source: proto/charsetcompiler/UCD/UCD_parser.py @ 4374

Last change on this file since 4374 was 4374, checked in by cameron, 4 years ago

Generator to produce pablo files for various Unicode properties

File size: 12.4 KB
Line 
1#
2# UCD_parser.py - parsing Unicode Character Database (UCD) files
3#
4# Robert D. Cameron
5# December 28, 2014
6#
7# Licensed under Open Software License 3.0.
8#
9#
10import re, string, os.path
11from unicode_set import *
12
13UCD_dir = "7.0.0"
14def set_UCD_dir(d):
15    global UCD_dir
16    UCD_dir = d
17
18trivial_name_char_re = re.compile('[-_\s]')
19def canonicalize(property_string):
20   return trivial_name_char_re.sub('', property_string.lower())
21
22#
23#  Processing files of the UCD
24#
25#  General format for skippable comments, blank lines
26UCD_skip = re.compile("^#.*$|^\s*$")
27
28#
29#  UCD Property File Format 1: property aliases
30#  PropertyAliases.txt
31#
32UCD_property_section_regexp = re.compile("^#\s*([-A-Za-z_0-9]+)\s*Properties\s*$")
33UCD_property_alias_regexp = re.compile("^([-A-Za-z_0-9]+)\s*;\s*([-A-Za-z_0-9]+)([^#]*)")
34
35def parse_PropertyAlias_txt():
36    property_enum_name_list = []
37    full_name_map = {}
38    property_lookup_map = {}
39    property_kind_map = {}
40    property_kind = "unspecified"
41    f = open(UCD_dir + "/" + 'PropertyAliases.txt')
42    lines = f.readlines()
43    for t in lines:
44        m = UCD_property_section_regexp.match(t)
45        if m:
46            property_kind = m.group(1)
47        if UCD_skip.match(t): continue  # skip comment and blank lines
48        m = UCD_property_alias_regexp.match(t)
49        if not m: raise Exception("Unknown property alias syntax: %s" % t)
50        (prop_enum, prop_preferred_full_name, prop_extra) = (m.group(1), m.group(2), m.group(3))
51        prop_aliases = re.findall("[-A-Za-z_0-9]+", prop_extra)
52        property_enum_name_list.append(prop_enum)
53        full_name_map[prop_enum] = prop_preferred_full_name
54        property_lookup_map[canonicalize(prop_enum)] = prop_enum
55        property_lookup_map[canonicalize(prop_preferred_full_name)] = prop_enum
56        for a in prop_aliases: property_lookup_map[canonicalize(a)] = prop_enum
57        property_kind_map[prop_enum] = property_kind
58    return (property_enum_name_list, full_name_map, property_lookup_map, property_kind_map)
59
60
61UCD_property_value_missing_regexp = re.compile("^#\s*@missing:\s*([0-9A-F]{4,6})[.][.]([0-9A-F]{4,6})\s*;\s*([-A-Za-z_0-9.]+)\s*;\s*([-A-Za-z_0-9.<> ]+)\s*([^#]*)")
62#
63#  UCD Property File Format 2: property value aliases
64#  PropertyValueAliases.txt
65#
66#  This file records value aliases for property values for
67#  each enumerated property, with the following additional notes:
68#  (1) The corresponding integer value of the enum constant is
69#      also specified for ccc (second field).
70#  (2) The Age property is a numeric type which has decimal float
71#      values as the enum constants: these won't be legal in enum syntax.
72#  (3) Binary properties also have enumerated values and aliases listed,
73#      although this is redundant, because all binary properties have the
74#      same value space.
75#  (4) @missing lines provide default value information, primarily for some
76#      non-enumerated types
77
78def parse_PropertyValueAlias_txt(property_lookup_map):
79    UCD_property_value_alias_regexp = re.compile("^([-A-Za-z_0-9.]+)\s*;\s*([-A-Za-z_0-9.]+)\s*;\s*([-A-Za-z_0-9.]+)([^#]*)")
80    property_value_list = {}
81    property_value_enum_integer = {}
82    property_value_full_name_map = {}
83    property_value_lookup_map = {}
84    missing_specs = {}
85    f = open(UCD_dir + "/" + 'PropertyValueAliases.txt')
86    lines = f.readlines()
87    for t in lines:
88        if UCD_skip.match(t): 
89            m = UCD_property_value_missing_regexp.match(t)
90            if m:
91                if m.group(1) != '0000' or m.group(2) != '10FFFF': raise Exception("Bad missing spec: " + s)
92                cname = canonicalize(m.group(3))
93                if not property_lookup_map.has_key(cname): raise Exception("Bad missing property: " + s)
94                missing_specs[property_lookup_map[cname]] = m.group(4)
95            continue  # skip comment and blank lines
96        m = UCD_property_value_alias_regexp.match(t)
97        if not m: raise Exception("Unknown property value alias syntax: %s" % t)
98        prop_code = canonicalize(m.group(1))
99        if not property_lookup_map.has_key(prop_code): raise Exception("Property code: '%s' is unknown" % prop_code)
100        else: prop_code = property_lookup_map[prop_code]
101        if not property_value_list.has_key(prop_code):
102            property_value_list[prop_code] = []
103            property_value_enum_integer[prop_code] = {}
104            property_value_full_name_map[prop_code] = {}
105            property_value_lookup_map[prop_code] = {}
106            enum_integer = 0
107        # Special case for ccc: second field is enum integer value
108        if prop_code == 'ccc':
109            enum_integer = int(m.group(2))
110            value_enum = m.group(3)
111            extra = m.group(4)
112            extra_list = re.findall("[-A-Za-z_0-9.]+", extra)
113            value_preferred_full_name = extra_list[0]
114            value_aliases = extra_list[1:]
115        # Special case for age: second field is numeric, third field is enum
116        # treat numeric value as an alias string
117        elif prop_code == 'age':
118            value_enum = m.group(3)
119            value_preferred_full_name = m.group(3)
120            extra = m.group(4)
121            value_aliases = [m.group(2)] + re.findall("[-A-Za-z_0-9]+", extra)
122        else:
123            value_enum = m.group(2)
124            value_preferred_full_name = m.group(3)
125            extra = m.group(4)
126            value_aliases = re.findall("[-A-Za-z_0-9]+", extra)
127        property_value_list[prop_code].append(value_enum)
128        property_value_enum_integer[prop_code][value_enum] = enum_integer
129        enum_integer += 1
130        property_value_full_name_map[prop_code][value_enum] = value_preferred_full_name
131        property_value_lookup_map[prop_code][value_enum] = value_enum
132        property_value_lookup_map[prop_code][canonicalize(value_enum)] = value_enum
133        property_value_lookup_map[prop_code][canonicalize(value_preferred_full_name)] = value_enum
134        for a in value_aliases: property_value_lookup_map[prop_code][canonicalize(a)] = value_enum
135    return (property_value_list, property_value_enum_integer, property_value_full_name_map, property_value_lookup_map, missing_specs)
136
137
138
139#
140#  Union of a list of sets
141#
142def union_of_all(uset_list):
143   if uset_list == []: return empty_uset()
144   else:
145     accum_set = uset_list[0]
146     for s in uset_list[1:]:
147        accum_set = uset_union(accum_set, s)
148     return accum_set
149
150#
151#  UCD Property File Format 3:  codepoint -> name maps
152#
153UCD_skip = re.compile("^#.*$|^\s*$")
154UCD_missing_regexp1 = re.compile("^#\s*@missing:\s*([0-9A-F]{4,6})[.][.]([0-9A-F]{4,6})\s*;\s*([-A-Za-z0-9_]+)\s*(?:[;#]|$)")
155UCD_point_name_regexp = re.compile("^([0-9A-F]{4,6})\s*;\s*((?:[-A-Za-z0-9_]+\s+)*[-A-Za-z0-9_]+)\s*(?:[;#]|$)")
156UCD_range_name_regexp = re.compile("^([0-9A-F]{4,6})[.][.]([0-9A-F]{4,6})\s*;\s*((?:[-A-Za-z0-9_]+\s+)*[-A-Za-z0-9_]+)\s*(?:[;#]|$)")
157
158def parse_UCD_enumerated_property_map(property_code, mapfile, canonical_name_lookup_map, default_value = None):
159    value_map = {}
160    name_list_order = []
161    f = open(UCD_dir + "/" + mapfile)
162    lines = f.readlines()
163    for t in lines:
164        if UCD_skip.match(t):
165            m = UCD_missing_regexp1.match(t)
166            if m:
167              if default_value != None:
168                raise Exception("Default value already specified, extraneous @missing spec: %s" % t)
169              (missing_lo, missing_hi, default_value) = (int(m.group(1), 16), int(m.group(2), 16), m.group(3))
170              default_value = canonicalize(default_value)
171              if not canonical_name_lookup_map.has_key(default_value):  raise Exception("Unknown default property value name '%s'" % default_value)
172              if missing_lo != 0 or missing_hi != 0x10FFFF: raise Exception("Unexpected missing data range '%x, %x'" % (missing_lo, missing_hi))
173              default_value = canonical_name_lookup_map[default_value]
174            continue  # skip comment and blank lines
175        m = UCD_point_name_regexp.match(t)
176        if m:
177            (codepoint, name) = (int(m.group(1), 16), m.group(2))
178            newset = singleton_uset(codepoint)
179        else: 
180            m = UCD_range_name_regexp.match(t)
181            if not m: raise Exception("Unknown syntax: %s" % t)
182            (cp_lo, cp_hi, name) = (int(m.group(1), 16), int(m.group(2), 16), m.group(3))
183            newset = range_uset(cp_lo, cp_hi)
184        cname = canonicalize(name)
185        if not canonical_name_lookup_map.has_key(cname):  raise Exception("Unknown property or property value name '%s'" % cname)
186        name = canonical_name_lookup_map[cname]
187        if not value_map.has_key(name):
188            value_map[name] = newset
189            name_list_order.append(name)
190        else: value_map[name] = uset_union(value_map[name], newset)
191    if property_code == 'gc':
192        # special logic for derived categories
193        value_map['LC'] = union_of_all([value_map[v] for v in ['Lu', 'Ll', 'Lt']])
194        value_map['L'] = union_of_all([value_map[v] for v in ['Lu', 'Ll', 'Lt', 'Lm', 'Lo']])
195        value_map['M'] = union_of_all([value_map[v] for v in ['Mn', 'Mc', 'Me']])
196        value_map['N'] = union_of_all([value_map[v] for v in ['Nd', 'Nl', 'No']])
197        value_map['P'] = union_of_all([value_map[v] for v in ['Pc', 'Pd', 'Ps', 'Pe', 'Pi', 'Pf', 'Po']])
198        value_map['S'] = union_of_all([value_map[v] for v in ['Sm', 'Sc', 'Sk', 'So']])
199        value_map['Z'] = union_of_all([value_map[v] for v in ['Zs', 'Zl', 'Zp']])
200        value_map['C'] = union_of_all([value_map[v] for v in ['Cc', 'Cf', 'Cs', 'Co', 'Cn']])
201        name_list_order = ['LC', 'L', 'M', 'N', 'P', 'S', 'Z', 'C']+ name_list_order
202    explicitly_defined_cps = empty_uset()
203    for k in value_map.keys(): explicitly_defined_cps = uset_union(explicitly_defined_cps, value_map[k])
204    need_default_value = uset_complement(explicitly_defined_cps)
205    if default_value != None:
206        if value_map.has_key(default_value):
207            value_map[default_value] = uset_union(value_map[default_value], need_default_value)
208        else: 
209            value_map[default_value] = need_default_value
210            name_list_order.append(default_value)
211    elif uset_popcount(need_default_value) > 0:
212        print "Warning no default value, but %i codepoints not specified" % uset_popcount(need_default_value)
213    return (name_list_order, value_map)
214
215def parse_ScriptExtensions_txt(canonical_property_value_map):
216    filename_root = 'ScriptExtensions'
217    property_code = 'scx'
218    (scripts, script_map) = parse_UCD_enumerated_property_map('sc', 'Scripts.txt', canonical_property_value_map)
219    (scx_sets, scx_set_map) = parse_UCD_codepoint_name_map('ScriptExtensions.txt')
220    value_map = {}
221    explicitly_defined_set = empty_uset()
222    for scx_list in scx_sets:
223        scx_items = scx_list.split(" ")
224        for scx in scx_items:
225            #sc = canonical_property_value_map[canonicalize(scx)]
226            sc = scx
227            if value_map.has_key(sc): 
228               value_map[sc] = uset_union(value_map[sc], scx_set_map[scx_list])
229            else: value_map[sc] = scx_set_map[scx_list]
230        explicitly_defined_set = uset_union(explicitly_defined_set, scx_set_map[scx_list])
231    for v in canonical_property_value_map.keys(): 
232        if value_map.has_key(v):
233            value_map[v] = uset_union(value_map[v], uset_difference(script_map[v], explicitly_defined_set))
234        elif script_map.has_key(v):
235            value_map[v] = script_map[v]
236        else: value_map[v] = empty_uset()
237    return (sorted(canonical_property_value_map.keys()), value_map)
238
239
240def parse_UCD_codepoint_name_map(mapfile, canonical_name_lookup_map = None):
241   value_map = {}
242   name_list_order = []
243   f = open(UCD_dir + "/" + mapfile)
244   lines = f.readlines()
245   for t in lines:
246      if UCD_skip.match(t):
247        continue  # skip comment and blank lines
248      m = UCD_point_name_regexp.match(t)
249      if m:
250        (codepoint, name) = (int(m.group(1), 16), m.group(2))
251        newset = singleton_uset(codepoint)
252      else: 
253        m = UCD_range_name_regexp.match(t)
254        if not m: raise Exception("Unknown syntax: %s" % t)
255        (cp_lo, cp_hi, name) = (int(m.group(1), 16), int(m.group(2), 16), m.group(3))
256        newset = range_uset(cp_lo, cp_hi)
257      if not canonical_name_lookup_map == None:
258        cname = canonicalize(name)
259        if not canonical_name_lookup_map.has_key(cname):  raise Exception("Unknown property or property value name '%s'" % cname)
260        name = canonical_name_lookup_map[cname]
261      if not value_map.has_key(name):
262        value_map[name] = newset
263        name_list_order.append(name)
264      else: value_map[name] = uset_union(value_map[name], newset)
265   return (name_list_order, value_map)
266
267
Note: See TracBrowser for help on using the repository browser.