Ticket #50: MpdlNormalizer.java

File MpdlNormalizer.java, 52.4 KB (added by jwillenborg, 13 years ago)
Line 
1package de.mpg.mpiwg.berlin.mpdl.lt.analyzer;
2
3import java.io.BufferedReader;
4import java.io.IOException;
5import java.io.InputStreamReader;
6import java.io.UnsupportedEncodingException;
7import java.util.ArrayList;
8
9import de.mpg.mpiwg.berlin.mpdl.exception.ApplicationException;
10import de.mpg.mpiwg.berlin.mpdl.lt.doc.regularization.Regularization;
11import de.mpg.mpiwg.berlin.mpdl.lt.doc.regularization.RegularizationManager;
12import de.mpg.mpiwg.berlin.mpdl.lt.general.Language;
13
14public class MpdlNormalizer {
15  static final private String IT_VOWELS = "AEIOUaeiou" +
16                                          "\u00c6\u00e6" + // AE ligatures
17                                          "\u0152\u0153";  // OE ligatures
18  static final private String IT_CONS = "BCDFGHKLMNPQRSTVWXZ" +
19                                        "bcdfghklmnpqrstvwxz" +
20                                        "\u017f\u00df";  // long/sharp S
21  private String[] normFunctionsToUse = {"reg", "norm"};  // default is to use all of these normalization functions
22  private String language;
23  private int[] offsets;
24 
25  public MpdlNormalizer(String[] normFunctionsToUse, String lang) {
26    this.normFunctionsToUse = normFunctionsToUse;
27    String language = Language.getInstance().getLanguageId(lang); 
28    this.language = language;
29  }
30
31  public MpdlNormalizer(String language) {
32    this.language = language;
33  }
34
35  /**
36   * Applies the normalization rules in <code>language</code> to
37   * <code>s</code>, without offset tracking.
38   *
39   * @param s            source string
40   * @return             normalized string
41   */
42  public String normalize(String s) throws ApplicationException {
43    String normStr = s;
44    if (useRegFunction()) {
45      // try to regularize the string to the norm form over predefined regularizations
46      RegularizationManager regManager = RegularizationManager.getInstance();
47      ArrayList<Regularization> regs = regManager.findRegsByOrig(language, s);
48      if (regs != null && regs.size() > 0) {
49        Regularization reg = regs.get(0);  // only one: the first one
50        String regNormStr = reg.getNorm();
51        normStr = regNormStr;
52      }
53    }
54    if (useNormFunction()) {
55      // normalize the string by string replace
56      normStr = normalize(normStr, null);
57    }
58    return normStr;
59  }
60
61  private boolean useRegFunction() {
62    boolean useReg = false;
63    for (int i=0; i< normFunctionsToUse.length; i++) {
64      String function = normFunctionsToUse[i];
65      if (function.equals("reg"))
66        return true;
67    }
68    return useReg;
69  }
70 
71  private boolean useNormFunction() {
72    boolean useNorm = false;
73    for (int i=0; i< normFunctionsToUse.length; i++) {
74      String function = normFunctionsToUse[i];
75      if (function.equals("norm"))
76        return true;
77    }
78    return useNorm;
79  }
80
81  /**
82   * Applies the normalization rules in <code>language</code> to
83   * <code>s</code>, with offset tracking.<p>
84   *
85   * <strong>WARNING:</strong>
86   * Arboreal will not work properly if a normalization substitution
87   * replaces a source character with more than two target characters!
88   * This is simply a BUG, and should be fixed. Fortunately, however,
89   * one does not often need such a replacement.<p>
90   *
91   * @param s            source string
92   * @param offsets      character offset table
93   * @return             normalized string
94   */
95  public String normalize(String s, int[] offsets) {
96    this.offsets = offsets;
97    if (language.equals("la") || language.equals("lat")) {
98      StringBuffer buf = new StringBuffer();
99      int n = 0;
100      for (int i = 0; i < s.length(); i++) {
101        char c = s.charAt(i);
102        String replace = new String();
103        switch (c) {
104          case 'j': replace = "i"; break;
105          case 'v': replace = "u"; break;
106          /*
107           * Linguistic note: /u/ and /v/ are rarely phonemic
108           * in Latin, as in alui 's/he nourished' vs.
109           * alvi 'of a belly', volui 's/he wished' or 'it rolled'
110           * vs. volvi 'to be rolled', (in)seruit 's/he joined
111           * together' vs. (in)servit 's/he serves'.
112           */
113          case 'q':
114            if ((i < s.length() - 1) && (s.charAt(i + 1) == ';'))
115              replace = "qu";
116            else
117              replace = "q";
118            break;
119          case ';':
120            if ((i > 0) && (s.charAt(i - 1) == 'q'))
121              replace = "e";
122            else if ((i == 0) || ! Character.isLetter(s.charAt(i - 1)))
123              replace = ";";
124            else
125              replace = "";
126            break;
127          case '\u0300': replace = ""; break; // COMBINING GRAVE ACCENT
128          case '\u0301': replace = ""; break; // COMBINING ACCUTE ACCENT
129          case '\u0302': replace = ""; break; // COMBINING CIRCUMFLEX ACCENT
130   
131          case '\u00c0': replace = "A"; break; // LATIN CAPITAL LETTER A GRAVE
132          case '\u00c1': replace = "A"; break; // LATIN CAPITAL LETTER A ACUTE
133          case '\u00c2': replace = "A"; break; // LATIN CAPITAL LETTER A CIRCUMFLEX
134          case '\u00c4': replace = "A"; break; // LATIN CAPITAL LETTER A DIAERESIS
135          case '\u00c6': replace = "Ae"; break; // LATIN CAPITAL LETTER A E
136          case '\u00c7': replace = "C"; break; // LATIN CAPITAL LETTER C CEDILLA
137          case '\u00c8': replace = "E"; break; // LATIN CAPITAL LETTER E GRAVE
138          case '\u00c9': replace = "E"; break; // LATIN CAPITAL LETTER E ACUTE
139          case '\u00ca': replace = "E"; break; // LATIN CAPITAL LETTER E CIRCUMFLEX
140          case '\u00cb': replace = "E"; break; // LATIN CAPITAL LETTER E DIAERESIS   
141          case '\u00cc': replace = "I"; break; // LATIN CAPITAL LETTER I GRAVE;
142          case '\u00cd': replace = "I"; break; // LATIN CAPITAL LETTER I ACUTE
143          case '\u00ce': replace = "I"; break; // LATIN CAPITAL LETTER I CIRCUMFLEX
144          case '\u00cf': replace = "I"; break; // LATIN CAPITAL LETTER I DIAERESIS
145          case '\u00d2': replace = "O"; break; // LATIN CAPITAL LETTER O GRAVE
146          case '\u00d3': replace = "O"; break; // LATIN CAPITAL LETTER O ACUTE
147          case '\u00d4': replace = "O"; break; // LATIN CAPITAL LETTER O CIRCUMFLEX
148          case '\u00d6': replace = "O"; break; // LATIN CAPITAL LETTER O DIAERESIS
149          case '\u00d9': replace = "U"; break; // LATIN CAPITAL LETTER U GRAVE
150          case '\u00da': replace = "U"; break; // LATIN CAPITAL LETTER U ACUTE
151          case '\u00db': replace = "U"; break; // LATIN CAPITAL LETTER U CIRCUMFLEX
152          case '\u00dc': replace = "U"; break; // LATIN CAPITAL LETTER U DIAERESIS
153          case '\u00e0': replace = "a"; break; // LATIN SMALL LETTER A GRAVE
154          case '\u00e1': replace = "a"; break; // LATIN SMALL LETTER A ACUTE
155          case '\u00e2': replace = "a"; break; // LATIN SMALL LETTER A CIRCUMFLEX
156          case '\u00e4': replace = "a"; break; // LATIN SMALL LETTER A DIAERESIS
157          case '\u00e6': replace = "ae"; break; // LATIN SMALL LETTER A E
158          case '\u00e7': replace = "c"; break; // LATIN SMALL LETTER C CEDILLA
159          case '\u00e8': replace = "e"; break; // LATIN SMALL LETTER E GRAVE
160          case '\u00e9': replace = "e"; break; // LATIN SMALL LETTER E ACUTE
161          case '\u00ea': replace = "e"; break; // LATIN SMALL LETTER E CIRCUMFLEX
162          case '\u00eb': replace = "e"; break; // LATIN SMALL LETTER E DIAERESIS
163          case '\u00ec': replace = "i"; break; // LATIN SMALL LETTER I GRAVE
164          case '\u00ed': replace = "i"; break; // LATIN SMALL LETTER I ACUTE
165          case '\u00ee': replace = "i"; break; // LATIN SMALL LETTER I CIRCUMFLEX
166          case '\u00ef': replace = "i"; break; // LATIN SMALL LETTER I DIAERESIS
167          case '\u00f2': replace = "o"; break; // LATIN SMALL LETTER O GRAVE
168          case '\u00f3': replace = "o"; break; // LATIN SMALL LETTER O ACUTE
169          case '\u00f4': replace = "o"; break; // LATIN SMALL LETTER O CIRCUMFLEX
170          case '\u00f6': replace = "o"; break; // LATIN SMALL LETTER O DIAERESIS
171          case '\u00f9': replace = "u"; break; // LATIN SMALL LETTER U GRAVE
172          case '\u00fa': replace = "u"; break; // LATIN SMALL LETTER U ACUTE
173          case '\u00fb': replace = "u"; break; // LATIN SMALL LETTER U CIRCUMFLEX
174          case '\u00fc': replace = "u"; break; // LATIN SMALL LETTER U DIAERESIS
175          case '\u0100': replace = "A"; break; // LATIN CAPITAL LETTER A MACRON
176          case '\u0101': replace = "a"; break; // LATIN SMALL LETTER A MACRON
177          case '\u0102': replace = "A"; break; // LATIN CAPITAL LETTER A BREVE
178          case '\u0103': replace = "a"; break; // LATIN SMALL LETTER A BREVE
179          case '\u0112': replace = "E"; break; // LATIN CAPITAL LETTER E MACRON
180          case '\u0113': replace = "e"; break; // LATIN SMALL LETTER E MACRON
181          case '\u0114': replace = "E"; break; // LATIN CAPITAL LETTER E BREVE
182          case '\u0115': replace = "e"; break; // LATIN SMALL LETTER E BREVE
183          case '\u0118': replace = "Ae"; break; // LATIN CAPITAL LETTER E OGONEK
184          case '\u0119': replace = "ae"; break; // LATIN SMALL LETTER E OGONEK
185          case '\u012a': replace = "I"; break; // LATIN CAPITAL LETTER I MACRON
186          case '\u012b': replace = "i"; break; // LATIN SMALL LETTER I MACRON
187          case '\u012c': replace = "I"; break; // LATIN CAPITAL LETTER I BREVE
188          case '\u012d': replace = "i"; break; // LATIN SMALL LETTER I BREVE
189          case '\u014c': replace = "O"; break; // LATIN CAPITAL LETTER O MACRON
190          case '\u014d': replace = "o"; break; // LATIN SMALL LETTER O MACRON
191          case '\u014e': replace = "O"; break; // LATIN CAPITAL LETTER O BREVE
192          case '\u014f': replace = "o"; break; // LATIN SMALL LETTER O BREVE
193          case '\u0152': replace = "Oe"; break; // LATIN CAPITAL LETTER O E
194          case '\u0153': replace = "oe"; break; // LATIN SMALL LETTER O E
195          case '\u016a': replace = "U"; break; // LATIN CAPITAL LETTER U MACRON
196          case '\u016b': replace = "u"; break; // LATIN SMALL LETTER U MACRON
197          case '\u016c': replace = "U"; break; // LATIN CAPITAL LETTER U BREVE
198          case '\u016d': replace = "u"; break; // LATIN SMALL LETTER U BREVE
199          case '\u017f': replace = "s"; break; // LATIN SMALL LETTER LONG S
200          case '\u00df': replace = "ss"; break; // LATIN SMALL LETTER SHARP S
201          case '\u00ad': break; // soft hyphen
202          // new in MPDL project by J. Willenborg
203          case '\u1e14': replace = "e"; break; // LATIN ... LETTER E WITH ...
204          case '\u1e15': replace = "e"; break; // LATIN ... LETTER E WITH ...
205          case '\u1e16': replace = "e"; break; // LATIN ... LETTER E WITH ...
206          case '\u1e17': replace = "e"; break; // LATIN ... LETTER E WITH ...
207          case '\u1e18': replace = "e"; break; // LATIN ... LETTER E WITH ...
208          case '\u1e19': replace = "e"; break; // LATIN ... LETTER E WITH ...
209          case '\u1e1a': replace = "e"; break; // LATIN ... LETTER E WITH ...
210          case '\u1e1b': replace = "e"; break; // LATIN ... LETTER E WITH ...
211          case '\u1e1c': replace = "e"; break; // LATIN ... LETTER E WITH ...
212          case '\u1e1d': replace = "e"; break; // LATIN ... LETTER E WITH ...
213          case '\u1eb8': replace = "e"; break; // LATIN ... LETTER E WITH ...
214          case '\u1eb9': replace = "e"; break; // LATIN ... LETTER E WITH ...
215          case '\u1eba': replace = "e"; break; // LATIN ... LETTER E WITH ...
216          case '\u1ebb': replace = "e"; break; // LATIN ... LETTER E WITH ...
217          case '\u1ebc': replace = "e"; break; // LATIN ... LETTER E WITH ...
218          case '\u1ebd': replace = "e"; break; // LATIN ... LETTER E WITH ...
219          case '\u1ebe': replace = "e"; break; // LATIN ... LETTER E WITH ...
220          case '\u1ebf': replace = "e"; break; // LATIN ... LETTER E WITH ...
221          case '\u1ec0': replace = "e"; break; // LATIN ... LETTER E WITH ...
222          case '\u1ec1': replace = "e"; break; // LATIN ... LETTER E WITH ...
223          case '\u1ec2': replace = "e"; break; // LATIN ... LETTER E WITH ...
224          case '\u1ec3': replace = "e"; break; // LATIN ... LETTER E WITH ...
225          case '\u1ec4': replace = "e"; break; // LATIN ... LETTER E WITH ...
226          case '\u1ec5': replace = "e"; break; // LATIN ... LETTER E WITH ...
227          case '\u1ec6': replace = "e"; break; // LATIN ... LETTER E WITH ...
228          case '\u1ec7': replace = "e"; break; // LATIN ... LETTER E WITH ...
229          // by Malcolm
230          case '\u2329': break; // BRA
231          case '\u232a': break; // KET
232          default: replace += c; break;
233        }
234        buf.append(replace);
235        // update offsets if replacement is a different length
236        if (offsets != null) {
237          int r = replace.length();
238          if (r == 0) 
239            this.offsets = arrayKill(this.offsets, i - n);
240          else if (r == 2) 
241            this.offsets = arrayInsert(this.offsets, i - n + 1, this.offsets[i - n], r - 1);
242          n += 1 - r;
243        }
244      }
245      return buf.toString();
246    } else if (language.equals("it")) {
247      // new Mpdl code: added by J. Willenborg: some of Malcolms code did not work without errors so it has to be taken away, also all latin stuff is imported
248      StringBuffer buf = new StringBuffer();
249      int n = 0;
250      for (int i = 0; i < s.length(); i++) {
251        char c = s.charAt(i);
252        String replace = new String();
253        switch (c) {
254          case '\u00c0': replace = "A"; break; // LATIN CAPITAL LETTER A GRAVE
255          case '\u00c1': replace = "A"; break; // LATIN CAPITAL LETTER A ACUTE
256          case '\u00c2': replace = "A"; break; // LATIN CAPITAL LETTER A CIRCUMFLEX
257          case '\u00c4': replace = "A"; break; // LATIN CAPITAL LETTER A DIAERESIS
258          case '\u00c6': replace = "Ae"; break; // LATIN CAPITAL LETTER A E
259          case '\u00c7': replace = "C"; break; // LATIN CAPITAL LETTER C CEDILLA
260          case '\u00c8': replace = "E"; break; // LATIN CAPITAL LETTER E GRAVE
261          case '\u00c9': replace = "E"; break; // LATIN CAPITAL LETTER E ACUTE
262          case '\u00ca': replace = "E"; break; // LATIN CAPITAL LETTER E CIRCUMFLEX
263          case '\u00cb': replace = "E"; break; // LATIN CAPITAL LETTER E DIAERESIS
264          case '\u00cc': replace = "I"; break; // LATIN CAPITAL LETTER I GRAVE;
265          case '\u00cd': replace = "I"; break; // LATIN CAPITAL LETTER I ACUTE
266          case '\u00ce': replace = "I"; break; // LATIN CAPITAL LETTER I CIRCUMFLEX
267          case '\u00cf': replace = "I"; break; // LATIN CAPITAL LETTER I DIAERESIS
268          case '\u00d2': replace = "O"; break; // LATIN CAPITAL LETTER O GRAVE
269          case '\u00d3': replace = "O"; break; // LATIN CAPITAL LETTER O ACUTE
270          case '\u00d4': replace = "O"; break; // LATIN CAPITAL LETTER O CIRCUMFLEX
271          case '\u00d6': replace = "O"; break; // LATIN CAPITAL LETTER O DIAERESIS
272          case '\u00d9': replace = "U"; break; // LATIN CAPITAL LETTER U GRAVE
273          case '\u00da': replace = "U"; break; // LATIN CAPITAL LETTER U ACUTE
274          case '\u00db': replace = "U"; break; // LATIN CAPITAL LETTER U CIRCUMFLEX
275          case '\u00dc': replace = "U"; break; // LATIN CAPITAL LETTER U DIAERESIS
276          case '\u00e0': replace = "a"; break; // LATIN SMALL LETTER A GRAVE
277          case '\u00e1': replace = "a"; break; // LATIN SMALL LETTER A ACUTE
278          case '\u00e2': replace = "a"; break; // LATIN SMALL LETTER A CIRCUMFLEX
279          case '\u00e4': replace = "a"; break; // LATIN SMALL LETTER A DIAERESIS
280          case '\u00e6': replace = "ae"; break; // LATIN SMALL LETTER A E
281          case '\u00e7': replace = "c"; break; // LATIN SMALL LETTER C CEDILLA
282          case '\u00e8': replace = "e"; break; // LATIN SMALL LETTER E GRAVE
283          case '\u00e9': replace = "e"; break; // LATIN SMALL LETTER E ACUTE
284          case '\u00ea': replace = "e"; break; // LATIN SMALL LETTER E CIRCUMFLEX
285          case '\u00eb': replace = "e"; break; // LATIN SMALL LETTER E DIAERESIS
286          case '\u00ec': replace = "i"; break; // LATIN SMALL LETTER I GRAVE
287          case '\u00ed': replace = "i"; break; // LATIN SMALL LETTER I ACUTE
288          case '\u00ee': replace = "i"; break; // LATIN SMALL LETTER I CIRCUMFLEX
289          case '\u00ef': replace = "i"; break; // LATIN SMALL LETTER I DIAERESIS
290          case '\u00f2': replace = "o"; break; // LATIN SMALL LETTER O GRAVE
291          case '\u00f3': replace = "o"; break; // LATIN SMALL LETTER O ACUTE
292          case '\u00f4': replace = "o"; break; // LATIN SMALL LETTER O CIRCUMFLEX
293          case '\u00f6': replace = "o"; break; // LATIN SMALL LETTER O DIAERESIS
294          case '\u00f9': replace = "u"; break; // LATIN SMALL LETTER U GRAVE
295          case '\u00fa': replace = "u"; break; // LATIN SMALL LETTER U ACUTE
296          case '\u00fb': replace = "u"; break; // LATIN SMALL LETTER U CIRCUMFLEX
297          case '\u00fc': replace = "u"; break; // LATIN SMALL LETTER U DIAERESIS
298          case '\u0100': replace = "A"; break; // LATIN CAPITAL LETTER A MACRON
299          case '\u0101': replace = "a"; break; // LATIN SMALL LETTER A MACRON
300          case '\u0102': replace = "A"; break; // LATIN CAPITAL LETTER A BREVE
301          case '\u0103': replace = "a"; break; // LATIN SMALL LETTER A BREVE
302          case '\u0112': replace = "E"; break; // LATIN CAPITAL LETTER E MACRON
303          case '\u0113': replace = "e"; break; // LATIN SMALL LETTER E MACRON
304          case '\u0114': replace = "E"; break; // LATIN CAPITAL LETTER E BREVE
305          case '\u0115': replace = "e"; break; // LATIN SMALL LETTER E BREVE
306          case '\u0118': replace = "Ae"; break; // LATIN CAPITAL LETTER E OGONEK
307          case '\u0119': replace = "ae"; break; // LATIN SMALL LETTER E OGONEK
308          case '\u012a': replace = "I"; break; // LATIN CAPITAL LETTER I MACRON
309          case '\u012b': replace = "i"; break; // LATIN SMALL LETTER I MACRON
310          case '\u012c': replace = "I"; break; // LATIN CAPITAL LETTER I BREVE
311          case '\u012d': replace = "i"; break; // LATIN SMALL LETTER I BREVE
312          case '\u014c': replace = "O"; break; // LATIN CAPITAL LETTER O MACRON
313          case '\u014d': replace = "o"; break; // LATIN SMALL LETTER O MACRON
314          case '\u014e': replace = "O"; break; // LATIN CAPITAL LETTER O BREVE
315          case '\u014f': replace = "o"; break; // LATIN SMALL LETTER O BREVE
316          case '\u0152': replace = "Oe"; break; // LATIN CAPITAL LETTER O E
317          case '\u0153': replace = "oe"; break; // LATIN SMALL LETTER O E
318          case '\u016a': replace = "U"; break; // LATIN CAPITAL LETTER U MACRON
319          case '\u016b': replace = "u"; break; // LATIN SMALL LETTER U MACRON
320          case '\u016c': replace = "U"; break; // LATIN CAPITAL LETTER U BREVE
321          case '\u016d': replace = "u"; break; // LATIN SMALL LETTER U BREVE
322          case '\u017f': replace = "s"; break; // LATIN SMALL LETTER LONG S
323          case '\u00df': replace = "ss"; break; // LATIN SMALL LETTER SHARP S
324          // new in MPDL project by J. Willenborg
325          case '\u1e8d': replace = "e"; break; // LATIN SMALL LETTER E WITH TILDE
326          default: replace += c; break;
327        }
328        buf.append(replace);
329        // update offsets if replacement is a different length
330        if (offsets != null) {
331          int r = replace.length();
332          if (r == 0) this.offsets = arrayKill(this.offsets, i - n);
333          else if (r == 2)
334            this.offsets = arrayInsert(this.offsets, i - n + 1, this.offsets[i - n], r - 1);
335          n += 1 - r;
336        }
337      }
338      return buf.toString();
339    // new Mpdl code: added by J. Willenborg: most of the latin replacements also in english
340    } else if (language.equals("en")) {
341      StringBuffer buf = new StringBuffer();
342      int n = 0;
343      for (int i = 0; i < s.length(); i++) {
344        char c = s.charAt(i);
345        String replace = new String();
346        switch (c) {
347          case '\u0300': replace = ""; break; // COMBINING GRAVE ACCENT
348          case '\u0301': replace = ""; break; // COMBINING ACCUTE ACCENT
349          case '\u0302': replace = ""; break; // COMBINING CIRCUMFLEX ACCENT
350   
351          case '\u00c0': replace = "A"; break; // LATIN CAPITAL LETTER A GRAVE
352          case '\u00c1': replace = "A"; break; // LATIN CAPITAL LETTER A ACUTE
353          case '\u00c2': replace = "A"; break; // LATIN CAPITAL LETTER A CIRCUMFLEX
354          case '\u00c4': replace = "A"; break; // LATIN CAPITAL LETTER A DIAERESIS
355          case '\u00c6': replace = "Ae"; break; // LATIN CAPITAL LETTER A E
356          case '\u00c7': replace = "C"; break; // LATIN CAPITAL LETTER C CEDILLA
357          case '\u00c8': replace = "E"; break; // LATIN CAPITAL LETTER E GRAVE
358          case '\u00c9': replace = "E"; break; // LATIN CAPITAL LETTER E ACUTE
359          case '\u00ca': replace = "E"; break; // LATIN CAPITAL LETTER E CIRCUMFLEX
360          case '\u00cb': replace = "E"; break; // LATIN CAPITAL LETTER E DIAERESIS
361          case '\u00cc': replace = "I"; break; // LATIN CAPITAL LETTER I GRAVE;
362          case '\u00cd': replace = "I"; break; // LATIN CAPITAL LETTER I ACUTE
363          case '\u00ce': replace = "I"; break; // LATIN CAPITAL LETTER I CIRCUMFLEX
364          case '\u00cf': replace = "I"; break; // LATIN CAPITAL LETTER I DIAERESIS
365          case '\u00d2': replace = "O"; break; // LATIN CAPITAL LETTER O GRAVE
366          case '\u00d3': replace = "O"; break; // LATIN CAPITAL LETTER O ACUTE
367          case '\u00d4': replace = "O"; break; // LATIN CAPITAL LETTER O CIRCUMFLEX
368          case '\u00d6': replace = "O"; break; // LATIN CAPITAL LETTER O DIAERESIS
369          case '\u00d9': replace = "U"; break; // LATIN CAPITAL LETTER U GRAVE
370          case '\u00da': replace = "U"; break; // LATIN CAPITAL LETTER U ACUTE
371          case '\u00db': replace = "U"; break; // LATIN CAPITAL LETTER U CIRCUMFLEX
372          case '\u00dc': replace = "U"; break; // LATIN CAPITAL LETTER U DIAERESIS
373          case '\u00e0': replace = "a"; break; // LATIN SMALL LETTER A GRAVE
374          case '\u00e1': replace = "a"; break; // LATIN SMALL LETTER A ACUTE
375          case '\u00e2': replace = "a"; break; // LATIN SMALL LETTER A CIRCUMFLEX
376          case '\u00e4': replace = "a"; break; // LATIN SMALL LETTER A DIAERESIS
377          case '\u00e6': replace = "ae"; break; // LATIN SMALL LETTER A E
378          case '\u00e7': replace = "c"; break; // LATIN SMALL LETTER C CEDILLA
379          case '\u00e8': replace = "e"; break; // LATIN SMALL LETTER E GRAVE
380          case '\u00e9': replace = "e"; break; // LATIN SMALL LETTER E ACUTE
381          case '\u00ea': replace = "e"; break; // LATIN SMALL LETTER E CIRCUMFLEX
382          case '\u00eb': replace = "e"; break; // LATIN SMALL LETTER E DIAERESIS
383          case '\u00ec': replace = "i"; break; // LATIN SMALL LETTER I GRAVE
384          case '\u00ed': replace = "i"; break; // LATIN SMALL LETTER I ACUTE
385          case '\u00ee': replace = "i"; break; // LATIN SMALL LETTER I CIRCUMFLEX
386          case '\u00ef': replace = "i"; break; // LATIN SMALL LETTER I DIAERESIS
387          case '\u00f2': replace = "o"; break; // LATIN SMALL LETTER O GRAVE
388          case '\u00f3': replace = "o"; break; // LATIN SMALL LETTER O ACUTE
389          case '\u00f4': replace = "o"; break; // LATIN SMALL LETTER O CIRCUMFLEX
390          case '\u00f6': replace = "o"; break; // LATIN SMALL LETTER O DIAERESIS
391          case '\u00f9': replace = "u"; break; // LATIN SMALL LETTER U GRAVE
392          case '\u00fa': replace = "u"; break; // LATIN SMALL LETTER U ACUTE
393          case '\u00fb': replace = "u"; break; // LATIN SMALL LETTER U CIRCUMFLEX
394          case '\u00fc': replace = "u"; break; // LATIN SMALL LETTER U DIAERESIS
395          case '\u0100': replace = "A"; break; // LATIN CAPITAL LETTER A MACRON
396          case '\u0101': replace = "a"; break; // LATIN SMALL LETTER A MACRON
397          case '\u0102': replace = "A"; break; // LATIN CAPITAL LETTER A BREVE
398          case '\u0103': replace = "a"; break; // LATIN SMALL LETTER A BREVE
399          case '\u0112': replace = "E"; break; // LATIN CAPITAL LETTER E MACRON
400          case '\u0113': replace = "e"; break; // LATIN SMALL LETTER E MACRON
401          case '\u0114': replace = "E"; break; // LATIN CAPITAL LETTER E BREVE
402          case '\u0115': replace = "e"; break; // LATIN SMALL LETTER E BREVE
403          case '\u0118': replace = "Ae"; break; // LATIN CAPITAL LETTER E OGONEK
404          case '\u0119': replace = "ae"; break; // LATIN SMALL LETTER E OGONEK
405          case '\u012a': replace = "I"; break; // LATIN CAPITAL LETTER I MACRON
406          case '\u012b': replace = "i"; break; // LATIN SMALL LETTER I MACRON
407          case '\u012c': replace = "I"; break; // LATIN CAPITAL LETTER I BREVE
408          case '\u012d': replace = "i"; break; // LATIN SMALL LETTER I BREVE
409          case '\u014c': replace = "O"; break; // LATIN CAPITAL LETTER O MACRON
410          case '\u014d': replace = "o"; break; // LATIN SMALL LETTER O MACRON
411          case '\u014e': replace = "O"; break; // LATIN CAPITAL LETTER O BREVE
412          case '\u014f': replace = "o"; break; // LATIN SMALL LETTER O BREVE
413          case '\u0152': replace = "Oe"; break; // LATIN CAPITAL LETTER O E
414          case '\u0153': replace = "oe"; break; // LATIN SMALL LETTER O E
415          case '\u016a': replace = "U"; break; // LATIN CAPITAL LETTER U MACRON
416          case '\u016b': replace = "u"; break; // LATIN SMALL LETTER U MACRON
417          case '\u016c': replace = "U"; break; // LATIN CAPITAL LETTER U BREVE
418          case '\u016d': replace = "u"; break; // LATIN SMALL LETTER U BREVE
419          case '\u017f': replace = "s"; break; // LATIN SMALL LETTER LONG S
420          case '\u00df': replace = "ss"; break; // LATIN SMALL LETTER SHARP S
421          // new in MPDL project by J. Willenborg
422          case '\u1e8d': replace = "e"; break; // LATIN SMALL LETTER E WITH TILDE
423          // by Malcolm
424          case '\u00ad': break; // soft hyphen
425          case '\u2329': break; // BRA
426          case '\u232a': break; // KET
427          default: replace += c; break;
428        }
429        buf.append(replace);
430        // update offsets if replacement is a different length
431        if (offsets != null) {
432          int r = replace.length();
433          if (r == 0) 
434            this.offsets = arrayKill(this.offsets, i - n);
435          else if (r == 2)
436            this.offsets = arrayInsert(this.offsets, i - n + 1, this.offsets[i - n], r - 1);
437          n += 1 - r;
438        }
439      }
440      return buf.toString();
441    } else if (language.equals("fr")) {
442      // new Mpdl code: added by J. Willenborg: some of Malcolms code did not work without errors so it has to be taken away
443      StringBuffer buf = new StringBuffer();
444      int n = 0;
445      for (int i = 0; i < s.length(); i++) {
446        char c = s.charAt(i);
447        String replace = new String();
448        switch (c) {
449          case '\u00e6': replace = "ae"; break; // LATIN SMALL LETTER A E
450          case '\u017f': replace = "s"; break; // LATIN SMALL LETTER LONG S
451          case '\u00df': replace = "ss"; break; // LATIN SMALL LETTER SHARP S
452          case '\u00ad': break; // soft hyphen
453          case '-': break;
454          default: replace += c; break;
455        }
456        buf.append(replace);
457        // update offsets if replacement is a different length
458        if (offsets != null) {
459          int r = replace.length();
460          if (r == 0) 
461            this.offsets = arrayKill(this.offsets, i - n);
462          else if (r == 2)
463            this.offsets = arrayInsert(this.offsets, i - n + 1, this.offsets[i - n], r - 1);
464          n += 1 - r;
465        }
466      }
467      return buf.toString();
468    } else if (language.equals("de")) {
469      StringBuffer buf = new StringBuffer();
470      int n = 0;
471      for (int i = 0; i < s.length(); i++) {
472        char c = s.charAt(i);
473        String replace = new String();
474        switch (c) {
475          case '\u00c4': replace = "Ae"; break;
476          case '\u00d6': replace = "Oe"; break;
477          case '\u00dc': replace = "Ue"; break;
478          case '\u00df': replace = "ss"; break;
479          case '\u00e4': replace = "ae"; break;
480          case '\u00f6': replace = "oe"; break;
481          case '\u00fc': replace = "ue"; break;
482          case '\u00e9': replace = "e"; break;
483          case '\u00ad': break; // soft hyphen
484          case '-': break;
485          default: replace += c; break;
486        }
487        buf.append(replace);
488        // update offsets if replacement is a different length
489        if (offsets != null) {
490          int r = replace.length();
491          if (r == 0) 
492            this.offsets = arrayKill(this.offsets, i - n);
493          else if (r == 2)
494            this.offsets = arrayInsert(this.offsets, i - n + 1, this.offsets[i - n], r - 1);
495          n += 1 - r;
496        }
497      }
498      return buf.toString();
499    } else if (language.equals("zh")) {
500      StringBuffer buf = new StringBuffer();
501      int n = 0;
502      for (int i = 0; i < s.length(); i++) {
503        char c = s.charAt(i);
504        String replace = new String();
505        switch (c) {
506          case '\u00b9': replace = "1"; break;
507          case '\u00b2': replace = "2"; break;
508          case '\u00b3': replace = "3"; break;
509          case '\u2074': replace = "4"; break;
510          case '\u2075': replace = "5"; break;
511          // original by Malcolm Hyman: with the following replacements // TODO uncomment these 3 lines
512          // case '\u3000': replace = " "; break;
513          // case '\u3001': replace = ","; break;
514          // case '\u3002': replace = "."; break;
515          // case '\u200b': break; // BREAKS EVERYTHING!
516          default: replace += c; break;
517        }
518        buf.append(replace);
519        // update offsets if replacement is a different length
520        if (offsets != null) {
521          int r = replace.length();
522          if (r == 0) 
523            this.offsets = arrayKill(this.offsets, i - n);
524          else if (r == 2)
525            this.offsets = arrayInsert(this.offsets, i - n + 1, this.offsets[i - n], r - 1);
526          n += 1 - r;
527        }
528      }
529      return buf.toString();
530    } else if (language.equals("akk") ||
531       language.equals("qam") ||
532       language.equals("qpc") ||
533       language.equals("elx") ||
534       language.equals("sux") ||
535       language.equals("hit") ||
536       language.equals("qhu") ||
537       language.equals("peo") ||
538       language.equals("uga") ||
539       language.equals("ura") ||
540       language.equals("qcu")) {
541      StringBuffer buf = new StringBuffer();
542      int n = 0;
543      char last = '\u0000';
544      for (int i = 0; i < s.length(); i++) {
545        char c = s.charAt(i);
546        c = Character.toLowerCase(c);
547        String replace = new String();
548        switch (c) {
549          case '{': replace += "-"; break;
550          case '}': replace += "-"; break;
551          // These are from PSD::ATF::Unicode by Steve Tinney
552          case '\u0161': replace += "sz"; break;
553          case '\u1e63': replace += "s,"; break;
554          case '\u1e6d': replace += "t,"; break;
555          case '\u014b': replace += "j"; break;
556          case '\u015b': replace += "s'"; break;
557          case '\u2080': replace += "0"; break;
558          case '\u2081': replace += "1"; break;
559          case '\u2082': replace += "2"; break;
560          case '\u2083': replace += "3"; break;
561          case '\u2084': replace += "4"; break;
562          case '\u2085': replace += "5"; break;
563          case '\u2086': replace += "6"; break;
564          case '\u2087': replace += "7"; break;
565          case '\u2088': replace += "8"; break;
566          case '\u2089': replace += "9"; break;
567   
568          case 'c': // shin (except where used as modifier)
569            if ((i > 0) && ((last == '~') || (last == '@')))
570              replace += "c";
571            else replace += "sz";
572              break;
573          default: replace += c; break;
574        }
575        // suppress grapheme boundary before or after word boundary
576        if (replace.equals("-")) {
577          if ((i + 1 == s.length()) || (s.charAt(i + 1) == ' ') || (i == 0) || (s.charAt(i - 1) == ' ')) 
578            replace = "";
579        }
580        last = c;
581        buf.append(replace);
582        // update offsets if replacement is a different length
583        if (offsets != null) {
584          int r = replace.length();
585          if (r == 0) 
586            this.offsets = arrayKill(this.offsets, i - n);
587          else if (r == 2)
588            this.offsets = arrayInsert(this.offsets, i - n + 1, this.offsets[i - n], r - 1);
589          n += 1 - r;
590        }
591      }
592      return buf.toString();
593    } else if (language.equals("el") || language.equals("grc")) {
594      StringBuffer buf = new StringBuffer();
595      int n = 0;
596      for (int i = 0; i < s.length(); i++) {
597        char c = s.charAt(i);
598        String replace = new String();
599        switch (c) {
600          case '\u03c2': replace = "\u03c3"; break; // GREEK SMALL LETTER FINAL SIGMA
601          case '<': break;
602          case '>': break;
603          case '[': break;
604          case ']': break;
605          case '1': break;
606          case '2': break;
607          case '\u03ac': replace = "\u1f71"; break;
608          case '\u03ad': replace = "\u1f73"; break;
609          case '\u03ae': replace = "\u1f75"; break;
610          case '\u03af': replace = "\u1f77"; break;
611          case '\u03cc': replace = "\u1f79"; break;
612          case '\u03cd': replace = "\u1f7b"; break;
613          case '\u03ce': replace = "\u1f7d"; break;
614          case '-': break; // same treatment as soft hyphen
615          case '\u00ad': break; // soft hyphen
616          default: replace += c; break;
617        }
618        buf.append(replace);
619        // update offsets if replacement is a different length
620        if (offsets != null) {
621          int r = replace.length();
622          if (r == 0) 
623            this.offsets = arrayKill(this.offsets, i - n);
624          else if (r == 2)
625            this.offsets = arrayInsert(this.offsets, i - n + 1, this.offsets[i - n], r - 1);
626          n += 1 - r;
627        }
628      }
629      return buf.toString();
630    } else if (language.equals("el_atonic")) {
631      StringBuffer buf = new StringBuffer();
632      int n = 0;
633      for (int i = 0; i < s.length(); i++) {
634        char c = s.charAt(i);
635        String replace = new String();
636        switch (c) {
637          case '\u03c2': replace = "\u03c3"; break; // GREEK SMALL LETTER FINAL SIGMA
638          // map characters with diacritics to their plain equivalent
639          // cf. <code>BetaCode.java</code>
640          case '\u03aa': replace = "\u0399"; break;
641          case '\u03ab': replace = "\u03a5"; break;
642          case '\u03ac': replace = "\u0381"; break;
643          case '\u03ad': replace = "\u0385"; break;
644          case '\u03ae': replace = "\u0387"; break;
645          case '\u03af': replace = "\u0389"; break;
646          case '\u03ca': replace = "\u03b9"; break;
647          case '\u03cb': replace = "\u03c5"; break;
648          case '\u03cc': replace = "\u03bf"; break;
649          case '\u03cd': replace = "\u03c5"; break;
650          case '\u03ce': replace = "\u03c9"; break;
651          case '\u1f00': replace = "\u03b1"; break;
652          case '\u1f01': replace = "\u03b1"; break;
653          case '\u1f02': replace = "\u03b1"; break;
654          case '\u1f03': replace = "\u03b1"; break;
655          case '\u1f04': replace = "\u03b1"; break;
656          case '\u1f05': replace = "\u03b1"; break;
657          case '\u1f06': replace = "\u03b1"; break;
658          case '\u1f07': replace = "\u03b1"; break;
659          case '\u1f08': replace = "\u0391"; break;
660          case '\u1f09': replace = "\u0391"; break;
661          case '\u1f0a': replace = "\u0391"; break;
662          case '\u1f0b': replace = "\u0391"; break;
663          case '\u1f0c': replace = "\u0391"; break;
664          case '\u1f0d': replace = "\u0391"; break;
665          case '\u1f0e': replace = "\u0391"; break;
666          case '\u1f0f': replace = "\u0391"; break;
667          case '\u1f10': replace = "\u03b5"; break;
668          case '\u1f11': replace = "\u03b5"; break;
669          case '\u1f12': replace = "\u03b5"; break;
670          case '\u1f13': replace = "\u03b5"; break;
671          case '\u1f14': replace = "\u03b5"; break;
672          case '\u1f15': replace = "\u03b5"; break;
673          case '\u1f18': replace = "\u0395"; break;
674          case '\u1f19': replace = "\u0395"; break;
675          case '\u1f1a': replace = "\u0395"; break;
676          case '\u1f1b': replace = "\u0395"; break;
677          case '\u1f1c': replace = "\u0395"; break;
678          case '\u1f1d': replace = "\u0395"; break;
679          case '\u1f20': replace = "\u03b7"; break;
680          case '\u1f21': replace = "\u03b7"; break;
681          case '\u1f22': replace = "\u03b7"; break;
682          case '\u1f23': replace = "\u03b7"; break;
683          case '\u1f24': replace = "\u03b7"; break;
684          case '\u1f25': replace = "\u03b7"; break;
685          case '\u1f26': replace = "\u03b7"; break;
686          case '\u1f27': replace = "\u03b7"; break;
687          case '\u1f28': replace = "\u0397"; break;
688          case '\u1f29': replace = "\u0397"; break;
689          case '\u1f2a': replace = "\u0397"; break;
690          case '\u1f2b': replace = "\u0397"; break;
691          case '\u1f2c': replace = "\u0397"; break;
692          case '\u1f2d': replace = "\u0397"; break;
693          case '\u1f2e': replace = "\u0397"; break;
694          case '\u1f2f': replace = "\u0397"; break;
695          case '\u1f30': replace = "\u03b9"; break;
696          case '\u1f31': replace = "\u03b9"; break;
697          case '\u1f32': replace = "\u03b9"; break;
698          case '\u1f33': replace = "\u03b9"; break;
699          case '\u1f34': replace = "\u03b9"; break;
700          case '\u1f35': replace = "\u03b9"; break;
701          case '\u1f36': replace = "\u03b9"; break;
702          case '\u1f37': replace = "\u03b9"; break;
703          case '\u1f38': replace = "\u0399"; break;
704          case '\u1f39': replace = "\u0399"; break;
705          case '\u1f3a': replace = "\u0399"; break;
706          case '\u1f3b': replace = "\u0399"; break;
707          case '\u1f3c': replace = "\u0399"; break;
708          case '\u1f3d': replace = "\u0399"; break;
709          case '\u1f3e': replace = "\u0399"; break;
710          case '\u1f3f': replace = "\u0399"; break;
711          case '\u1f40': replace = "\u03bf"; break;
712          case '\u1f41': replace = "\u03bf"; break;
713          case '\u1f42': replace = "\u03bf"; break;
714          case '\u1f43': replace = "\u03bf"; break;
715          case '\u1f44': replace = "\u03bf"; break;
716          case '\u1f45': replace = "\u03bf"; break;
717          case '\u1f48': replace = "\u039f"; break;
718          case '\u1f49': replace = "\u039f"; break;
719          case '\u1f4a': replace = "\u039f"; break;
720          case '\u1f4b': replace = "\u039f"; break;
721          case '\u1f4c': replace = "\u039f"; break;
722          case '\u1f4d': replace = "\u039f"; break;
723          case '\u1f50': replace = "\u03c5"; break;
724          case '\u1f51': replace = "\u03c5"; break;
725          case '\u1f52': replace = "\u03c5"; break;
726          case '\u1f53': replace = "\u03c5"; break;
727          case '\u1f54': replace = "\u03c5"; break;
728          case '\u1f55': replace = "\u03c5"; break;
729          case '\u1f56': replace = "\u03c5"; break;
730          case '\u1f57': replace = "\u03c5"; break;
731          case '\u1f58': replace = "\u03a5"; break;
732          case '\u1f59': replace = "\u03a5"; break;
733          case '\u1f5a': replace = "\u03a5"; break;
734          case '\u1f5b': replace = "\u03a5"; break;
735          case '\u1f5c': replace = "\u03a5"; break;
736          case '\u1f5d': replace = "\u03a5"; break;
737          case '\u1f5e': replace = "\u03a5"; break;
738          case '\u1f5f': replace = "\u03a5"; break;
739          case '\u1f60': replace = "\u03c9"; break;
740          case '\u1f61': replace = "\u03c9"; break;
741          case '\u1f62': replace = "\u03c9"; break;
742          case '\u1f63': replace = "\u03c9"; break;
743          case '\u1f64': replace = "\u03c9"; break;
744          case '\u1f65': replace = "\u03c9"; break;
745          case '\u1f66': replace = "\u03c9"; break;
746          case '\u1f67': replace = "\u03c9"; break;
747          case '\u1f68': replace = "\u03a9"; break;
748          case '\u1f69': replace = "\u03a9"; break;
749          case '\u1f6a': replace = "\u03a9"; break;
750          case '\u1f6b': replace = "\u03a9"; break;
751          case '\u1f6c': replace = "\u03a9"; break;
752          case '\u1f6d': replace = "\u03a9"; break;
753          case '\u1f6e': replace = "\u03a9"; break;
754          case '\u1f6f': replace = "\u03a9"; break;
755          case '\u1f70': replace = "\u03b1"; break;
756          case '\u1f71': replace = "\u03b1"; break;
757          case '\u1f72': replace = "\u03b5"; break;
758          case '\u1f73': replace = "\u03b5"; break;
759          case '\u1f74': replace = "\u03b7"; break;
760          case '\u1f75': replace = "\u03b7"; break;
761          case '\u1f76': replace = "\u03b9"; break;
762          case '\u1f77': replace = "\u03b9"; break;
763          case '\u1f78': replace = "\u03bf"; break;
764          case '\u1f79': replace = "\u03bf"; break;
765          case '\u1f7a': replace = "\u03c5"; break;
766          case '\u1f7b': replace = "\u03c5"; break;
767          case '\u1f7c': replace = "\u03c9"; break;
768          case '\u1f7d': replace = "\u03c9"; break;
769          case '\u1f80': replace = "\u03b1"; break;
770          case '\u1f81': replace = "\u03b1"; break;
771          case '\u1f82': replace = "\u03b1"; break;
772          case '\u1f83': replace = "\u03b1"; break;
773          case '\u1f84': replace = "\u03b1"; break;
774          case '\u1f85': replace = "\u03b1"; break;
775          case '\u1f86': replace = "\u03b1"; break;
776          case '\u1f87': replace = "\u03b1"; break;
777          case '\u1f88': replace = "\u0391"; break;
778          case '\u1f89': replace = "\u0391"; break;
779          case '\u1f8a': replace = "\u0391"; break;
780          case '\u1f8b': replace = "\u0391"; break;
781          case '\u1f8c': replace = "\u0391"; break;
782          case '\u1f8d': replace = "\u0391"; break;
783          case '\u1f8e': replace = "\u0391"; break;
784          case '\u1f8f': replace = "\u0391"; break;
785          case '\u1f90': replace = "\u03b7"; break;
786          case '\u1f91': replace = "\u03b7"; break;
787          case '\u1f92': replace = "\u03b7"; break;
788          case '\u1f93': replace = "\u03b7"; break;
789          case '\u1f94': replace = "\u03b7"; break;
790          case '\u1f95': replace = "\u03b7"; break;
791          case '\u1f96': replace = "\u03b7"; break;
792          case '\u1f97': replace = "\u03b7"; break;
793          case '\u1f98': replace = "\u0397"; break;
794          case '\u1f99': replace = "\u0397"; break;
795          case '\u1f9a': replace = "\u0397"; break;
796          case '\u1f9b': replace = "\u0397"; break;
797          case '\u1f9c': replace = "\u0397"; break;
798          case '\u1f9d': replace = "\u0397"; break;
799          case '\u1f9e': replace = "\u0397"; break;
800          case '\u1f9f': replace = "\u0397"; break;
801          case '\u1fa0': replace = "\u03c9"; break;
802          case '\u1fa1': replace = "\u03c9"; break;
803          case '\u1fa2': replace = "\u03c9"; break;
804          case '\u1fa3': replace = "\u03c9"; break;
805          case '\u1fa4': replace = "\u03c9"; break;
806          case '\u1fa5': replace = "\u03c9"; break;
807          case '\u1fa6': replace = "\u03c9"; break;
808          case '\u1fa7': replace = "\u03c9"; break;
809          case '\u1fa8': replace = "\u03a9"; break;
810          case '\u1fa9': replace = "\u03a9"; break;
811          case '\u1faa': replace = "\u03a9"; break;
812          case '\u1fab': replace = "\u03a9"; break;
813          case '\u1fac': replace = "\u03a9"; break;
814          case '\u1fad': replace = "\u03a9"; break;
815          case '\u1fae': replace = "\u03a9"; break;
816          case '\u1faf': replace = "\u03a9"; break;
817          case '\u1fb2': replace = "\u03b1"; break;
818          case '\u1fb3': replace = "\u03b1"; break;
819          case '\u1fb4': replace = "\u03b1"; break;
820          case '\u1fb6': replace = "\u03b1"; break;
821          case '\u1fb7': replace = "\u03b1"; break;
822          case '\u1fba': replace = "\u0391"; break;
823          case '\u1fbb': replace = "\u0391"; break;
824          case '\u1fbc': replace = "\u0391"; break;
825          case '\u1fc2': replace = "\u03b7"; break;
826          case '\u1fc3': replace = "\u03b7"; break;
827          case '\u1fc4': replace = "\u03b7"; break;
828          case '\u1fc6': replace = "\u03b7"; break;
829          case '\u1fc7': replace = "\u03b7"; break;
830          case '\u1fca': replace = "\u0397"; break;
831          case '\u1fcb': replace = "\u0397"; break;
832          case '\u1fcc': replace = "\u0397"; break;
833          case '\u1fd2': replace = "\u03b9"; break;
834          case '\u1fd3': replace = "\u03b9"; break;
835          case '\u1fd6': replace = "\u03b9"; break;
836          case '\u1fd7': replace = "\u03b9"; break;
837          case '\u1fda': replace = "\u0399"; break;
838          case '\u1fdb': replace = "\u039f"; break;
839          case '\u1fe2': replace = "\u03c5"; break;
840          case '\u1fe3': replace = "\u03c5"; break;
841          case '\u1fe4': replace = "\u03c1"; break;
842          case '\u1fe5': replace = "\u03c1"; break;
843          case '\u1fe6': replace = "\u03c5"; break;
844          case '\u1fe7': replace = "\u03c5"; break;
845          case '\u1fea': replace = "\u03a5"; break;
846          case '\u1feb': replace = "\u03a5"; break;
847          case '\u1fec': replace = "\u03a1"; break;
848          case '\u1ff2': replace = "\u03c9"; break;
849          case '\u1ff3': replace = "\u03c9"; break;
850          case '\u1ff4': replace = "\u03c9"; break;
851          case '\u1ff6': replace = "\u03c9"; break;
852          case '\u1ff7': replace = "\u03c9"; break;
853          case '\u1ff8': replace = "\u039f"; break;
854          case '\u1ff9': replace = "\u039f"; break;
855          case '\u1ffa': replace = "\u03a9"; break;
856          case '\u1ffb': replace = "\u03a9"; break;
857          case '\u1ffc': replace = "\u03a9"; break;
858   
859          case '<': break;
860          case '>': break;
861          case '-': break; // same treatment as soft hyphen
862          case '\u00ad': break; // soft hyphen
863          default: replace += c; break;
864        }
865        buf.append(replace);
866        // update offsets if replacement is a different length
867        if (offsets != null) {
868          int r = replace.length();
869          if (r == 0) 
870            this.offsets = arrayKill(this.offsets, i - n);
871          else if (r == 2)
872            this.offsets = arrayInsert(this.offsets, i - n + 1, this.offsets[i - n], r - 1);
873          n += 1 - r;
874        }
875      }
876      return buf.toString();
877    } else {      // unknown or no language
878      return s;
879    }
880  }
881 
882  public String deNormalizeToRegExpr(String s) {
883    // TODO all characters in all languages
884    if (language.equals("la") || language.equals("lat")) {
885      StringBuffer buf = new StringBuffer();
886      if (s.indexOf("ae") != -1) {
887        String str1 = s;
888        str1 = str1.replaceAll("ae", "\u0119");
889        String str2 = s;
890        str2 = str2.replaceAll("ae", "\u00c6");
891        String str3 = s;
892        str3 = str3.replaceAll("ae", "\u00e6");
893        buf.append(str1 + "|" + str2 + "|" + str3 + "|");
894      }
895      if (s.indexOf("oe") != -1) {
896        String str1 = s;
897        str1 = str1.replaceAll("oe", "\u0152");
898        String str2 = s;
899        str2 = str2.replaceAll("oe", "\u0153");
900        buf.append(str1 + "|" + str2 + "|");
901      }
902      if (s.indexOf("ss") != -1) {
903        String str1 = s;
904        str1 = str1.replaceAll("ss", "\u00df");
905        buf.append(str1 + "|");
906      }
907      boolean beginWord = true;
908      for (int i = 0; i < s.length(); i++) {
909        char c = s.charAt(i);
910        if (! beginWord) 
911          c = Character.toLowerCase(c);
912        beginWord = Character.isWhitespace(c);
913        String replace = new String();
914        switch (c) {
915          case 'a': replace = "[a\u00c0\u00c1\u00c2\u00c4\u00e0\u00e1\u00e2\u00e4]"; break; 
916          case 'c': replace = "[c\u00c7\u00e7]"; break;
917          case 'e': replace = "[e\u00c8\u00c9\u00ca\u00cb\u00e8\u00e9\u00ea\u00eb\u0113\u0115\u1ebd]"; break; 
918          case 'i': replace = "[ij\u00cc\u00cd\u00ce\u00cf\u00ec\u00ed\u00ee\u00ef\u012a\u012b\u012c\u012d]"; break;
919          case 'o': replace = "[o\u00d2\u00d3\u00d4\u00d6\u00f2\u00f3\u00f4\u00f6\u014c\u014d\u014e\u014f]"; break; 
920          case 'u': replace = "[uv\u00d9\u00da\u00db\u00dc\u00f9\u00fa\u00fb\u00fc\u016a\u016b\u016c\u016d]"; break; 
921          case 's': replace = "[s\u017f]"; break; 
922          default: replace += c; break;
923        }
924        buf.append(replace);
925      }
926      return buf.toString();
927    } else if (language.equals("en")) {
928      StringBuffer buf = new StringBuffer();
929      if (s.indexOf("ae") != -1) {
930        String str1 = s;
931        str1 = str1.replaceAll("ae", "\u0119");
932        String str2 = s;
933        str2 = str2.replaceAll("ae", "\u00c6");
934        String str3 = s;
935        str3 = str3.replaceAll("ae", "\u00e6");
936        buf.append(str1 + "|" + str2 + "|" + str3 + "|");
937      }
938      if (s.indexOf("oe") != -1) {
939        String str1 = s;
940        str1 = str1.replaceAll("oe", "\u0152");
941        String str2 = s;
942        str2 = str2.replaceAll("oe", "\u0153");
943        buf.append(str1 + "|" + str2 + "|");
944      }
945      if (s.indexOf("ss") != -1) {
946        String str1 = s;
947        str1 = str1.replaceAll("ss", "\u00df");
948        buf.append(str1 + "|");
949      }
950      boolean beginWord = true;
951      for (int i = 0; i < s.length(); i++) {
952        char c = s.charAt(i);
953        if (! beginWord) 
954          c = Character.toLowerCase(c);
955        beginWord = Character.isWhitespace(c);
956        String replace = new String();
957        switch (c) {
958          case 'a': replace = "[a\u00c0\u00c1\u00c2\u00c4\u00e0\u00e1\u00e2\u00e4]"; break; 
959          case 'c': replace = "[c\u00c7\u00e7]"; break;
960          case 'e': replace = "[e\u00c8\u00c9\u00ca\u00cb\u00e8\u00e9\u00ea\u00eb\u0113\u0115\u1e8d]"; break; 
961          case 'i': replace = "[i\u00cc\u00cd\u00ce\u00cf\u00ec\u00ed\u00ee\u00ef\u012a\u012b\u012c\u012d]"; break;
962          case 'o': replace = "[o\u00d2\u00d3\u00d4\u00d6\u00f2\u00f3\u00f4\u00f6\u014c\u014d\u014e\u014f]‚"; break; 
963          case 'u': replace = "[u\u00d9\u00da\u00db\u00dc\u00f9\u00fa\u00fb\u00fc\u016a\u016b\u016c\u016d]"; break; 
964          case 's': replace = "[s\u017f]"; break; 
965          default: replace += c; break;
966        }
967        buf.append(replace);
968      }
969      return buf.toString();
970    } else if (language.equals("de")) {
971      StringBuffer buf = new StringBuffer();
972      if (s.indexOf("ss") != -1) {
973        String str1 = s;
974        str1 = str1.replaceAll("ss", "\u00df");
975        buf.append(str1 + "|");
976      }
977      if (s.indexOf("ae") != -1) {
978        String str1 = s;
979        str1 = str1.replaceAll("ae", "\u00e4");
980        buf.append(str1 + "|");
981      }
982      if (s.indexOf("oe") != -1) {
983        String str1 = s;
984        str1 = str1.replaceAll("oe", "\u00f6");
985        buf.append(str1 + "|");
986      }
987      if (s.indexOf("ue") != -1) {
988        String str1 = s;
989        str1 = str1.replaceAll("ue", "\u00fc");
990        buf.append(str1 + "|");
991      }
992      boolean beginWord = true;
993      for (int i = 0; i < s.length(); i++) {
994        char c = s.charAt(i);
995        if (! beginWord) 
996          c = Character.toLowerCase(c);
997        beginWord = Character.isWhitespace(c);
998        String replace = new String();
999        switch (c) {
1000          case 'e': replace = "[e\u00e9]"; break; 
1001          default: replace += c; break;
1002        }
1003        buf.append(replace);
1004      }
1005      return buf.toString();
1006    } else {      // unknown or no language
1007      return s;
1008    }
1009  }
1010 
1011  /**
1012   * Returns the offset table.
1013   *
1014   * @return             offset table
1015   */
1016  public int[] getOffsetTable() {
1017    return offsets;
1018  }
1019
1020  /**
1021   * Returns a copy of an integer array with the element at
1022   * <code>index</code> removed ("killed").
1023   *
1024   * @param array        integer array
1025   * @param index        index of element to remove
1026   */
1027  static private int[] arrayKill(int[] array, int index) {
1028    int[] newArray = new int[array.length - 1];
1029    System.arraycopy(array, 0, newArray, 0, index);
1030    System.arraycopy(array, index + 1, newArray, index, array.length - index - 1);
1031    return newArray;
1032  }
1033
1034  /**
1035   * Returns a copy of an integer array with <code>count</code> elements
1036   * inserted at <code>index</code>.
1037   *
1038   * @param array        integer array
1039   * @param index        index to insert new elements
1040   * @param value        value to insert into new slots
1041   * @param count        number of new slots to insert
1042   */
1043  static private int[] arrayInsert(int[] array, int index, int value, int count) {
1044    int[] newArray = new int[array.length + count];
1045    System.arraycopy(array, 0, newArray, 0, index);
1046    for (int i = 0; i < count; i++) newArray[index + i] = value;
1047    System.arraycopy(array, index, newArray, index + count, array.length - index);
1048    return newArray;
1049  }
1050
1051  /**
1052   * We provide <code>main()</code> so that our services will be available
1053   * outside Java (i.e., so we can run as a Un*x-style filter).
1054   */
1055  static public void main(String[] argv) throws ApplicationException {
1056    if (argv.length != 1) {
1057      System.err.println("You must specify a language.");
1058      System.exit(1);
1059    }
1060    String rec;
1061    StringBuffer buf = new StringBuffer();
1062    BufferedReader bin = null;
1063    try {
1064      bin = new BufferedReader(new InputStreamReader(System.in, "UTF-8"));
1065      while ((rec = bin.readLine()) != null) 
1066        buf.append(rec + "\n");
1067    }
1068    catch (UnsupportedEncodingException e) {
1069      System.err.println(e);
1070      System.exit(1);
1071    } catch (IOException e) {
1072      System.err.println(e);
1073      System.exit(1);
1074    }
1075    MpdlNormalizer orth = new MpdlNormalizer(argv[0]);
1076    System.out.print(orth.normalize(buf.toString()));
1077  }
1078}