#!/usr/bin/perl # Funkce pro přípravu převodu indického textu z kódování WX do UTF-8. Je nutné si uvědomit následující: # - WX zapisuje indický text pomocí latinky. Pokud do indického textu měla být vložena skutečná latinka, nepoznáme to. # - WX je mapování obecného repertoáru hlásek, které lze zapsat v indických písmech. Pro převod do UTF-8 musíme vědět, které indické písmo se má použít. # Copyright © 2009 Dan Zeman # Licence: GNU GPL package translit::wx2utf; use utf8; # Tabulka jazyků a odkazy na sloupce v následující tabulce. %jazyky = ( 'hi' => 1, 'bn' => 2, 'te' => 3 ); # Tabulka korespondence znaků WX a písmen v dévanágarí, bengálském a telugském písmu. @wx = ( ['a', "\x{905}", "\x{985}", "\x{C05}"], ['-a', "", "", "" ], ['A', "\x{906}", "\x{986}", "\x{C06}"], ['-A', "\x{93E}", "\x{9BE}", "\x{C3E}"], ['i', "\x{907}", "\x{987}", "\x{C07}"], ['-i', "\x{93F}", "\x{9BF}", "\x{C3F}"], ['I', "\x{908}", "\x{988}", "\x{C08}"], ['-I', "\x{940}", "\x{9C0}", "\x{C40}"], ['u', "\x{909}", "\x{989}", "\x{C09}"], ['-u', "\x{941}", "\x{9C1}", "\x{C41}"], ['U', "\x{90A}", "\x{98A}", "\x{C0A}"], ['-U', "\x{942}", "\x{9C2}", "\x{C42}"], ['q', "\x{90B}", "\x{98B}", "\x{C0B}"], ['-q', "\x{943}", "\x{9C3}", "\x{C43}"], ['Q', "\x{960}", "\x{9E0}", "\x{C60}"], ['-Q', "\x{944}", "\x{9C4}", "\x{C44}"], ['eV', "\x{90E}", "\x{98E}", "\x{C0E}"], ['-eV', "\x{946}", "\x{9C6}", "\x{C46}"], ['e', "\x{90F}", "\x{98F}", "\x{C0F}"], ['-e', "\x{947}", "\x{9C7}", "\x{C47}"], ['E', "\x{910}", "\x{990}", "\x{C10}"], ['-E', "\x{948}", "\x{9C8}", "\x{C48}"], ['OY', "\x{911}", "\x{991}", "\x{C11}"], ['-OY', "\x{949}", "\x{9C9}", "\x{C49}"], ['oV', "\x{912}", "\x{992}", "\x{C12}"], ['-oV', "\x{94A}", "\x{9CA}", "\x{C4A}"], ['o', "\x{913}", "\x{993}", "\x{C13}"], ['-o', "\x{94B}", "\x{9CB}", "\x{C4A}"], ['O', "\x{914}", "\x{994}", "\x{C14}"], ['-O', "\x{94C}", "\x{9CC}", "\x{C4C}"], ['M', "\x{902}", "\x{982}", "\x{C02}"], ['H', "\x{903}", "\x{983}", "\x{C03}"], ['z', "\x{901}", "\x{981}", "\x{C01}"], ['EY', "\x{901}", "\x{981}", "\x{C01}"], ['-', "\x{94D}", "\x{9CD}", "\x{C4D}"], # virám ['Z', "\x{93C}", "\x{9BC}", "\x{C3C}"], # telugu ve skutečnosti nuktu nemá, ale možná je potřeba některé souhlásky s nuktou namapovat jinam ['k', "\x{915}", "\x{995}", "\x{C15}"], ['K', "\x{916}", "\x{996}", "\x{C16}"], ['g', "\x{917}", "\x{997}", "\x{C17}"], ['G', "\x{918}", "\x{998}", "\x{C18}"], ['f', "\x{919}", "\x{999}", "\x{C19}"], ['c', "\x{91A}", "\x{99A}", "\x{C1A}"], ['C', "\x{91B}", "\x{99B}", "\x{C1B}"], ['j', "\x{91C}", "\x{99C}", "\x{C1C}"], ['J', "\x{91D}", "\x{99D}", "\x{C1D}"], ['F', "\x{91E}", "\x{99E}", "\x{C1E}"], ['t', "\x{91F}", "\x{99F}", "\x{C1F}"], ['T', "\x{920}", "\x{9A0}", "\x{C20}"], ['d', "\x{921}", "\x{9A1}", "\x{C21}"], ['D', "\x{922}", "\x{9A2}", "\x{C22}"], ['N', "\x{923}", "\x{9A3}", "\x{C23}"], ['w', "\x{924}", "\x{9A4}", "\x{C24}"], ['W', "\x{925}", "\x{9A5}", "\x{C25}"], ['x', "\x{926}", "\x{9A6}", "\x{C26}"], ['X', "\x{927}", "\x{9A7}", "\x{C27}"], ['n', "\x{928}", "\x{9A8}", "\x{C28}"], ['p', "\x{92A}", "\x{9AA}", "\x{C2A}"], ['P', "\x{92B}", "\x{9AB}", "\x{C2B}"], ['b', "\x{92C}", "\x{9AC}", "\x{C2C}"], ['B', "\x{92D}", "\x{9AD}", "\x{C2D}"], ['m', "\x{92E}", "\x{9AE}", "\x{C2E}"], ['y', "\x{92F}", "\x{9AF}", "\x{C2F}"], ['r', "\x{930}", "\x{9B0}", "\x{C30}"], ['l', "\x{932}", "\x{9B2}", "\x{C32}"], ['lY', "\x{933}", "\x{9B3}", "\x{C33}"], ['v', "\x{935}", "\x{9B5}", "\x{C35}"], ['S', "\x{936}", "\x{9B6}", "\x{C36}"], ['R', "\x{937}", "\x{9B7}", "\x{C37}"], ['s', "\x{938}", "\x{9B8}", "\x{C38}"], ['h', "\x{939}", "\x{9B9}", "\x{C39}"], ['0', "\x{966}", "\x{9E6}", "\x{C66}"], ['1', "\x{967}", "\x{9E7}", "\x{C67}"], ['2', "\x{968}", "\x{9E8}", "\x{C68}"], ['3', "\x{969}", "\x{9E9}", "\x{C69}"], ['4', "\x{96A}", "\x{9EA}", "\x{C6A}"], ['5', "\x{96B}", "\x{9EB}", "\x{C6B}"], ['6', "\x{96C}", "\x{9EC}", "\x{C6C}"], ['7', "\x{96D}", "\x{9ED}", "\x{C6D}"], ['8', "\x{96E}", "\x{9EE}", "\x{C6E}"], ['9', "\x{96F}", "\x{9EF}", "\x{C6F}"], ); #------------------------------------------------------------------------------ # Uloží do hashe přepisy souhlásek a slabik. Odkaz na cílový hash převezme jako # parametr. Vrátí délku nejdelšího řetězce, jehož přepis je v hashi definován. #------------------------------------------------------------------------------ sub inicializovat { # Odkaz na hash, do kterého se má ukládat převodní tabulka. my $prevod = shift; my $jazyk = shift; if(!exists($jazyky{$jazyk})) { print STDERR ("Known WX languages: ", join(' ', sort(keys(%jazyky))), "\n"); die("Unknown language '$jazyk'.\n"); } my $maxl; # Vytáhnout si z hlavní tabulky aktuální písmo a předělat ho na přepisovací hash. foreach my $radek (@wx) { my $wx = $radek->[0]; my $utf = $radek->[$jazyky{$jazyk}]; if($wx =~ s/^-//) { push(@diasamohlasky, [$wx, $utf]); } elsif($wx =~ m/^(a|A|i|I|u|U|q|Q|eV|e|E|OY|oV|o|O|M|H|z|EY|Z|[0-9])$/) { $prevod->{$wx} = $utf; $maxl = length($wx) if(length($wx)>$maxl); } else { push(@souhlasky, [$wx, $utf]); } } foreach my $s (@souhlasky) { foreach my $d (@diasamohlasky) { my $wx = $s->[0].$d->[0]; my $utf = $s->[1].$d->[1]; $prevod->{$wx} = $utf; $maxl = length($wx) if(length($wx)>$maxl); # Výše uvedené zatím nepokrývá správně slabiky s nuktou. # Např. "PZu" (= ph+nukta+u, tedy "fu") se nám přepíše se samostatným znakem pro "u", nikoli se znaménkem pro "u". # Proto tady tyto případy zachytíme ještě zvlášť. $wx = $s->[0].'Z'.$d->[0]; $utf = $s->[1].$prevod->{'Z'}.$d->[1]; $prevod->{$wx} = $utf; $maxl = length($wx) if(length($wx)>$maxl); } } return $maxl; }