#!/usr/bin/perl # Funkce pro přípravu transliterace z urdsko-arabského písma do latinky. # Copyright © 2008 – 2013 Dan Zeman # 2013-10-21 ... Zpětně doplňuji vědecký přepis podle arab.pm. # Licence: GNU GPL package translit::urdu; use utf8; #------------------------------------------------------------------------------ # Problematické hlásky nabízejí několik možných přepisů. # Vysvětlivky: # - český = Preferuje se zápis výslovnosti podle češtiny. To neznamená, že # přepis dobře modeluje výslovnost (ani v mezích možností české abecedy). # Ke správnému zápisu výslovnosti by bylo potřeba znát pravidla pravopisu # zdrojového jazyka, která mohou být někdy velmi složitá. # - anglický = Preferuje se zápis výslovnosti podle angličtiny. To neznamená, # že přepis dobře modeluje výslovnost (viz stejná poznámka u českého). # - bezztrátový = Přepis se snaží odlišit zdrojové znaky tak, aby bylo možné # rekonstruovat původní pravopis. "Český", resp. "anglický" přepis tak musí # být rozšířen o diakritická znaménka, psaní velkých písmen místo malých aj. # - putty = Bezztrátový přepis, který se ale vyhýbá využití některých # prostředků, které nejsou vidět v terminálu Putty (a asi ani jinde, kde se # používá neproporcionální písmo). Jde zejména o znaky třídy "combining", tj. # samostatně kódovanou diakritiku. # - ztrátový = Vyhýbá se použití zvláštních znaků, u kterých není výslovnost # na první pohled patrná. # - technický = Preferuje bezztrátovost, přepis 1:1 (jeden znak za jeden znak) # a přepis pouze do ASCII znaků. Cenou je snížená čitelnost, ale zase mohou # odpadnout některé technické problémy se zobrazováním unikódové latinky. # Hodí se také pro opačný přepis při zadávání cizího písma z klávesnice (IME). # Alternativní přepisy jsou uvedené v tomto pořadí (index do pole): # 0 ... český bezztrátový # 1 ... český bezztrátový putty # 2 ... český ztrátový # 3 ... vědecký (v podstatě anglický bezztrátový) # 4 ... anglický ztrátový # 5 ... technický (částečný Buckwalter; pouze pro arabštinu; písmena jiných # jazyků i zde využívají diakritiku) #------------------------------------------------------------------------------ %alt = ( # chr(240) je LATIN SMALL LETTER ETH # chr(254) je LATIN SMALL LETTER THORN # chr(289) je LATIN SMALL LETTER G WITH DOT ABOVE # chr(702) je MODIFIER LETTER RIGHT HALF RING # pro přepis hamzy používá Ota Smrž ("ʾ") # chr(703) je MODIFIER LETTER LEFT HALF RING # pro přepis ajnu používá Ota Smrž ("ʿ") # chr(803) je COMBINING DOT BELOW # chr(807) je COMBINING CEDILLA # chr(814) je COMBINING BREVE BELOW # Ota Smrž používá pro přepis hlásky "ch" # chr(817) je COMBINING MACRON BELOW 'Á' => ['Á', 'Á', 'Á', 'Ā', 'Ā', '>'], 'Í' => ['Í', 'Í', 'Í', 'Ī', 'Ī', '<'], 'Ú' => ['Ú', 'Ú', 'Ú', 'Ū', 'Ū', '&'], 'á' => ['á', 'á', 'á', 'ā', 'ā', 'A'], 'í' => ['í', 'í', 'í', 'ī', 'ī', 'I'], 'ú' => ['ú', 'ú', 'ú', 'ū', 'ū', 'U'], 'é' => ['é', 'é', 'é', 'e', 'e', 'e'], 'dž' => ['dž', 'dž', 'dž', 'j', 'j', 'j'], 'j' => ['j', 'j', 'j', 'y', 'y', 'y'], 'š' => ['š', 'š', 'š', 'š', 'sh', '$'], 'č' => ['č', 'č', 'č', 'č', 'ch', 'č'], 'ch' => ['ch', 'ch', 'ch', 'x', 'kh', 'x'], 'ž' => ['ž', 'ž', 'ž', 'ž', 'zh', 'ž'], # indické zvláštní hlásky # chr(355) je LATIN SMALL LETTER T WITH CEDILLA # chr(273) je LATIN SMALL LETTER D WITH STROKE # chr(326) je LATIN SMALL LETTER N WITH CEDILLA # chr(771) je COMBINING TILDE # chr(241) je LATIN SMALL LETTER N WITH TILDE # chr(331) je LATIN SMALL LETTER ENG # chr(343) je LATIN SMALL LETTER R WITH CEDILLA 'tind' => ['t'.chr(803), chr(355), 't', 't'.chr(803), 't', 'T'], 'dind' => ['d'.chr(803), chr(273), 'd', 'd'.chr(803), 'd', 'D'], 'nind' => ['n'.chr(803), chr(326), 'n', 'n'.chr(803), 'n', 'N'], 'anusvár' => ['n'.chr(771), chr(241), 'n', 'n'.chr(771), 'n', 'M'], 'ng' => [chr(331), chr(331), 'ng', chr(331), 'ng', 'ng'], 'ň' => ['ň', 'ň', 'ň', 'ň', 'ny', 'ny'], 'rind' => ['r'.chr(803), chr(343), 'r', 'r', 'r', 'R'], # arabské zvláštní hlásky (z urdštiny je nepřepisujeme stejně jako z arabštiny, protože některá znaménka tu potřebujeme na něco jiného) # Například nemůžeme přepsat ghajn jako "gh", protože by se to pletlo s indickým aspirovaným g. # chr(8216) je LEFT SINGLE QUOTATION MARK 'harab' => ['h'.chr(803), 'H', 'h', 'h', 'h', 'h'], 'ghajn' => [chr(289), chr(289), 'gh', chr(289), 'gh', 'G'], 'ajn' => [chr(703), '`', "`", chr(703), "`", 'c'], 'sarab' => ['s'.chr(807), 'S', 's', 's'.chr(807), 's', 'S'], 'darab' => ['d'.chr(807), 'D', 'd', 'd'.chr(807), 'd', 'd'], 'tarab' => ['t'.chr(807), 'T', 't', 't'.chr(807), 't', 't'], 'zarab' => ['z'.chr(807), 'Z', 'z', 'z'.chr(807), 'z', 'Z'], 'th' => [chr(254), chr(254), 'th', chr(254), 'th', 'th'], 'dh' => [chr(240), chr(240), 'dh', chr(240), 'dh', 'dh'] ); #------------------------------------------------------------------------------ # Uloží do hashe přepisy znaků. #------------------------------------------------------------------------------ sub inicializovat { # Odkaz na hash, do kterého se má ukládat převodní tabulka. my $prevod = shift; # Má se do latinky přidávat nečeská diakritika, aby se neztrácela informace? my $bezztrat = 1; my $alt = 3; # vědecký přepis, tj. bezztrátový s preferencí anglické výslovnosti my %urdu = ( 1548 => ',', # comma 1563 => ';', # semicolon 1567 => '?', # question 1569 => "'", # hamza (samotná bývá někdy na konci slova) 1570 => $alt{'Á'}[$alt], # alef madda آ 1571 => 'Á', # alef hamza above 1572 => $alt{'Ú'}[$alt], # hamza waw ؤ 1573 => 'Í', # alef hamza below 1574 => 'j', # hamza yeh 1575 => $alt{'á'}[$alt], # alef 1576 => 'b', # beh 1577 => 'eh', # teh marbuta (používá se v arabštině; v urdštině asi spíš jen omylem) 1578 => 't', # teh 1579 => $alt{'th'}[$alt], # theh 1580 => $alt{'dž'}[$alt], # jeem 1581 => $alt{'harab'}[$alt], # hah 1582 => $alt{'ch'}[$alt], # khah 1583 => 'd', # dal 1584 => $alt{'dh'}[$alt], # thal 1585 => 'r', # reh 1586 => 'z', # zain 1587 => 's', # seen 1588 => $alt{'š'}[$alt], # sheen 1589 => $alt{'sarab'}[$alt], # sad 1590 => $alt{'darab'}[$alt], # dad 1591 => $alt{'tarab'}[$alt], # tah 1592 => $alt{'zarab'}[$alt], # zah 1593 => $alt{'ajn'}[$alt], # ain 1594 => $alt{'ghajn'}[$alt], # ghain 1600 => '_', # tatweel (plnidlo mezi znaky na typografické prodloužení slova) 1601 => 'f', # feh 1602 => 'q', # qaf 1603 => 'k', # kaf (urdština používá jiný tvar (keheh), ale omylem se může objevit i tenhle arabský) 1604 => 'l', # lam 1605 => 'm', # meem 1606 => 'n', # noon 1607 => 'h', # heh (urdština používá jiný tvar, ale omylem se může objevit i tenhle arabský) 1608 => $alt{'ú'}[$alt], # waw 1609 => $alt{'í'}[$alt], # alef maksura (objevuje se spíš omylem, správně by asi mělo být farsi yeh) 1610 => $alt{'í'}[$alt], # yeh (urdština používá jiný tvar, ale omylem se může objevit i tenhle arabský) 1611 => 'an', # fathatan (diakritika pro krátké a s "nunací") 1612 => 'un', # dammatan (diakritika pro krátké u s "nunací") 1613 => 'in', # kasratan (diakritika pro krátké i s "nunací") 1614 => 'a', # fatha (diakritika pro krátké a) 1615 => 'u', # damma (diakritika pro krátké u) 1616 => 'i', # kasra (diakritika pro krátké i) 1617 => ':', # shadda (zdvojená souhláska) 1618 => '', # sukun (žádná samohláska) 1642 => '%', # percent 1643 => ',', # decimal separator 1644 => chr(160), # thousands separator 1648 => $alt{'á'}[$alt], # superscript alef 1649 => '-', # alef wasla (arabština Koránu; uvnitř slova; značí, že kvůli spojování se nevyslovuje ráz ani samohláska alefu) 1657 => $alt{'tind'}[$alt], # tteh 1662 => 'p', # peh 1670 => $alt{'č'}[$alt], # tcheh 1672 => $alt{'dind'}[$alt], # ddal 1681 => $alt{'rind'}[$alt], # rreh 1688 => $alt{'ž'}[$alt], # jeh 1705 => 'k', # keheh 1711 => 'g', # gaf 1722 => $alt{'anusvár'}[$alt], # noon ghunna 1726 => 'h', # heh doachashmee 1728 => 'h', # heh with yeh above 1729 => 'h', # heh goal 1730 => 'h', # heh goal hamza 1731 => 'eh', # teh marbuta goal 1740 => $alt{'í'}[$alt], # farsi yeh 1746 => $alt{'é'}[$alt], # yeh barree 1747 => $alt{'é'}[$alt], # yeh barree hamza 1748 => '.', # full stop 1776 => '0', # zero 1777 => '1', # one 1778 => '2', # two 1779 => '3', # three 1780 => '4', # four 1781 => '5', # five 1782 => '6', # six 1783 => '7', # seven 1784 => '8', # eight 1785 => '9', # nine 2404 => '.', # danda (oddělovač vět v dévanágarí, v urdštině může být jen omylem) 8204 => '', # zero width non-joiner 8205 => '', # zero width joiner 8206 => '', # left-to-right mark 8207 => '', # right-to-left mark 8234 => '', # left-to-right embedding 8235 => '', # right-to-left embedding 8236 => '', # pop directional formatting 8237 => '', # left-to-right override 8238 => '', # right-to-left override ); foreach my $kod (keys(%urdu)) { $prevod->{chr($kod)} = $urdu{$kod}; } # U písmene waw je těžké rozhodnout, zda reprezentuje souhlásku "v", nebo samohlásku "ú". # Na začátku slova ale dáme přednost souhláskovému čtení, protože samohláskové by asi bylo vyznačeno hamzou. # (Obecně popsat hranici slova je také těžké. Omezíme se na několik běžných kontextů.) # Obdobně písmeno yeh bude na začátku slova souhláska "y" ("j"), jinde samohláska "í". # Obdobně písmeno alif na začátku slova označuje libovolnou krátkou samohlásku, uvnitř a na konci slova je to dlouhé "á". foreach my $pred (' ', '<', '>', '(', ')') { $prevod->{$pred.chr(1608)} = $pred.'v'; $prevod->{$pred.chr(1610)} = $pred.'y'; $prevod->{$pred.chr(1740)} = $pred.'y'; $prevod->{$pred.chr(1575)} = $pred.'a'; } return $prevod; } 1;