plugins: move af_lang_detect to tt-rss-attic repository
Andrew Dolgov
6 years ago
parent
f129074666
commit
83da40251f
@ -1,45 +0,0 @@
|
||||
<?php
|
||||
class Af_Lang_Detect extends Plugin {
|
||||
private $host;
|
||||
private $lang;
|
||||
|
||||
function about() {
|
||||
return array(1.1,
|
||||
"Detect article language",
|
||||
"fox");
|
||||
}
|
||||
|
||||
function init($host) {
|
||||
$this->host = $host;
|
||||
|
||||
$host->add_hook($host::HOOK_ARTICLE_FILTER, $this);
|
||||
|
||||
require_once __DIR__ . "/languagedetect/Text/LanguageDetect.php";
|
||||
|
||||
$this->lang = new Text_LanguageDetect();
|
||||
$this->lang->setNameMode(2);
|
||||
}
|
||||
|
||||
function hook_article_filter($article) {
|
||||
|
||||
if ($this->lang) {
|
||||
$entry_language = $this->lang->detect($article['title'] . " " . $article['content'], 1);
|
||||
|
||||
if (count($entry_language) > 0) {
|
||||
$possible = array_keys($entry_language);
|
||||
$entry_language = $possible[0];
|
||||
|
||||
_debug("detected language: $entry_language");
|
||||
|
||||
$article["language"] = $entry_language;
|
||||
}
|
||||
}
|
||||
|
||||
return $article;
|
||||
}
|
||||
|
||||
function api_version() {
|
||||
return 2;
|
||||
}
|
||||
|
||||
}
|
||||
File diff suppressed because it is too large
Load Diff
@ -1,81 +0,0 @@
|
||||
<?php
|
||||
/**
|
||||
* Part of Text_LanguageDetect
|
||||
*
|
||||
* PHP version 5
|
||||
*
|
||||
* @category Text
|
||||
* @package Text_LanguageDetect
|
||||
* @author Nicholas Pisarro <infinityminusnine+pear@gmail.com>
|
||||
* @license BSD http://www.opensource.org/licenses/bsd-license.php
|
||||
* @link http://pear.php.net/package/Text_LanguageDetect/
|
||||
*/
|
||||
|
||||
/**
|
||||
* Part of the PEAR language detection package
|
||||
*
|
||||
* PHP version 5
|
||||
*
|
||||
* @category Text
|
||||
* @package Text_LanguageDetect
|
||||
* @author Nicholas Pisarro <infinityminusnine+pear@gmail.com>
|
||||
* @license BSD http://www.opensource.org/licenses/bsd-license.php
|
||||
* @link http://pear.php.net/package/Text_LanguageDetect/
|
||||
* @link http://langdetect.blogspot.com/
|
||||
*/
|
||||
class Text_LanguageDetect_Exception extends Exception
|
||||
{
|
||||
/**
|
||||
* Database file could not be found
|
||||
*/
|
||||
const DB_NOT_FOUND = 10;
|
||||
|
||||
/**
|
||||
* Database file found, but not readable
|
||||
*/
|
||||
const DB_NOT_READABLE = 11;
|
||||
|
||||
/**
|
||||
* Database file is empty
|
||||
*/
|
||||
const DB_EMPTY = 12;
|
||||
|
||||
/**
|
||||
* Database contents is not a PHP array
|
||||
*/
|
||||
const DB_NOT_ARRAY = 13;
|
||||
|
||||
/**
|
||||
* Magic quotes are activated
|
||||
*/
|
||||
const MAGIC_QUOTES = 14;
|
||||
|
||||
|
||||
/**
|
||||
* Parameter of invalid type passed to method
|
||||
*/
|
||||
const PARAM_TYPE = 20;
|
||||
|
||||
/**
|
||||
* Character in parameter is invalid
|
||||
*/
|
||||
const INVALID_CHAR = 21;
|
||||
|
||||
|
||||
/**
|
||||
* Language is not in the database
|
||||
*/
|
||||
const UNKNOWN_LANGUAGE = 30;
|
||||
|
||||
|
||||
/**
|
||||
* Error during block detection
|
||||
*/
|
||||
const BLOCK_DETECTION = 40;
|
||||
|
||||
|
||||
/**
|
||||
* Error while clustering languages
|
||||
*/
|
||||
const NO_HIGHEST_KEY = 50;
|
||||
}
|
||||
@ -1,340 +0,0 @@
|
||||
<?php
|
||||
/**
|
||||
* Part of Text_LanguageDetect
|
||||
*
|
||||
* PHP version 5
|
||||
*
|
||||
* @category Text
|
||||
* @package Text_LanguageDetect
|
||||
* @author Christian Weiske <cweiske@php.net>
|
||||
* @copyright 2011 Christian Weiske <cweiske@php.net>
|
||||
* @license http://www.debian.org/misc/bsd.license BSD
|
||||
* @link http://pear.php.net/package/Text_LanguageDetect/
|
||||
*/
|
||||
|
||||
/**
|
||||
* Provides a mapping between the languages from lang.dat and the
|
||||
* ISO 639-1 and ISO-639-2 codes.
|
||||
*
|
||||
* Note that this class contains only languages that exist in lang.dat.
|
||||
*
|
||||
* @category Text
|
||||
* @package Text_LanguageDetect
|
||||
* @author Christian Weiske <cweiske@php.net>
|
||||
* @copyright 2011 Christian Weiske <cweiske@php.net>
|
||||
* @license BSD http://www.opensource.org/licenses/bsd-license.php
|
||||
* @link http://www.loc.gov/standards/iso639-2/php/code_list.php
|
||||
*
|
||||
* @SuppressWarnings(PHPMD)
|
||||
*/
|
||||
class Text_LanguageDetect_ISO639
|
||||
{
|
||||
/**
|
||||
* Maps all language names from the language database to the
|
||||
* ISO 639-1 2-letter language code.
|
||||
*
|
||||
* NULL indicates that there is no 2-letter code.
|
||||
*
|
||||
* @var array
|
||||
*/
|
||||
public static $nameToCode2 = array(
|
||||
'albanian' => 'sq',
|
||||
'arabic' => 'ar',
|
||||
'azeri' => 'az',
|
||||
'bengali' => 'bn',
|
||||
'bulgarian' => 'bg',
|
||||
'cebuano' => null,
|
||||
'croatian' => 'hr',
|
||||
'czech' => 'cs',
|
||||
'danish' => 'da',
|
||||
'dutch' => 'nl',
|
||||
'english' => 'en',
|
||||
'estonian' => 'et',
|
||||
'farsi' => 'fa',
|
||||
'finnish' => 'fi',
|
||||
'french' => 'fr',
|
||||
'german' => 'de',
|
||||
'hausa' => 'ha',
|
||||
'hawaiian' => null,
|
||||
'hindi' => 'hi',
|
||||
'hungarian' => 'hu',
|
||||
'icelandic' => 'is',
|
||||
'indonesian' => 'id',
|
||||
'italian' => 'it',
|
||||
'kazakh' => 'kk',
|
||||
'kyrgyz' => 'ky',
|
||||
'latin' => 'la',
|
||||
'latvian' => 'lv',
|
||||
'lithuanian' => 'lt',
|
||||
'macedonian' => 'mk',
|
||||
'mongolian' => 'mn',
|
||||
'nepali' => 'ne',
|
||||
'norwegian' => 'no',
|
||||
'pashto' => 'ps',
|
||||
'pidgin' => null,
|
||||
'polish' => 'pl',
|
||||
'portuguese' => 'pt',
|
||||
'romanian' => 'ro',
|
||||
'russian' => 'ru',
|
||||
'serbian' => 'sr',
|
||||
'slovak' => 'sk',
|
||||
'slovene' => 'sl',
|
||||
'somali' => 'so',
|
||||
'spanish' => 'es',
|
||||
'swahili' => 'sw',
|
||||
'swedish' => 'sv',
|
||||
'tagalog' => 'tl',
|
||||
'turkish' => 'tr',
|
||||
'ukrainian' => 'uk',
|
||||
'urdu' => 'ur',
|
||||
'uzbek' => 'uz',
|
||||
'vietnamese' => 'vi',
|
||||
'welsh' => 'cy',
|
||||
);
|
||||
|
||||
/**
|
||||
* Maps all language names from the language database to the
|
||||
* ISO 639-2 3-letter language code.
|
||||
*
|
||||
* @var array
|
||||
*/
|
||||
public static $nameToCode3 = array(
|
||||
'albanian' => 'sqi',
|
||||
'arabic' => 'ara',
|
||||
'azeri' => 'aze',
|
||||
'bengali' => 'ben',
|
||||
'bulgarian' => 'bul',
|
||||
'cebuano' => 'ceb',
|
||||
'croatian' => 'hrv',
|
||||
'czech' => 'ces',
|
||||
'danish' => 'dan',
|
||||
'dutch' => 'nld',
|
||||
'english' => 'eng',
|
||||
'estonian' => 'est',
|
||||
'farsi' => 'fas',
|
||||
'finnish' => 'fin',
|
||||
'french' => 'fra',
|
||||
'german' => 'deu',
|
||||
'hausa' => 'hau',
|
||||
'hawaiian' => 'haw',
|
||||
'hindi' => 'hin',
|
||||
'hungarian' => 'hun',
|
||||
'icelandic' => 'isl',
|
||||
'indonesian' => 'ind',
|
||||
'italian' => 'ita',
|
||||
'kazakh' => 'kaz',
|
||||
'kyrgyz' => 'kir',
|
||||
'latin' => 'lat',
|
||||
'latvian' => 'lav',
|
||||
'lithuanian' => 'lit',
|
||||
'macedonian' => 'mkd',
|
||||
'mongolian' => 'mon',
|
||||
'nepali' => 'nep',
|
||||
'norwegian' => 'nor',
|
||||
'pashto' => 'pus',
|
||||
'pidgin' => 'crp',
|
||||
'polish' => 'pol',
|
||||
'portuguese' => 'por',
|
||||
'romanian' => 'ron',
|
||||
'russian' => 'rus',
|
||||
'serbian' => 'srp',
|
||||
'slovak' => 'slk',
|
||||
'slovene' => 'slv',
|
||||
'somali' => 'som',
|
||||
'spanish' => 'spa',
|
||||
'swahili' => 'swa',
|
||||
'swedish' => 'swe',
|
||||
'tagalog' => 'tgl',
|
||||
'turkish' => 'tur',
|
||||
'ukrainian' => 'ukr',
|
||||
'urdu' => 'urd',
|
||||
'uzbek' => 'uzb',
|
||||
'vietnamese' => 'vie',
|
||||
'welsh' => 'cym',
|
||||
);
|
||||
|
||||
/**
|
||||
* Maps ISO 639-1 2-letter language codes to the language names
|
||||
* in the language database
|
||||
*
|
||||
* Not all languages have a 2 letter code, so some are missing
|
||||
*
|
||||
* @var array
|
||||
*/
|
||||
public static $code2ToName = array(
|
||||
'ar' => 'arabic',
|
||||
'az' => 'azeri',
|
||||
'bg' => 'bulgarian',
|
||||
'bn' => 'bengali',
|
||||
'cs' => 'czech',
|
||||
'cy' => 'welsh',
|
||||
'da' => 'danish',
|
||||
'de' => 'german',
|
||||
'en' => 'english',
|
||||
'es' => 'spanish',
|
||||
'et' => 'estonian',
|
||||
'fa' => 'farsi',
|
||||
'fi' => 'finnish',
|
||||
'fr' => 'french',
|
||||
'ha' => 'hausa',
|
||||
'hi' => 'hindi',
|
||||
'hr' => 'croatian',
|
||||
'hu' => 'hungarian',
|
||||
'id' => 'indonesian',
|
||||
'is' => 'icelandic',
|
||||
'it' => 'italian',
|
||||
'kk' => 'kazakh',
|
||||
'ky' => 'kyrgyz',
|
||||
'la' => 'latin',
|
||||
'lt' => 'lithuanian',
|
||||
'lv' => 'latvian',
|
||||
'mk' => 'macedonian',
|
||||
'mn' => 'mongolian',
|
||||
'ne' => 'nepali',
|
||||
'nl' => 'dutch',
|
||||
'no' => 'norwegian',
|
||||
'pl' => 'polish',
|
||||
'ps' => 'pashto',
|
||||
'pt' => 'portuguese',
|
||||
'ro' => 'romanian',
|
||||
'ru' => 'russian',
|
||||
'sk' => 'slovak',
|
||||
'sl' => 'slovene',
|
||||
'so' => 'somali',
|
||||
'sq' => 'albanian',
|
||||
'sr' => 'serbian',
|
||||
'sv' => 'swedish',
|
||||
'sw' => 'swahili',
|
||||
'tl' => 'tagalog',
|
||||
'tr' => 'turkish',
|
||||
'uk' => 'ukrainian',
|
||||
'ur' => 'urdu',
|
||||
'uz' => 'uzbek',
|
||||
'vi' => 'vietnamese',
|
||||
);
|
||||
|
||||
/**
|
||||
* Maps ISO 639-2 3-letter language codes to the language names
|
||||
* in the language database.
|
||||
*
|
||||
* @var array
|
||||
*/
|
||||
public static $code3ToName = array(
|
||||
'ara' => 'arabic',
|
||||
'aze' => 'azeri',
|
||||
'ben' => 'bengali',
|
||||
'bul' => 'bulgarian',
|
||||
'ceb' => 'cebuano',
|
||||
'ces' => 'czech',
|
||||
'crp' => 'pidgin',
|
||||
'cym' => 'welsh',
|
||||
'dan' => 'danish',
|
||||
'deu' => 'german',
|
||||
'eng' => 'english',
|
||||
'est' => 'estonian',
|
||||
'fas' => 'farsi',
|
||||
'fin' => 'finnish',
|
||||
'fra' => 'french',
|
||||
'hau' => 'hausa',
|
||||
'haw' => 'hawaiian',
|
||||
'hin' => 'hindi',
|
||||
'hrv' => 'croatian',
|
||||
'hun' => 'hungarian',
|
||||
'ind' => 'indonesian',
|
||||
'isl' => 'icelandic',
|
||||
'ita' => 'italian',
|
||||
'kaz' => 'kazakh',
|
||||
'kir' => 'kyrgyz',
|
||||
'lat' => 'latin',
|
||||
'lav' => 'latvian',
|
||||
'lit' => 'lithuanian',
|
||||
'mkd' => 'macedonian',
|
||||
'mon' => 'mongolian',
|
||||
'nep' => 'nepali',
|
||||
'nld' => 'dutch',
|
||||
'nor' => 'norwegian',
|
||||
'pol' => 'polish',
|
||||
'por' => 'portuguese',
|
||||
'pus' => 'pashto',
|
||||
'rom' => 'romanian',
|
||||
'rus' => 'russian',
|
||||
'slk' => 'slovak',
|
||||
'slv' => 'slovene',
|
||||
'som' => 'somali',
|
||||
'spa' => 'spanish',
|
||||
'sqi' => 'albanian',
|
||||
'srp' => 'serbian',
|
||||
'swa' => 'swahili',
|
||||
'swe' => 'swedish',
|
||||
'tgl' => 'tagalog',
|
||||
'tur' => 'turkish',
|
||||
'ukr' => 'ukrainian',
|
||||
'urd' => 'urdu',
|
||||
'uzb' => 'uzbek',
|
||||
'vie' => 'vietnamese',
|
||||
);
|
||||
|
||||
/**
|
||||
* Returns the 2-letter ISO 639-1 code for the given language name.
|
||||
*
|
||||
* @param string $lang English language name like "swedish"
|
||||
*
|
||||
* @return string Two-letter language code (e.g. "sv") or NULL if not found
|
||||
*/
|
||||
public static function nameToCode2($lang)
|
||||
{
|
||||
$lang = strtolower($lang);
|
||||
if (!isset(self::$nameToCode2[$lang])) {
|
||||
return null;
|
||||
}
|
||||
return self::$nameToCode2[$lang];
|
||||
}
|
||||
|
||||
/**
|
||||
* Returns the 3-letter ISO 639-2 code for the given language name.
|
||||
*
|
||||
* @param string $lang English language name like "swedish"
|
||||
*
|
||||
* @return string Three-letter language code (e.g. "swe") or NULL if not found
|
||||
*/
|
||||
public static function nameToCode3($lang)
|
||||
{
|
||||
$lang = strtolower($lang);
|
||||
if (!isset(self::$nameToCode3[$lang])) {
|
||||
return null;
|
||||
}
|
||||
return self::$nameToCode3[$lang];
|
||||
}
|
||||
|
||||
/**
|
||||
* Returns the language name for the given 2-letter ISO 639-1 code.
|
||||
*
|
||||
* @param string $code Two-letter language code (e.g. "sv")
|
||||
*
|
||||
* @return string English language name like "swedish"
|
||||
*/
|
||||
public static function code2ToName($code)
|
||||
{
|
||||
$lang = strtolower($code);
|
||||
if (!isset(self::$code2ToName[$code])) {
|
||||
return null;
|
||||
}
|
||||
return self::$code2ToName[$code];
|
||||
}
|
||||
|
||||
/**
|
||||
* Returns the language name for the given 3-letter ISO 639-2 code.
|
||||
*
|
||||
* @param string $code Three-letter language code (e.g. "swe")
|
||||
*
|
||||
* @return string English language name like "swedish"
|
||||
*/
|
||||
public static function code3ToName($code)
|
||||
{
|
||||
$lang = strtolower($code);
|
||||
if (!isset(self::$code3ToName[$code])) {
|
||||
return null;
|
||||
}
|
||||
return self::$code3ToName[$code];
|
||||
}
|
||||
}
|
||||
@ -1,356 +0,0 @@
|
||||
<?php
|
||||
/**
|
||||
* Part of Text_LanguageDetect
|
||||
*
|
||||
* PHP version 5
|
||||
*
|
||||
* @category Text
|
||||
* @package Text_LanguageDetect
|
||||
* @author Nicholas Pisarro <infinityminusnine+pear@gmail.com>
|
||||
* @copyright 2006 Nicholas Pisarro
|
||||
* @license BSD http://www.opensource.org/licenses/bsd-license.php
|
||||
* @link http://pear.php.net/package/Text_LanguageDetect/
|
||||
*/
|
||||
|
||||
/**
|
||||
* This class represents a text sample to be parsed.
|
||||
*
|
||||
* This separates the analysis of a text sample from the primary LanguageDetect
|
||||
* class. After a new profile has been built, the data can be retrieved using
|
||||
* the accessor functions.
|
||||
*
|
||||
* This class is intended to be used by the Text_LanguageDetect class, not
|
||||
* end-users.
|
||||
*
|
||||
* @category Text
|
||||
* @package Text_LanguageDetect
|
||||
* @author Nicholas Pisarro <infinityminusnine+pear@gmail.com>
|
||||
* @copyright 2006 Nicholas Pisarro
|
||||
* @license BSD http://www.opensource.org/licenses/bsd-license.php
|
||||
* @version Release: @package_version@
|
||||
* @link http://pear.php.net/package/Text_LanguageDetect/
|
||||
*/
|
||||
class Text_LanguageDetect_Parser extends Text_LanguageDetect
|
||||
{
|
||||
/**
|
||||
* The piece of text being parsed
|
||||
*
|
||||
* @var string
|
||||
*/
|
||||
protected $_string;
|
||||
|
||||
/**
|
||||
* Stores the trigram frequencies of the sample
|
||||
*
|
||||
* @var string
|
||||
*/
|
||||
protected $_trigrams = array();
|
||||
|
||||
/**
|
||||
* Stores the trigram ranks of the sample
|
||||
*
|
||||
* @var array
|
||||
*/
|
||||
protected $_trigram_ranks = array();
|
||||
|
||||
/**
|
||||
* Stores the unicode blocks of the sample
|
||||
*
|
||||
* @var array
|
||||
*/
|
||||
protected $_unicode_blocks = array();
|
||||
|
||||
/**
|
||||
* Whether the parser should compile the unicode ranges
|
||||
*
|
||||
* @var bool
|
||||
*/
|
||||
protected $_compile_unicode = false;
|
||||
|
||||
/**
|
||||
* Whether the parser should compile trigrams
|
||||
*
|
||||
* @var bool
|
||||
*/
|
||||
protected $_compile_trigram = false;
|
||||
|
||||
/**
|
||||
* Whether the trigram parser should pad the beginning of the string
|
||||
*
|
||||
* @var bool
|
||||
*/
|
||||
protected $_trigram_pad_start = false;
|
||||
|
||||
/**
|
||||
* Whether the unicode parser should skip non-alphabetical ascii chars
|
||||
*
|
||||
* @var bool
|
||||
*/
|
||||
protected $_unicode_skip_symbols = true;
|
||||
|
||||
/**
|
||||
* Constructor
|
||||
*
|
||||
* @param string $string string to be parsed
|
||||
*/
|
||||
public function __construct($string)
|
||||
{
|
||||
$this->_string = $string;
|
||||
}
|
||||
|
||||
/**
|
||||
* PHP 4 constructor for backwards compatibility.
|
||||
*
|
||||
* @param string $string string to be parsed
|
||||
*
|
||||
* @return void
|
||||
*/
|
||||
public function Text_LanguageDetect_Parser($string)
|
||||
{
|
||||
self::__construct($string);
|
||||
}
|
||||
|
||||
/**
|
||||
* Returns true if a string is suitable for parsing
|
||||
*
|
||||
* @param string $str input string to test
|
||||
*
|
||||
* @return bool true if acceptable, false if not
|
||||
*/
|
||||
public static function validateString($str)
|
||||
{
|
||||
if (!empty($str) && strlen($str) > 3 && preg_match('/\S/', $str)) {
|
||||
return true;
|
||||
} else {
|
||||
return false;
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* Turn on/off trigram counting
|
||||
*
|
||||
* @param bool $bool true for on, false for off
|
||||
*
|
||||
* @return void
|
||||
*/
|
||||
public function prepareTrigram($bool = true)
|
||||
{
|
||||
$this->_compile_trigram = $bool;
|
||||
}
|
||||
|
||||
/**
|
||||
* Turn on/off unicode block counting
|
||||
*
|
||||
* @param bool $bool true for on, false for off
|
||||
*
|
||||
* @return void
|
||||
*/
|
||||
public function prepareUnicode($bool = true)
|
||||
{
|
||||
$this->_compile_unicode = $bool;
|
||||
}
|
||||
|
||||
/**
|
||||
* Turn on/off padding the beginning of the sample string
|
||||
*
|
||||
* @param bool $bool true for on, false for off
|
||||
*
|
||||
* @return void
|
||||
*/
|
||||
public function setPadStart($bool = true)
|
||||
{
|
||||
$this->_trigram_pad_start = $bool;
|
||||
}
|
||||
|
||||
/**
|
||||
* Should the unicode block counter skip non-alphabetical ascii chars?
|
||||
*
|
||||
* @param bool $bool true for on, false for off
|
||||
*
|
||||
* @return void
|
||||
*/
|
||||
public function setUnicodeSkipSymbols($bool = true)
|
||||
{
|
||||
$this->_unicode_skip_symbols = $bool;
|
||||
}
|
||||
|
||||
/**
|
||||
* Returns the trigram ranks for the text sample
|
||||
*
|
||||
* @return array Trigram ranks in the text sample
|
||||
*/
|
||||
public function getTrigramRanks()
|
||||
{
|
||||
return $this->_trigram_ranks;
|
||||
}
|
||||
|
||||
/**
|
||||
* Return the trigram freqency table
|
||||
*
|
||||
* Only used in testing to make sure the parser is working
|
||||
*
|
||||
* @return array Trigram freqencies in the text sample
|
||||
*/
|
||||
public function getTrigramFreqs()
|
||||
{
|
||||
return $this->_trigram;
|
||||
}
|
||||
|
||||
/**
|
||||
* Returns the array of unicode blocks
|
||||
*
|
||||
* @return array Unicode blocks in the text sample
|
||||
*/
|
||||
public function getUnicodeBlocks()
|
||||
{
|
||||
return $this->_unicode_blocks;
|
||||
}
|
||||
|
||||
/**
|
||||
* Executes the parsing operation
|
||||
*
|
||||
* Be sure to call the set*() functions to set options and the
|
||||
* prepare*() functions first to tell it what kind of data to compute
|
||||
*
|
||||
* Afterwards the get*() functions can be used to access the compiled
|
||||
* information.
|
||||
*
|
||||
* @return void
|
||||
*/
|
||||
public function analyze()
|
||||
{
|
||||
$len = strlen($this->_string);
|
||||
$byte_counter = 0;
|
||||
|
||||
|
||||
// unicode startup
|
||||
if ($this->_compile_unicode) {
|
||||
$blocks = $this->_read_unicode_block_db();
|
||||
$block_count = count($blocks);
|
||||
|
||||
$skipped_count = 0;
|
||||
$unicode_chars = array();
|
||||
}
|
||||
|
||||
// trigram startup
|
||||
if ($this->_compile_trigram) {
|
||||
// initialize them as blank so the parser will skip the first two
|
||||
// (since it skips trigrams with more than 2 contiguous spaces)
|
||||
$a = ' ';
|
||||
$b = ' ';
|
||||
|
||||
// kludge
|
||||
// if it finds a valid trigram to start and the start pad option is
|
||||
// off, then set a variable that will be used to reduce this
|
||||
// trigram after parsing has finished
|
||||
if (!$this->_trigram_pad_start) {
|
||||
$a = $this->_next_char($this->_string, $byte_counter, true);
|
||||
|
||||
if ($a != ' ') {
|
||||
$b = $this->_next_char($this->_string, $byte_counter, true);
|
||||
$dropone = " $a$b";
|
||||
}
|
||||
|
||||
$byte_counter = 0;
|
||||
$a = ' ';
|
||||
$b = ' ';
|
||||
}
|
||||
}
|
||||
|
||||
while ($byte_counter < $len) {
|
||||
$char = $this->_next_char($this->_string, $byte_counter, true);
|
||||
|
||||
|
||||
// language trigram detection
|
||||
if ($this->_compile_trigram) {
|
||||
if (!($b == ' ' && ($a == ' ' || $char == ' '))) {
|
||||
if (!isset($this->_trigram[$a . $b . $char])) {
|
||||
$this->_trigram[$a . $b . $char] = 1;
|
||||
} else {
|
||||
$this->_trigram[$a . $b . $char]++;
|
||||
}
|
||||
}
|
||||
|
||||
$a = $b;
|
||||
$b = $char;
|
||||
}
|
||||
|
||||
// unicode block detection
|
||||
if ($this->_compile_unicode) {
|
||||
if ($this->_unicode_skip_symbols
|
||||
&& strlen($char) == 1
|
||||
&& ($char < 'A' || $char > 'z'
|
||||
|| ($char > 'Z' && $char < 'a'))
|
||||
&& $char != "'"
|
||||
) { // does not skip the apostrophe
|
||||
// since it's included in the language
|
||||
// models
|
||||
|
||||
$skipped_count++;
|
||||
continue;
|
||||
}
|
||||
|
||||
// build an array of all the characters
|
||||
if (isset($unicode_chars[$char])) {
|
||||
$unicode_chars[$char]++;
|
||||
} else {
|
||||
$unicode_chars[$char] = 1;
|
||||
}
|
||||
}
|
||||
|
||||
// todo: add byte detection here
|
||||
}
|
||||
|
||||
// unicode cleanup
|
||||
if ($this->_compile_unicode) {
|
||||
foreach ($unicode_chars as $utf8_char => $count) {
|
||||
$search_result = $this->_unicode_block_name(
|
||||
$this->_utf8char2unicode($utf8_char), $blocks, $block_count
|
||||
);
|
||||
|
||||
if ($search_result != -1) {
|
||||
$block_name = $search_result[2];
|
||||
} else {
|
||||
$block_name = '[Malformatted]';
|
||||
}
|
||||
|
||||
if (isset($this->_unicode_blocks[$block_name])) {
|
||||
$this->_unicode_blocks[$block_name] += $count;
|
||||
} else {
|
||||
$this->_unicode_blocks[$block_name] = $count;
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
|
||||
// trigram cleanup
|
||||
if ($this->_compile_trigram) {
|
||||
// pad the end
|
||||
if ($b != ' ') {
|
||||
if (!isset($this->_trigram["$a$b "])) {
|
||||
$this->_trigram["$a$b "] = 1;
|
||||
} else {
|
||||
$this->_trigram["$a$b "]++;
|
||||
}
|
||||
}
|
||||
|
||||
// perl compatibility; Language::Guess does not pad the beginning
|
||||
// kludge
|
||||
if (isset($dropone)) {
|
||||
if ($this->_trigram[$dropone] == 1) {
|
||||
unset($this->_trigram[$dropone]);
|
||||
} else {
|
||||
$this->_trigram[$dropone]--;
|
||||
}
|
||||
}
|
||||
|
||||
if (!empty($this->_trigram)) {
|
||||
$this->_trigram_ranks = $this->_arr_rank($this->_trigram);
|
||||
} else {
|
||||
$this->_trigram_ranks = array();
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
/* vim: set expandtab tabstop=4 shiftwidth=4 softtabstop=4: */
|
||||
@ -1,7 +0,0 @@
|
||||
<?php
|
||||
/**
|
||||
* Generate the serialized unicode_blocks.dat file shipped with the package
|
||||
*/
|
||||
$unicode_blocks = include __DIR__ . '/unicode_blocks.php';
|
||||
file_put_contents(__DIR__ . '/unicode_blocks.dat', serialize($unicode_blocks));
|
||||
|
||||
File diff suppressed because one or more lines are too long
File diff suppressed because one or more lines are too long
@ -1,873 +0,0 @@
|
||||
<?php
|
||||
return array (
|
||||
0 =>
|
||||
array (
|
||||
0 => 0x0000,
|
||||
1 => 0x007F,
|
||||
2 => 'Basic Latin',
|
||||
),
|
||||
1 =>
|
||||
array (
|
||||
0 => 0x0080,
|
||||
1 => 0x00FF,
|
||||
2 => 'Latin-1 Supplement',
|
||||
),
|
||||
2 =>
|
||||
array (
|
||||
0 => 0x0100,
|
||||
1 => 0x017F,
|
||||
2 => 'Latin Extended-A',
|
||||
),
|
||||
3 =>
|
||||
array (
|
||||
0 => 0x0180,
|
||||
1 => 0x024F,
|
||||
2 => 'Latin Extended-B',
|
||||
),
|
||||
4 =>
|
||||
array (
|
||||
0 => 0x0250,
|
||||
1 => 0x02AF,
|
||||
2 => 'IPA Extensions',
|
||||
),
|
||||
5 =>
|
||||
array (
|
||||
0 => 0x02B0,
|
||||
1 => 0x02FF,
|
||||
2 => 'Spacing Modifier Letters',
|
||||
),
|
||||
6 =>
|
||||
array (
|
||||
0 => 0x0300,
|
||||
1 => 0x036F,
|
||||
2 => 'Combining Diacritical Marks',
|
||||
),
|
||||
7 =>
|
||||
array (
|
||||
0 => 0x0370,
|
||||
1 => 0x03FF,
|
||||
2 => 'Greek and Coptic',
|
||||
),
|
||||
8 =>
|
||||
array (
|
||||
0 => 0x0400,
|
||||
1 => 0x04FF,
|
||||
2 => 'Cyrillic',
|
||||
),
|
||||
9 =>
|
||||
array (
|
||||
0 => 0x0500,
|
||||
1 => 0x052F,
|
||||
2 => 'Cyrillic Supplement',
|
||||
),
|
||||
10 =>
|
||||
array (
|
||||
0 => 0x0530,
|
||||
1 => 0x058F,
|
||||
2 => 'Armenian',
|
||||
),
|
||||
11 =>
|
||||
array (
|
||||
0 => 0x0590,
|
||||
1 => 0x05FF,
|
||||
2 => 'Hebrew',
|
||||
),
|
||||
12 =>
|
||||
array (
|
||||
0 => 0x0600,
|
||||
1 => 0x06FF,
|
||||
2 => 'Arabic',
|
||||
),
|
||||
13 =>
|
||||
array (
|
||||
0 => 0x0700,
|
||||
1 => 0x074F,
|
||||
2 => 'Syriac',
|
||||
),
|
||||
14 =>
|
||||
array (
|
||||
0 => 0x0750,
|
||||
1 => 0x077F,
|
||||
2 => 'Arabic Supplement',
|
||||
),
|
||||
15 =>
|
||||
array (
|
||||
0 => 0x0780,
|
||||
1 => 0x07BF,
|
||||
2 => 'Thaana',
|
||||
),
|
||||
16 =>
|
||||
array (
|
||||
0 => 0x0900,
|
||||
1 => 0x097F,
|
||||
2 => 'Devanagari',
|
||||
),
|
||||
17 =>
|
||||
array (
|
||||
0 => 0x0980,
|
||||
1 => 0x09FF,
|
||||
2 => 'Bengali',
|
||||
),
|
||||
18 =>
|
||||
array (
|
||||
0 => 0x0A00,
|
||||
1 => 0x0A7F,
|
||||
2 => 'Gurmukhi',
|
||||
),
|
||||
19 =>
|
||||
array (
|
||||
0 => 0x0A80,
|
||||
1 => 0x0AFF,
|
||||
2 => 'Gujarati',
|
||||
),
|
||||
20 =>
|
||||
array (
|
||||
0 => 0x0B00,
|
||||
1 => 0x0B7F,
|
||||
2 => 'Oriya',
|
||||
),
|
||||
21 =>
|
||||
array (
|
||||
0 => 0x0B80,
|
||||
1 => 0x0BFF,
|
||||
2 => 'Tamil',
|
||||
),
|
||||
22 =>
|
||||
array (
|
||||
0 => 0x0C00,
|
||||
1 => 0x0C7F,
|
||||
2 => 'Telugu',
|
||||
),
|
||||
23 =>
|
||||
array (
|
||||
0 => 0x0C80,
|
||||
1 => 0x0CFF,
|
||||
2 => 'Kannada',
|
||||
),
|
||||
24 =>
|
||||
array (
|
||||
0 => 0x0D00,
|
||||
1 => 0x0D7F,
|
||||
2 => 'Malayalam',
|
||||
),
|
||||
25 =>
|
||||
array (
|
||||
0 => 0x0D80,
|
||||
1 => 0x0DFF,
|
||||
2 => 'Sinhala',
|
||||
),
|
||||
26 =>
|
||||
array (
|
||||
0 => 0x0E00,
|
||||
1 => 0x0E7F,
|
||||
2 => 'Thai',
|
||||
),
|
||||
27 =>
|
||||
array (
|
||||
0 => 0x0E80,
|
||||
1 => 0x0EFF,
|
||||
2 => 'Lao',
|
||||
),
|
||||
28 =>
|
||||
array (
|
||||
0 => 0x0F00,
|
||||
1 => 0x0FFF,
|
||||
2 => 'Tibetan',
|
||||
),
|
||||
29 =>
|
||||
array (
|
||||
0 => 0x1000,
|
||||
1 => 0x109F,
|
||||
2 => 'Myanmar',
|
||||
),
|
||||
30 =>
|
||||
array (
|
||||
0 => 0x10A0,
|
||||
1 => 0x10FF,
|
||||
2 => 'Georgian',
|
||||
),
|
||||
31 =>
|
||||
array (
|
||||
0 => 0x1100,
|
||||
1 => 0x11FF,
|
||||
2 => 'Hangul Jamo',
|
||||
),
|
||||
32 =>
|
||||
array (
|
||||
0 => 0x1200,
|
||||
1 => 0x137F,
|
||||
2 => 'Ethiopic',
|
||||
),
|
||||
33 =>
|
||||
array (
|
||||
0 => 0x1380,
|
||||
1 => 0x139F,
|
||||
2 => 'Ethiopic Supplement',
|
||||
),
|
||||
34 =>
|
||||
array (
|
||||
0 => 0x13A0,
|
||||
1 => 0x13FF,
|
||||
2 => 'Cherokee',
|
||||
),
|
||||
35 =>
|
||||
array (
|
||||
0 => 0x1400,
|
||||
1 => 0x167F,
|
||||
2 => 'Unified Canadian Aboriginal Syllabics',
|
||||
),
|
||||
36 =>
|
||||
array (
|
||||
0 => 0x1680,
|
||||
1 => 0x169F,
|
||||
2 => 'Ogham',
|
||||
),
|
||||
37 =>
|
||||
array (
|
||||
0 => 0x16A0,
|
||||
1 => 0x16FF,
|
||||
2 => 'Runic',
|
||||
),
|
||||
38 =>
|
||||
array (
|
||||
0 => 0x1700,
|
||||
1 => 0x171F,
|
||||
2 => 'Tagalog',
|
||||
),
|
||||
39 =>
|
||||
array (
|
||||
0 => 0x1720,
|
||||
1 => 0x173F,
|
||||
2 => 'Hanunoo',
|
||||
),
|
||||
40 =>
|
||||
array (
|
||||
0 => 0x1740,
|
||||
1 => 0x175F,
|
||||
2 => 'Buhid',
|
||||
),
|
||||
41 =>
|
||||
array (
|
||||
0 => 0x1760,
|
||||
1 => 0x177F,
|
||||
2 => 'Tagbanwa',
|
||||
),
|
||||
42 =>
|
||||
array (
|
||||
0 => 0x1780,
|
||||
1 => 0x17FF,
|
||||
2 => 'Khmer',
|
||||
),
|
||||
43 =>
|
||||
array (
|
||||
0 => 0x1800,
|
||||
1 => 0x18AF,
|
||||
2 => 'Mongolian',
|
||||
),
|
||||
44 =>
|
||||
array (
|
||||
0 => 0x1900,
|
||||
1 => 0x194F,
|
||||
2 => 'Limbu',
|
||||
),
|
||||
45 =>
|
||||
array (
|
||||
0 => 0x1950,
|
||||
1 => 0x197F,
|
||||
2 => 'Tai Le',
|
||||
),
|
||||
46 =>
|
||||
array (
|
||||
0 => 0x1980,
|
||||
1 => 0x19DF,
|
||||
2 => 'New Tai Lue',
|
||||
),
|
||||
47 =>
|
||||
array (
|
||||
0 => 0x19E0,
|
||||
1 => 0x19FF,
|
||||
2 => 'Khmer Symbols',
|
||||
),
|
||||
48 =>
|
||||
array (
|
||||
0 => 0x1A00,
|
||||
1 => 0x1A1F,
|
||||
2 => 'Buginese',
|
||||
),
|
||||
49 =>
|
||||
array (
|
||||
0 => 0x1D00,
|
||||
1 => 0x1D7F,
|
||||
2 => 'Phonetic Extensions',
|
||||
),
|
||||
50 =>
|
||||
array (
|
||||
0 => 0x1D80,
|
||||
1 => 0x1DBF,
|
||||
2 => 'Phonetic Extensions Supplement',
|
||||
),
|
||||
51 =>
|
||||
array (
|
||||
0 => 0x1DC0,
|
||||
1 => 0x1DFF,
|
||||
2 => 'Combining Diacritical Marks Supplement',
|
||||
),
|
||||
52 =>
|
||||
array (
|
||||
0 => 0x1E00,
|
||||
1 => 0x1EFF,
|
||||
2 => 'Latin Extended Additional',
|
||||
),
|
||||
53 =>
|
||||
array (
|
||||
0 => 0x1F00,
|
||||
1 => 0x1FFF,
|
||||
2 => 'Greek Extended',
|
||||
),
|
||||
54 =>
|
||||
array (
|
||||
0 => 0x2000,
|
||||
1 => 0x206F,
|
||||
2 => 'General Punctuation',
|
||||
),
|
||||
55 =>
|
||||
array (
|
||||
0 => 0x2070,
|
||||
1 => 0x209F,
|
||||
2 => 'Superscripts and Subscripts',
|
||||
),
|
||||
56 =>
|
||||
array (
|
||||
0 => 0x20A0,
|
||||
1 => 0x20CF,
|
||||
2 => 'Currency Symbols',
|
||||
),
|
||||
57 =>
|
||||
array (
|
||||
0 => 0x20D0,
|
||||
1 => 0x20FF,
|
||||
2 => 'Combining Diacritical Marks for Symbols',
|
||||
),
|
||||
58 =>
|
||||
array (
|
||||
0 => 0x2100,
|
||||
1 => 0x214F,
|
||||
2 => 'Letterlike Symbols',
|
||||
),
|
||||
59 =>
|
||||
array (
|
||||
0 => 0x2150,
|
||||
1 => 0x218F,
|
||||
2 => 'Number Forms',
|
||||
),
|
||||
60 =>
|
||||
array (
|
||||
0 => 0x2190,
|
||||
1 => 0x21FF,
|
||||
2 => 'Arrows',
|
||||
),
|
||||
61 =>
|
||||
array (
|
||||
0 => 0x2200,
|
||||
1 => 0x22FF,
|
||||
2 => 'Mathematical Operators',
|
||||
),
|
||||
62 =>
|
||||
array (
|
||||
0 => 0x2300,
|
||||
1 => 0x23FF,
|
||||
2 => 'Miscellaneous Technical',
|
||||
),
|
||||
63 =>
|
||||
array (
|
||||
0 => 0x2400,
|
||||
1 => 0x243F,
|
||||
2 => 'Control Pictures',
|
||||
),
|
||||
64 =>
|
||||
array (
|
||||
0 => 0x2440,
|
||||
1 => 0x245F,
|
||||
2 => 'Optical Character Recognition',
|
||||
),
|
||||
65 =>
|
||||
array (
|
||||
0 => 0x2460,
|
||||
1 => 0x24FF,
|
||||
2 => 'Enclosed Alphanumerics',
|
||||
),
|
||||
66 =>
|
||||
array (
|
||||
0 => 0x2500,
|
||||
1 => 0x257F,
|
||||
2 => 'Box Drawing',
|
||||
),
|
||||
67 =>
|
||||
array (
|
||||
0 => 0x2580,
|
||||
1 => 0x259F,
|
||||
2 => 'Block Elements',
|
||||
),
|
||||
68 =>
|
||||
array (
|
||||
0 => 0x25A0,
|
||||
1 => 0x25FF,
|
||||
2 => 'Geometric Shapes',
|
||||
),
|
||||
69 =>
|
||||
array (
|
||||
0 => 0x2600,
|
||||
1 => 0x26FF,
|
||||
2 => 'Miscellaneous Symbols',
|
||||
),
|
||||
70 =>
|
||||
array (
|
||||
0 => 0x2700,
|
||||
1 => 0x27BF,
|
||||
2 => 'Dingbats',
|
||||
),
|
||||
71 =>
|
||||
array (
|
||||
0 => 0x27C0,
|
||||
1 => 0x27EF,
|
||||
2 => 'Miscellaneous Mathematical Symbols-A',
|
||||
),
|
||||
72 =>
|
||||
array (
|
||||
0 => 0x27F0,
|
||||
1 => 0x27FF,
|
||||
2 => 'Supplemental Arrows-A',
|
||||
),
|
||||
73 =>
|
||||
array (
|
||||
0 => 0x2800,
|
||||
1 => 0x28FF,
|
||||
2 => 'Braille Patterns',
|
||||
),
|
||||
74 =>
|
||||
array (
|
||||
0 => 0x2900,
|
||||
1 => 0x297F,
|
||||
2 => 'Supplemental Arrows-B',
|
||||
),
|
||||
75 =>
|
||||
array (
|
||||
0 => 0x2980,
|
||||
1 => 0x29FF,
|
||||
2 => 'Miscellaneous Mathematical Symbols-B',
|
||||
),
|
||||
76 =>
|
||||
array (
|
||||
0 => 0x2A00,
|
||||
1 => 0x2AFF,
|
||||
2 => 'Supplemental Mathematical Operators',
|
||||
),
|
||||
77 =>
|
||||
array (
|
||||
0 => 0x2B00,
|
||||
1 => 0x2BFF,
|
||||
2 => 'Miscellaneous Symbols and Arrows',
|
||||
),
|
||||
78 =>
|
||||
array (
|
||||
0 => 0x2C00,
|
||||
1 => 0x2C5F,
|
||||
2 => 'Glagolitic',
|
||||
),
|
||||
79 =>
|
||||
array (
|
||||
0 => 0x2C80,
|
||||
1 => 0x2CFF,
|
||||
2 => 'Coptic',
|
||||
),
|
||||
80 =>
|
||||
array (
|
||||
0 => 0x2D00,
|
||||
1 => 0x2D2F,
|
||||
2 => 'Georgian Supplement',
|
||||
),
|
||||
81 =>
|
||||
array (
|
||||
0 => 0x2D30,
|
||||
1 => 0x2D7F,
|
||||
2 => 'Tifinagh',
|
||||
),
|
||||
82 =>
|
||||
array (
|
||||
0 => 0x2D80,
|
||||
1 => 0x2DDF,
|
||||
2 => 'Ethiopic Extended',
|
||||
),
|
||||
83 =>
|
||||
array (
|
||||
0 => 0x2E00,
|
||||
1 => 0x2E7F,
|
||||
2 => 'Supplemental Punctuation',
|
||||
),
|
||||
84 =>
|
||||
array (
|
||||
0 => 0x2E80,
|
||||
1 => 0x2EFF,
|
||||
2 => 'CJK Radicals Supplement',
|
||||
),
|
||||
85 =>
|
||||
array (
|
||||
0 => 0x2F00,
|
||||
1 => 0x2FDF,
|
||||
2 => 'Kangxi Radicals',
|
||||
),
|
||||
86 =>
|
||||
array (
|
||||
0 => 0x2FF0,
|
||||
1 => 0x2FFF,
|
||||
2 => 'Ideographic Description Characters',
|
||||
),
|
||||
87 =>
|
||||
array (
|
||||
0 => 0x3000,
|
||||
1 => 0x303F,
|
||||
2 => 'CJK Symbols and Punctuation',
|
||||
),
|
||||
88 =>
|
||||
array (
|
||||
0 => 0x3040,
|
||||
1 => 0x309F,
|
||||
2 => 'Hiragana',
|
||||
),
|
||||
89 =>
|
||||
array (
|
||||
0 => 0x30A0,
|
||||
1 => 0x30FF,
|
||||
2 => 'Katakana',
|
||||
),
|
||||
90 =>
|
||||
array (
|
||||
0 => 0x3100,
|
||||
1 => 0x312F,
|
||||
2 => 'Bopomofo',
|
||||
),
|
||||
91 =>
|
||||
array (
|
||||
0 => 0x3130,
|
||||
1 => 0x318F,
|
||||
2 => 'Hangul Compatibility Jamo',
|
||||
),
|
||||
92 =>
|
||||
array (
|
||||
0 => 0x3190,
|
||||
1 => 0x319F,
|
||||
2 => 'Kanbun',
|
||||
),
|
||||
93 =>
|
||||
array (
|
||||
0 => 0x31A0,
|
||||
1 => 0x31BF,
|
||||
2 => 'Bopomofo Extended',
|
||||
),
|
||||
94 =>
|
||||
array (
|
||||
0 => 0x31C0,
|
||||
1 => 0x31EF,
|
||||
2 => 'CJK Strokes',
|
||||
),
|
||||
95 =>
|
||||
array (
|
||||
0 => 0x31F0,
|
||||
1 => 0x31FF,
|
||||
2 => 'Katakana Phonetic Extensions',
|
||||
),
|
||||
96 =>
|
||||
array (
|
||||
0 => 0x3200,
|
||||
1 => 0x32FF,
|
||||
2 => 'Enclosed CJK Letters and Months',
|
||||
),
|
||||
97 =>
|
||||
array (
|
||||
0 => 0x3300,
|
||||
1 => 0x33FF,
|
||||
2 => 'CJK Compatibility',
|
||||
),
|
||||
98 =>
|
||||
array (
|
||||
0 => 0x3400,
|
||||
1 => 0x4DBF,
|
||||
2 => 'CJK Unified Ideographs Extension A',
|
||||
),
|
||||
99 =>
|
||||
array (
|
||||
0 => 0x4DC0,
|
||||
1 => 0x4DFF,
|
||||
2 => 'Yijing Hexagram Symbols',
|
||||
),
|
||||
100 =>
|
||||
array (
|
||||
0 => 0x4E00,
|
||||
1 => 0x9FFF,
|
||||
2 => 'CJK Unified Ideographs',
|
||||
),
|
||||
101 =>
|
||||
array (
|
||||
0 => 0xA000,
|
||||
1 => 0xA48F,
|
||||
2 => 'Yi Syllables',
|
||||
),
|
||||
102 =>
|
||||
array (
|
||||
0 => 0xA490,
|
||||
1 => 0xA4CF,
|
||||
2 => 'Yi Radicals',
|
||||
),
|
||||
103 =>
|
||||
array (
|
||||
0 => 0xA700,
|
||||
1 => 0xA71F,
|
||||
2 => 'Modifier Tone Letters',
|
||||
),
|
||||
104 =>
|
||||
array (
|
||||
0 => 0xA800,
|
||||
1 => 0xA82F,
|
||||
2 => 'Syloti Nagri',
|
||||
),
|
||||
105 =>
|
||||
array (
|
||||
0 => 0xAC00,
|
||||
1 => 0xD7AF,
|
||||
2 => 'Hangul Syllables',
|
||||
),
|
||||
106 =>
|
||||
array (
|
||||
0 => 0xD800,
|
||||
1 => 0xDB7F,
|
||||
2 => 'High Surrogates',
|
||||
),
|
||||
107 =>
|
||||
array (
|
||||
0 => 0xDB80,
|
||||
1 => 0xDBFF,
|
||||
2 => 'High Private Use Surrogates',
|
||||
),
|
||||
108 =>
|
||||
array (
|
||||
0 => 0xDC00,
|
||||
1 => 0xDFFF,
|
||||
2 => 'Low Surrogates',
|
||||
),
|
||||
109 =>
|
||||
array (
|
||||
0 => 0xE000,
|
||||
1 => 0xF8FF,
|
||||
2 => 'Private Use Area',
|
||||
),
|
||||
110 =>
|
||||
array (
|
||||
0 => 0xF900,
|
||||
1 => 0xFAFF,
|
||||
2 => 'CJK Compatibility Ideographs',
|
||||
),
|
||||
111 =>
|
||||
array (
|
||||
0 => 0xFB00,
|
||||
1 => 0xFB4F,
|
||||
2 => 'Alphabetic Presentation Forms',
|
||||
),
|
||||
112 =>
|
||||
array (
|
||||
0 => 0xFB50,
|
||||
1 => 0xFDFF,
|
||||
2 => 'Arabic Presentation Forms-A',
|
||||
),
|
||||
113 =>
|
||||
array (
|
||||
0 => 0xFE00,
|
||||
1 => 0xFE0F,
|
||||
2 => 'Variation Selectors',
|
||||
),
|
||||
114 =>
|
||||
array (
|
||||
0 => 0xFE10,
|
||||
1 => 0xFE1F,
|
||||
2 => 'Vertical Forms',
|
||||
),
|
||||
115 =>
|
||||
array (
|
||||
0 => 0xFE20,
|
||||
1 => 0xFE2F,
|
||||
2 => 'Combining Half Marks',
|
||||
),
|
||||
116 =>
|
||||
array (
|
||||
0 => 0xFE30,
|
||||
1 => 0xFE4F,
|
||||
2 => 'CJK Compatibility Forms',
|
||||
),
|
||||
117 =>
|
||||
array (
|
||||
0 => 0xFE50,
|
||||
1 => 0xFE6F,
|
||||
2 => 'Small Form Variants',
|
||||
),
|
||||
118 =>
|
||||
array (
|
||||
0 => 0xFE70,
|
||||
1 => 0xFEFF,
|
||||
2 => 'Arabic Presentation Forms-B',
|
||||
),
|
||||
119 =>
|
||||
array (
|
||||
0 => 0xFF00,
|
||||
1 => 0xFFEF,
|
||||
2 => 'Halfwidth and Fullwidth Forms',
|
||||
),
|
||||
120 =>
|
||||
array (
|
||||
0 => 0xFFF0,
|
||||
1 => 0xFFFF,
|
||||
2 => 'Specials',
|
||||
),
|
||||
121 =>
|
||||
array (
|
||||
0 => 0x10000,
|
||||
1 => 0x1007F,
|
||||
2 => 'Linear B Syllabary',
|
||||
),
|
||||
122 =>
|
||||
array (
|
||||
0 => 0x10080,
|
||||
1 => 0x100FF,
|
||||
2 => 'Linear B Ideograms',
|
||||
),
|
||||
123 =>
|
||||
array (
|
||||
0 => 0x10100,
|
||||
1 => 0x1013F,
|
||||
2 => 'Aegean Numbers',
|
||||
),
|
||||
124 =>
|
||||
array (
|
||||
0 => 0x10140,
|
||||
1 => 0x1018F,
|
||||
2 => 'Ancient Greek Numbers',
|
||||
),
|
||||
125 =>
|
||||
array (
|
||||
0 => 0x10300,
|
||||
1 => 0x1032F,
|
||||
2 => 'Old Italic',
|
||||
),
|
||||
126 =>
|
||||
array (
|
||||
0 => 0x10330,
|
||||
1 => 0x1034F,
|
||||
2 => 'Gothic',
|
||||
),
|
||||
127 =>
|
||||
array (
|
||||
0 => 0x10380,
|
||||
1 => 0x1039F,
|
||||
2 => 'Ugaritic',
|
||||
),
|
||||
128 =>
|
||||
array (
|
||||
0 => 0x103A0,
|
||||
1 => 0x103DF,
|
||||
2 => 'Old Persian',
|
||||
),
|
||||
129 =>
|
||||
array (
|
||||
0 => 0x10400,
|
||||
1 => 0x1044F,
|
||||
2 => 'Deseret',
|
||||
),
|
||||
130 =>
|
||||
array (
|
||||
0 => 0x10450,
|
||||
1 => 0x1047F,
|
||||
2 => 'Shavian',
|
||||
),
|
||||
131 =>
|
||||
array (
|
||||
0 => 0x10480,
|
||||
1 => 0x104AF,
|
||||
2 => 'Osmanya',
|
||||
),
|
||||
132 =>
|
||||
array (
|
||||
0 => 0x10800,
|
||||
1 => 0x1083F,
|
||||
2 => 'Cypriot Syllabary',
|
||||
),
|
||||
133 =>
|
||||
array (
|
||||
0 => 0x10A00,
|
||||
1 => 0x10A5F,
|
||||
2 => 'Kharoshthi',
|
||||
),
|
||||
134 =>
|
||||
array (
|
||||
0 => 0x1D000,
|
||||
1 => 0x1D0FF,
|
||||
2 => 'Byzantine Musical Symbols',
|
||||
),
|
||||
135 =>
|
||||
array (
|
||||
0 => 0x1D100,
|
||||
1 => 0x1D1FF,
|
||||
2 => 'Musical Symbols',
|
||||
),
|
||||
136 =>
|
||||
array (
|
||||
0 => 0x1D200,
|
||||
1 => 0x1D24F,
|
||||
2 => 'Ancient Greek Musical Notation',
|
||||
),
|
||||
137 =>
|
||||
array (
|
||||
0 => 0x1D300,
|
||||
1 => 0x1D35F,
|
||||
2 => 'Tai Xuan Jing Symbols',
|
||||
),
|
||||
138 =>
|
||||
array (
|
||||
0 => 0x1D400,
|
||||
1 => 0x1D7FF,
|
||||
2 => 'Mathematical Alphanumeric Symbols',
|
||||
),
|
||||
139 =>
|
||||
array (
|
||||
0 => 0x20000,
|
||||
1 => 0x2A6DF,
|
||||
2 => 'CJK Unified Ideographs Extension B',
|
||||
),
|
||||
140 =>
|
||||
array (
|
||||
0 => 0x2F800,
|
||||
1 => 0x2FA1F,
|
||||
2 => 'CJK Compatibility Ideographs Supplement',
|
||||
),
|
||||
141 =>
|
||||
array (
|
||||
0 => 0xE0000,
|
||||
1 => 0xE007F,
|
||||
2 => 'Tags',
|
||||
),
|
||||
142 =>
|
||||
array (
|
||||
0 => 0xE0100,
|
||||
1 => 0xE01EF,
|
||||
2 => 'Variation Selectors Supplement',
|
||||
),
|
||||
143 =>
|
||||
array (
|
||||
0 => 0xF0000,
|
||||
1 => 0xFFFFF,
|
||||
2 => 'Supplementary Private Use Area-A',
|
||||
),
|
||||
144 =>
|
||||
array (
|
||||
0 => 0x100000,
|
||||
1 => 0x10FFFF,
|
||||
2 => 'Supplementary Private Use Area-B',
|
||||
),
|
||||
);
|
||||
Loading…
Reference in New Issue