                // These are from PSD::ATF::Unicode by Steve Tinney
526                case '\u0161': replace += "sz"; break;
527                case '\u1e63': replace += "s,"; break;
528                case '\u1e6d': replace += "t,"; break;
529                case '\u014b': replace += "j"; break;
530                case '\u015b': replace += "s'"; break;
531                case '\u2080': replace += "0"; break;
532                case '\u2081': replace += "1"; break;
533                case '\u2082': replace += "2"; break;
534                case '\u2083': replace += "3"; break;
535                case '\u2084': replace += "4"; break;
536                case '\u2085': replace += "5"; break;
537                case '\u2086': replace += "6"; break;
538                case '\u2087': replace += "7"; break;
539                case '\u2088': replace += "8"; break;
540                case '\u2089': replace += "9"; break;
541
542                case 'c':       // shin (except where used as modifier)
543                    if ((i > 0) && ((last == '~') || (last == '@')))
544                        replace += "c";
545                    else replace += "sz";
546                    break;
547
548                default: replace += c; break;
549                }
550
551                // suppress grapheme boundary before or after word boundary
552                if (replace.equals("-")) {
553                    if ((i + 1 == s.length()) || (s.charAt(i + 1) == ' ') ||
554                        (i == 0) || (s.charAt(i - 1) == ' ')) replace = "";
555                }
556
557                last = c;
558
559                buf.append(replace);
560
561                // update offsets if replacement is a different length
562                if (offsets != null) {
563                    int r = replace.length();
564                    if (r == 0) this.offsets = arrayKill(this.offsets, i - n);
565                    else if (r == 2)
566                        this.offsets =
567                            arrayInsert(this.offsets, i - n + 1,
568                                        this.offsets[i - n], r - 1);
569                    n += 1 - r;
570                }
571            }
572            return buf.toString();
573        }
574
575        if (ruleset.equals("el")) {
576            StringBuffer buf = new StringBuffer();
577            boolean beginWord = true;
578            int n = 0;
579            for (int i = 0; i < s.length(); i++) {
580                char c = s.charAt(i);
581                if (! beginWord) c = Character.toLowerCase(c);
582                beginWord = Character.isWhitespace(c);
583                String replace = new String();
584
585                switch (c) {
586                case '\u03c2': replace = "\u03c3"; break; // GREEK SMALL LETTER FINAL SIGMA
587                case '<': break;
588                case '>': break;
589                case '[': break;
590                case ']': break;
591                case '1': break;
592                case '2': break;
593                case '\u03ac': replace = "\u1f71"; break;
594                case '\u03ad': replace = "\u1f73"; break;
595                case '\u03ae': replace = "\u1f75"; break;
596                case '\u03af': replace = "\u1f77"; break;
597                case '\u03cc': replace = "\u1f79"; break;
598                case '\u03cd': replace = "\u1f7b"; break;
599                case '\u03ce': replace = "\uu1f7d"; break;
600                case '-': break; // same treatment as soft hyphen
601                case '\u00ad': break; // soft hyphen
602                default: replace += c; break;
603                }
604
605                buf.append(replace);
606
607                // update offsets if replacement is a different length
608                if (offsets != null) {
609                    int r = replace.length();
610                    if (r == 0) this.offsets = arrayKill(this.offsets, i - n);
611                    else if (r == 2)
612                        this.offsets =
613                            arrayInsert(this.offsets, i - n + 1,
614                                        this.offsets[i - n], r - 1);
615                    n += 1 - r;
616                }
617            }
618            return buf.toString();
619        }
620
621        if (ruleset.equals("el_atonic")) {
622            StringBuffer buf = new StringBuffer();
623            boolean beginWord = true;
624            int n = 0;
625            for (int i = 0; i < s.length(); i++) {
626                char c = s.charAt(i);
627                if (! beginWord) c = Character.toLowerCase(c);
628                beginWord = Character.isWhitespace(c);
629                String replace = new String();
630
631                switch (c) {
632                case '\u03c2': replace = "\u03c3"; break; // GREEK SMALL LETTER FINAL SIGMA
633                // map characters with diacritics to their plain equivalent
634                // cf. <code>BetaCode.java</code>
635                case '\u03aa': replace = "\u0399"; break;
636                case '\u03ab': replace = "\u03a5"; break;
637                case '\u03ac': replace = "\u0381"; break;
638                case '\u03ad': replace = "\u0385"; break;
639                case '\u03ae': replace = "\u0387"; break;
640                case '\u03af': replace = "\u0389"; break;
641                case '\u03ca': replace = "\u03b9"; break;
642                case '\u03cb': replace = "\u03c5"; break;
643                case '\u03cc': replace = "\u03bf"; break;
644                case '\u03cd': replace = "\u03c5"; break;
645                case '\u03ce': replace = "\u03c9"; break;
646                case '\u1f00': replace = "\u03b1"; break;
647                case '\u1f01': replace = "\u03b1"; break;
648                case '\u1f02': replace = "\u03b1"; break;
649                case '\u1f03': replace = "\u03b1"; break;
650                case '\u1f04': replace = "\u03b1"; break;
651                case '\u1f05': replace = "\u03b1"; break;
652                case '\u1f06': replace = "\u03b1"; break;
653                case '\u1f07': replace = "\u03b1"; break;
654                case '\u1f08': replace = "\u0391"; break;
655                case '\u1f09': replace = "\u0391"; break;
656                case '\u1f0a': replace = "\u0391"; break;
657                case '\u1f0b': replace = "\u0391"; break;
658                case '\u1f0c': replace = "\u0391"; break;
659                case '\u1f0d': replace = "\u0391"; break;
660                case '\u1f0e': replace = "\u0391"; break;
661                case '\u1f0f': replace = "\u0391"; break;
662                case '\u1f10': replace = "\u03b5"; break;
663                case '\u1f11': replace = "\u03b5"; break;
664                case '\u1f12': replace = "\u03b5"; break;
665                case '\u1f13': replace = "\u03b5"; break;
666                case '\u1f14': replace = "\u03b5"; break;
667                case '\u1f15': replace = "\u03b5"; break;
668                case '\u1f18': replace = "\u0395"; break;
669                case '\u1f19': replace = "\u0395"; break;
670                case '\u1f1a': replace = "\u0395"; break;
671                case '\u1f1b': replace = "\u0395"; break;
672                case '\u1f1c': replace = "\u0395"; break;
673                case '\u1f1d': replace = "\u0395"; break;
674                case '\u1f20': replace = "\u03b7"; break;
675                case '\u1f21': replace = "\u03b7"; break;
676                case '\u1f22': replace = "\u03b7"; break;
677                case '\u1f23': replace = "\u03b7"; break;
678                case '\u1f24': replace = "\u03b7"; break;
679                case '\u1f25': replace = "\u03b7"; break;
680                case '\u1f26': replace = "\u03b7"; break;
681                case '\u1f27': replace = "\u03b7"; break;
682                case '\u1f28': replace = "\u0397"; break;
683                case '\u1f29': replace = "\u0397"; break;
684                case '\u1f2a': replace = "\u0397"; break;
685                case '\u1f2b': replace = "\u0397"; break;
686                case '\u1f2c': replace = "\u0397"; break;
687                case '\u1f2d': replace = "\u0397"; break;
688                case '\u1f2e': replace = "\u0397"; break;
689                case '\u1f2f': replace = "\u0397"; break;
690                case '\u1f30': replace = "\u03b9"; break;
691                case '\u1f31': replace = "\u03b9"; break;
692                case '\u1f32': replace = "\u03b9"; break;
693                case '\u1f33': replace = "\u03b9"; break;
694                case '\u1f34': replace = "\u03b9"; break;
695                case '\u1f35': replace = "\u03b9"; break;
696                case '\u1f36': replace = "\u03b9"; break;
697                case '\u1f37': replace = "\u03b9"; break;
698                case '\u1f38': replace = "\u0399"; break;
699                case '\u1f39': replace = "\u0399"; break;
700                case '\u1f3a': replace = "\u0399"; break;
701                case '\u1f3b': replace = "\u0399"; break;
702                case '\u1f3c': replace = "\u0399"; break;
703                case '\u1f3d': replace = "\u0399"; break;
704                case '\u1f3e': replace = "\u0399"; break;
705                case '\u1f3f': replace = "\u0399"; break;
706                case '\u1f40': replace = "\u03bf"; break;
707                case '\u1f41': replace = "\u03bf"; break;
708                case '\u1f42': replace = "\u03bf"; break;
709                case '\u1f43': replace = "\u03bf"; break;
710                case '\u1f44': replace = "\u03bf"; break;
711                case '\u1f45': replace = "\u03bf"; break;
712                case '\u1f48': replace = "\u039f"; break;
713                case '\u1f49': replace = "\u039f"; break;
714                case '\u1f4a': replace = "\u039f"; break;
715                case '\u1f4b': replace = "\u039f"; break;
716                case '\u1f4c': replace = "\u039f"; break;
717                case '\u1f4d': replace = "\u039f"; break;
718                case '\u1f50': replace = "\u03c5"; break;
719                case '\u1f51': replace = "\u03c5"; break;
720                case '\u1f52': replace = "\u03c5"; break;
721                case '\u1f53': replace = "\u03c5"; break;
722                case '\u1f54': replace = "\u03c5"; break;
723                case '\u1f55': replace = "\u03c5"; break;
724                case '\u1f56': replace = "\u03c5"; break;
725                case '\u1f57': replace = "\u03c5"; break;
726                case '\u1f58': replace = "\u03a5"; break;
727                case '\u1f59': replace = "\u03a5"; break;
728                case '\u1f5a': replace = "\u03a5"; break;
729                case '\u1f5b': replace = "\u03a5"; break;
730                case '\u1f5c': replace = "\u03a5"; break;
731                case '\u1f5d': replace = "\u03a5"; break;
732                case '\u1f5e': replace = "\u03a5"; break;
733                case '\u1f5f': replace = "\u03a5"; break;
734                case '\u1f60': replace = "\u03c9"; break;
735                case '\u1f61': replace = "\u03c9"; break;
736                case '\u1f62': replace = "\u03c9"; break;
737                case '\u1f63': replace = "\u03c9"; break;
738                case '\u1f64': replace = "\u03c9"; break;
739                case '\u1f65': replace = "\u03c9"; break;
740                case '\u1f66': replace = "\u03c9"; break;
741                case '\u1f67': replace = "\u03c9"; break;
742                case '\u1f68': replace = "\u03a9"; break;
743                case '\u1f69': replace = "\u03a9"; break;
744                case '\u1f6a': replace = "\u03a9"; break;
745                case '\u1f6b': replace = "\u03a9"; break;
746                case '\u1f6c': replace = "\u03a9"; break;
747                case '\u1f6d': replace = "\u03a9"; break;
748                case '\u1f6e': replace = "\u03a9"; break;
749                case '\u1f6f': replace = "\u03a9"; break;
750                case '\u1f70': replace = "\u03b1"; break;
751                case '\u1f71': replace = "\u03b1"; break;
752                case '\u1f72': replace = "\u03b5"; break;
753                case '\u1f73': replace = "\u03b5"; break;
754                case '\u1f74': replace = "\u03b7"; break;
755                case '\u1f75': replace = "\u03b7"; break;
756                case '\u1f76': replace = "\u03b9"; break;
757                case '\u1f77': replace = "\u03b9"; break;
758                case '\u1f78': replace = "\u03bf"; break;
759                case '\u1f79': replace = "\u03bf"; break;
760                case '\u1f7a': replace = "\u03c5"; break;
761                case '\u1f7b': replace = "\u03c5"; break;
762                case '\u1f7c': replace = "\u03c9"; break;
763                case '\u1f7d': replace = "\u03c9"; break;
764                case '\u1f80': replace = "\u03b1"; break;
765                case '\u1f81': replace = "\u03b1"; break;
766                case '\u1f82': replace = "\u03b1"; break;
767                case '\u1f83': replace = "\u03b1"; break;
768                case '\u1f84': replace = "\u03b1"; break;
769                case '\u1f85': replace = "\u03b1"; break;
770                case '\u1f86': replace = "\u03b1"; break;
771                case '\u1f87': replace = "\u03b1"; break;
772                case '\u1f88': replace = "\u0391"; break;
773                case '\u1f89': replace = "\u0391"; break;
774                case '\u1f8a': replace = "\u0391"; break;
775                case '\u1f8b': replace = "\u0391"; break;
776                case '\u1f8c': replace = "\u0391"; break;
777                case '\u1f8d': replace = "\u0391"; break;
778                case '\u1f8e': replace = "\u0391"; break;
779                case '\u1f8f': replace = "\u0391"; break;
780                case '\u1f90': replace = "\u03b7"; break;
781                case '\u1f91': replace = "\u03b7"; break;
782                case '\u1f92': replace = "\u03b7"; break;
783                case '\u1f93': replace = "\u03b7"; break;
784                case '\u1f94': replace = "\u03b7"; break;
785                case '\u1f95': replace = "\u03b7"; break;
786                case '\u1f96': replace = "\u03b7"; break;
787                case '\u1f97': replace = "\u03b7"; break;
788                case '\u1f98': replace = "\u0397"; break;
789                case '\u1f99': replace = "\u0397"; break;
790                case '\u1f9a': replace = "\u0397"; break;
791                case '\u1f9b': replace = "\u0397"; break;
792                case '\u1f9c': replace = "\u0397"; break;
793                case '\u1f9d': replace = "\u0397"; break;
794                case '\u1f9e': replace = "\u0397"; break;
795                case '\u1f9f': replace = "\u0397"; break;
796                case '\u1fa0': replace = "\u03c9"; break;
797                case '\u1fa1': replace = "\u03c9"; break;
798                case '\u1fa2': replace = "\u03c9"; break;
799                case '\u1fa3': replace = "\u03c9"; break;
800                case '\u1fa4': replace = "\u03c9"; break;
801                case '\u1fa5': replace = "\u03c9"; break;
802                case '\u1fa6': replace = "\u03c9"; break;
803                case '\u1fa7': replace = "\u03c9"; break;
804                case '\u1fa8': replace = "\u03a9"; break;
805                case '\u1fa9': replace = "\u03a9"; break;
806                case '\u1faa': replace = "\u03a9"; break;
807                case '\u1fab': replace = "\u03a9"; break;
808                case '\u1fac': replace = "\u03a9"; break;
809                case '\u1fad': replace = "\u03a9"; break;
810                case '\u1fae': replace = "\u03a9"; break;
811                case '\u1faf': replace = "\u03a9"; break;
812                case '\u1fb2': replace = "\u03b1"; break;
813                case '\u1fb3': replace = "\u03b1"; break;
814                case '\u1fb4': replace = "\u03b1"; break;
815                case '\u1fb6': replace = "\u03b1"; break;
816                case '\u1fb7': replace = "\u03b1"; break;
817                case '\u1fba': replace = "\u0391"; break;
818                case '\u1fbb': replace = "\u0391"; break;
819                case '\u1fbc': replace = "\u0391"; break;
820                case '\u1fc2': replace = "\u03b7"; break;
821                case '\u1fc3': replace = "\u03b7"; break;
822                case '\u1fc4': replace = "\u03b7"; break;
823                case '\u1fc6': replace = "\u03b7"; break;
824                case '\u1fc7': replace = "\u03b7"; break;
825                case '\u1fca': replace = "\u0397"; break;
826                case '\u1fcb': replace = "\u0397"; break;
827                case '\u1fcc': replace = "\u0397"; break;
828                case '\u1fd2': replace = "\u03b9"; break;
829                case '\u1fd3': replace = "\u03b9"; break;
830                case '\u1fd6': replace = "\u03b9"; break;
831                case '\u1fd7': replace = "\u03b9"; break;
832                case '\u1fda': replace = "\u0399"; break;
833                case '\u1fdb': replace = "\u039f"; break;
834                case '\u1fe2': replace = "\u03c5"; break;
835                case '\u1fe3': replace = "\u03c5"; break;
836                case '\u1fe4': replace = "\u03c1"; break;
837                case '\u1fe5': replace = "\u03c1"; break;
838                case '\u1fe6': replace = "\u03c5"; break;
839                case '\u1fe7': replace = "\u03c5"; break;
840                case '\u1fea': replace = "\u03a5"; break;
841                case '\u1feb': replace = "\u03a5"; break;
842                case '\u1fec': replace = "\u03a1"; break;
843                case '\u1ff2': replace = "\u03c9"; break;
844                case '\u1ff3': replace = "\u03c9"; break;
845                case '\u1ff4': replace = "\u03c9"; break;
846                case '\u1ff6': replace = "\u03c9"; break;
847                case '\u1ff7': replace = "\u03c9"; break;
848                case '\u1ff8': replace = "\u039f"; break;
849                case '\u1ff9': replace = "\u039f"; break;
850                case '\u1ffa': replace = "\u03a9"; break;
851                case '\u1ffb': replace = "\u03a9"; break;
852                case '\u1ffc': replace = "\u03a9"; break;
853
854                case '<': break;
855                case '>': break;
856                case '-': break; // same treatment as soft hyphen
857                case '\u00ad': break; // soft hyphen
858                default: replace += c; break;
859                }
860
861                buf.append(replace);
862
863                // update offsets if replacement is a different length
864                if (offsets != null) {
865                    int r = replace.length();
866                    if (r == 0) this.offsets = arrayKill(this.offsets, i - n);
867                    else if (r == 2)
868                        this.offsets =
869                            arrayInsert(this.offsets, i - n + 1,
870                                        this.offsets[i - n], r - 1);
871                    n += 1 - r;
872                }
873            }
874            return buf.toString();
875        }
876
877        else {                  // unknown or no ruleset
878            return s;
879        }
880    }
881
882    /**
883     * Applies the normalization rules in <code>ruleset</code> to
884     * <code>s</code>, without offset tracking.
885     *
886     * @param s            source string
887     * @return             normalized string
888     */
889    public String normalize(String s) {
890        return normalize(s, null);
891    }
892
893    /**
894     * Returns the offset table.
895     *
896     * @return             offset table
897     */
898    public int[] getOffsetTable() {
899        return offsets;
900    }
901
902    /**
903     * Returns a copy of an integer array with the element at
904     * <code>index</code> removed ("killed").
905     *
906     * @param array        integer array
907     * @param index        index of element to remove
908     */
909    static private int[] arrayKill(int[] array, int index) {
910        int[] newArray = new int[array.length - 1];
911        System.arraycopy(array, 0, newArray, 0, index);
912        System.arraycopy(array, index + 1, newArray, index,
913                         array.length - index - 1);
914        return newArray;
915    }
916
917    /**
918     * Returns a copy of an integer array with <code>count</code> elements
919     * inserted at <code>index</code>.
920     *
921     * @param array        integer array
922     * @param index        index to insert new elements
923     * @param value        value to insert into new slots
924     * @param count        number of new slots to insert
925     */
926    static private int[] arrayInsert(int[] array, int index, int value,
927                                     int count) {
928        int[] newArray = new int[array.length + count];
929        System.arraycopy(array, 0, newArray, 0, index);
930        for (int i = 0; i < count; i++) newArray[index + i] = value;
931        System.arraycopy(array, index, newArray, index + count,
932                         array.length - index);
933        return newArray;
934    }
935
936    /**
937     * We provide <code>main()</code> so that our services will be available
938     * outside Java (i.e., so we can run as a Un*x-style filter).
939     */
940    static public void main(String[] argv) {
941        if (argv.length != 1) {
942            System.err.println("You must specify a ruleset.");
943            System.exit(1);
944        }
945
946        String rec;
947        StringBuffer buf = new StringBuffer();
948        BufferedReader bin = null;
949        try {
950            bin = new BufferedReader(new InputStreamReader(System.in,
951                                                           "UTF-8"));
952            while ((rec = bin.readLine()) != null) buf.append(rec + "\n");
953        }
954        catch (UnsupportedEncodingException e) {
955            System.err.println(e);
956            System.exit(1);
957        }
958        catch (IOException e) {
959            System.err.println(e);
960            System.exit(1);
961        }
962
963        OrthographicRules orth = new OrthographicRules(argv[0]);
964        System.out.print(orth.normalize(buf.toString()));
965    }
966}