-
Notifications
You must be signed in to change notification settings - Fork 1
Commit
This commit does not belong to any branch on this repository, and may belong to a fork outside of the repository.
Added Python version of "Kantipur to Unicode", with tests, from http:…
- Loading branch information
Showing
3 changed files
with
558 additions
and
0 deletions.
There are no files selected for viewing
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
| Original file line number | Diff line number | Diff line change |
|---|---|---|
| @@ -0,0 +1,302 @@ | ||
| import codecs | ||
| import re | ||
| import os | ||
| import sys | ||
| import re, htmlentitydefs | ||
|
|
||
| ## | ||
| # Removes HTML or XML character references and entities from a text string. | ||
| # | ||
| # @param text The HTML (or XML) source text. | ||
| # @return The plain text, as a Unicode string, if necessary. | ||
|
|
||
| def unescape(text): | ||
| def fixup(m): | ||
| text = m.group(0) | ||
| if text[:2] == "&#": | ||
| # character reference | ||
| try: | ||
| if text[:3] == "&#x": | ||
| return unichr(int(text[3:-1], 16)) | ||
| else: | ||
| return unichr(int(text[2:-1])) | ||
| except ValueError: | ||
| pass | ||
| else: | ||
| # named entity | ||
| try: | ||
| text = unichr(htmlentitydefs.name2codepoint[text[1:-1]]) | ||
| except KeyError: | ||
| pass | ||
| return text # leave as is | ||
| return re.sub("&#?\w+;", fixup, text) | ||
|
|
||
|
|
||
| def kantipurToUnicode( kantipur='' ): | ||
| replacements = [ | ||
| {'from': u"ç", 'to': u"ॐ"}, | ||
| {'from': u"˜", 'to': u"ऽ"}, | ||
| {'from': u"›", 'to': u"ऽ"}, | ||
| {'from': u".", 'to': u"।"}, | ||
|
|
||
| {'from': u"'m", 'to': u"m'"}, | ||
| {'from': u"]m", 'to': u"m]"}, | ||
| {'from': u"Fmf", 'to': u"mfF"}, | ||
| {'from': u"Fm", 'to': u"mF" }, | ||
| {'from': u"Kfm", 'to': u"km" }, | ||
| {'from': u"F'", 'to': u"'F"}, | ||
|
|
||
| # a particularly unique case | ||
| {'from': u"/\\o", 'to': u"ऱ्य"}, | ||
|
|
||
| {'fromreg': ur'\|{2,}', 'to': u"|"}, | ||
| {'fromreg': ur'\]{2,}', 'to': u"]"}, | ||
| {'fromreg': ur'\[{2,}', 'to': u"["}, | ||
| {'fromreg': ur'\{{2,}', 'to': u"{"}, | ||
| {'fromreg': ur'\}{2,}', 'to': u"}"}, | ||
| {'fromreg': ur'\}{2,}', 'to': u"}"}, | ||
| #{'fromreg': ur'[F“]{2,}', 'to': u"F"}, | ||
| {'fromreg': ur'([ejkpq])([\|\[\]\{\}\'"\\])m', 'to': ur'\1m\2'}, | ||
|
|
||
| {'from': u"]|", 'to': u"|]"}, | ||
| {'from': u"\\]", 'to': u"]\\"}, | ||
| {'from': u"´", 'to': u"झ"}, | ||
|
|
||
| {'from': u")", 'to': u"०"}, | ||
| {'from': u"!", 'to': u"१"}, | ||
| {'from': u"@", 'to': u"२"}, | ||
| {'from': u"#", 'to': u"३"}, | ||
| {'from': u"$", 'to': u"४"}, | ||
| {'from': u"%", 'to': u"५"}, | ||
| {'from': u"^", 'to': u"६"}, | ||
| {'from': u"&", 'to': u"७"}, | ||
| {'from': u"*", 'to': u"८"}, | ||
| {'from': u"(", 'to': u"९"}, | ||
| {'from': u"em", 'to': u"झ"}, | ||
| {'from': u"km", 'to': u"फ"}, | ||
| {'from': u"Qm", 'to': u"क्त"}, | ||
| {'from': u"qm", 'to': u"क्र"}, | ||
| {'from': u"jm", 'to': u"क"}, | ||
| {'from': u"¤m", 'to': u"झ"}, | ||
| {'from': u"S|m", 'to': u"क्र"}, | ||
| {'from': u"N˜", 'to': u"ल"}, | ||
| {'from': u"¡", 'to': u"ज्ञ्"}, | ||
| {'from': u"¢", 'to': u"द्घ"}, | ||
| {'from': u"1", 'to': u"ज्ञ"}, | ||
| {'from': u"2", 'to': u"द्द"}, | ||
| {'from': u"4", 'to': u"द्ध"}, | ||
| {'from': u">", 'to': u"श्र"}, | ||
| {'from': u"?", 'to': u"रु"}, | ||
| {'from': u"/m", 'to': u"रु"}, | ||
| {'from': u"B", 'to': u"द्य"}, | ||
| {'from': u"I", 'to': u"क्ष्"}, | ||
| {'from': u"Q", 'to': u"त्त"}, | ||
| {'from': u"ß", 'to': u"द्म"}, | ||
| {'from': u"q", 'to': u"त्र"}, | ||
| {'from': u"„", 'to': u"ध्र"}, | ||
| {'from': u"‹", 'to': u"ङ्घ"}, | ||
| {'from': u"•", 'to': u"ड्ड"}, | ||
| {'from': u"›", 'to': u"द्र"}, | ||
| {'from': u"§", 'to': u"ट्ट"}, | ||
| {'from': u"°", 'to': u"ड्ढ"}, | ||
| {'from': u"¶", 'to': u"ठ्ठ"}, | ||
| {'from': u"¿", 'to': u"रू"}, | ||
| {'from': u"Å", 'to': u"हृ"}, | ||
| {'from': u"Ë", 'to': u"ङ्ग"}, | ||
| {'from': u"Ì", 'to': u"न्न"}, | ||
| {'from': u"Í", 'to': u"ङ्क"}, | ||
| {'from': u"Î", 'to': u"फ्"}, | ||
| {'from': u"Ý", 'to': u"ट्ठ"}, | ||
| {'from': u"å", 'to': u"द्व"}, | ||
| {'from': u"6«", 'to': u"ट्र"}, | ||
| {'from': u"7«", 'to': u"ठ्र"}, | ||
| {'from': u"8«", 'to': u"ड्र"}, | ||
| {'from': u"9«", 'to': u"ढ्र"}, | ||
| {'from': u"«", 'to': u"्र"}, | ||
| {'from': u"Ø", 'to': u"य"}, | ||
| {'from': u"|", 'to': u"्र"}, | ||
| {'from': u"8Þ", 'to': u"ड़"}, | ||
| {'from': u"9Þ", 'to': u"ढ़"}, | ||
| {'from': u"S", 'to': u"क्"}, | ||
| {'from': u"s", 'to': u"क"}, | ||
| {'from': u"V", 'to': u"ख्"}, | ||
| {'from': u"v", 'to': u"ख"}, | ||
| {'from': u"U", 'to': u"ग्"}, | ||
| {'from': u"u", 'to': u"ग"}, | ||
| {'from': u"£", 'to': u"घ्"}, | ||
| {'from': u"3", 'to': u"घ"}, | ||
| {'from': u"ª", 'to': u"ङ"}, | ||
| {'from': u"R", 'to': u"च्"}, | ||
| {'from': u"r", 'to': u"च"}, | ||
| {'from': u"5", 'to': u"छ"}, | ||
| {'from': u"H", 'to': u"ज्"}, | ||
| {'from': u"h", 'to': u"ज"}, | ||
| {'from': u"‰", 'to': u"झ्"}, | ||
| {'from': u"´", 'to': u"झ"}, | ||
| {'from': u"~", 'to': u"ञ्"}, | ||
| {'from': u"`", 'to': u"ञ"}, | ||
| {'from': u"6", 'to': u"ट"}, | ||
| {'from': u"7", 'to': u"ठ"}, | ||
| {'from': u"8", 'to': u"ड"}, | ||
| {'from': u"9", 'to': u"ढ"}, | ||
| {'from': u"0", 'to': u"ण्"}, | ||
| {'from': u"T", 'to': u"त्"}, | ||
| {'from': u"t", 'to': u"त"}, | ||
| {'from': u"Y", 'to': u"थ्"}, | ||
| {'from': u"y", 'to': u"थ"}, | ||
| {'from': u"b", 'to': u"द"}, | ||
| {'from': u"W", 'to': u"ध्"}, | ||
| {'from': u"w", 'to': u"ध"}, | ||
| {'from': u"G", 'to': u"न्"}, | ||
| {'from': u"g", 'to': u"न"}, | ||
| {'from': u"K", 'to': u"प्"}, | ||
| {'from': u"k", 'to': u"प"}, | ||
| {'from': u"ˆ", 'to': u"फ्"}, | ||
| {'from': u"A", 'to': u"ब्"}, | ||
| {'from': u"a", 'to': u"ब"}, | ||
| {'from': u"E", 'to': u"भ्"}, | ||
| {'from': u"e", 'to': u"भ"}, | ||
| {'from': u"D", 'to': u"म्"}, | ||
| {'from': u"d", 'to': u"म"}, | ||
| {'from': u"o", 'to': u"य"}, | ||
| {'from': u"/", 'to': u"र"}, | ||
| {'from': u"µ", 'to': u"र"}, | ||
| {'from': u"¥", 'to': u'र्'}, | ||
| {'from': u"N", 'to': u"ल्"}, | ||
| {'from': u"n", 'to': u"ल"}, | ||
| {'from': u"J", 'to': u"व्"}, | ||
| {'from': u"j", 'to': u"व"}, | ||
| {'from': u"Z", 'to': u"श्"}, | ||
| {'from': u"z", 'to': u"श"}, | ||
| {'from': u"i", 'to': u"ष्"}, | ||
| {'from': u":", 'to': u"स्"}, | ||
| {'from': u";", 'to': u"स"}, | ||
| {'from': u"X", 'to': u"ह्"}, | ||
| {'from': u"x", 'to': u"ह"}, | ||
| {'from': u"cf‘", 'to': u"ऑ"}, | ||
| {'from': u"c‘f", 'to': u"ऑ"}, | ||
| {'from': u"cf}", 'to': u"औ"}, | ||
| {'from': u"cf]", 'to': u"ओ"}, | ||
| {'from': u"cf", 'to': u"आ"}, | ||
| {'from': u"c", 'to': u"अ"}, | ||
| {'from': u"O{", 'to': u"ई"}, | ||
| {'from': u"O", 'to': u"इ"}, | ||
| {'from': u"pm", 'to': u"ऊ"}, | ||
| {'from': u"p", 'to': u"उ"}, | ||
| {'from': u"C", 'to': u"ऋ"}, | ||
| {'from': u"P]", 'to': u"ऐ"}, | ||
| {'from': u"P", 'to': u"ए"}, | ||
| {'from': u"f‘", 'to': u"ॉ"}, | ||
| {'from': u"\"", 'to': u"ू"}, | ||
| {'from': u"'", 'to': u"ु"}, | ||
| {'from': u"+", 'to': u"ं"}, | ||
| {'from': u"f", 'to': u"ा"}, | ||
| {'from': u"[", 'to': u"ृ"}, | ||
| {'from': u"\\", 'to': u"्"}, | ||
| {'from': u"]", 'to': u"े"}, | ||
| {'from': u"}", 'to': u"ै"}, | ||
| {'from': u"F", 'to': u"ा"}, | ||
| #{'from': u"F", 'to': u"ँ"}, | ||
| {'from': u"“", 'to': u"ँ" }, | ||
| {'from': u"L", 'to': u"ी"}, | ||
| #{'from': u"M", 'to': u"ः"}, | ||
| {'from': u"M", 'to': u":" }, | ||
| {'from': u"¨", 'to': u"ङ्ग"}, | ||
| {'from': u"®", 'to': u"र"}, | ||
| {'from': u"©", 'to': u"र"}, | ||
| {'from': u"Â", 'to': u"र"}, | ||
| {'from': u"È", 'to': u"ष"}, | ||
| {'from': u"Ô", 'to': u"क्ष"}, | ||
| {'from': u"ø", 'to': u"य्"}, | ||
| {'from': u"ı", 'to': u"द्र"}, | ||
| {'from': u"Œ", 'to': u"त्त्"}, | ||
| {'from': u"œ", 'to': u"त्र्"}, | ||
| {'from': u"˘", 'to': u"श्र्"}, | ||
| {'from': u"˚", 'to': u"फ"}, | ||
| {'from': u"≈", 'to': u"ह्"}, | ||
| {'from': u"⋲", 'to': u"ह्"}, | ||
| {'from': u"◊", 'to': u"ङ्ख"}, | ||
| {'from': u"", 'to': u"फ्"}, | ||
| {'from': u"", 'to': u"ट्ठ"}, | ||
| {'from': u"¤", 'to': u"झ्"}, | ||
| {'from': u"™", 'to': u"र"}, | ||
|
|
||
| # Remove typing mistakes in the original file | ||
| {'from': u"्ा", 'to': u""}, | ||
| {'from': u"्ो", 'to': u"े"}, | ||
| {'from': u"्ौ", 'to': u"ै"}, | ||
| {'from': u"अो", 'to': u"ओ"}, | ||
| {'from': u"अा", 'to': u"आ"}, | ||
| {'from': u"आै", 'to': u"औ"}, | ||
| {'from': u"आे", 'to': u"ओ"}, | ||
| {'from': u"ाो", 'to': u"ो"}, | ||
| {'from': u"ाॅ", 'to': u"ॉ"}, | ||
| {'from': u"ाे", 'to': u"ो"}, | ||
| {'from': u"ंु", 'to': u"ुं"}, | ||
| {'from': u"ेे", 'to': u"े"}, | ||
| {'from': u"अै", 'to': u"अै"}, | ||
| {'from': u"ाे", 'to': u"ो"}, | ||
| {'from': u"अे", 'to': u"अे"}, | ||
| {'from': u"ंा", 'to': u"ां"}, | ||
| {'from': u"अॅ", 'to': u"अॅ"}, | ||
| {'from': u"ाै", 'to': u"ौ"}, | ||
| {'from': u"ैा", 'to': u"ौ"}, | ||
| {'from': u"ंृ", 'to': u"ृं"}, | ||
| {'from': u"ँा", 'to': u"ाँ"}, | ||
| {'from': u"ँू", 'to': u"ूँ"}, | ||
| {'from': u"ेा", 'to': u"ो"}, | ||
| {'from': u"ंे", 'to': u"ें"}, | ||
| {'from': u"े्", 'to': u"्े" }, | ||
|
|
||
| # more complex replacements | ||
| {'fromreg': ur'l((.्)?.)', 'to': ur"\1ि"}, | ||
| {'fromreg': ur'ि्(.)', 'to': ur"्\1ि"}, | ||
| {'fromreg': ur'िं्(.)', 'to': ur"्\1िं"}, | ||
| {'fromreg': ur'(.[ािीुूृेैोौं:ँॅ]*){', 'to': ur"र्\1"}, | ||
|
|
||
| {'from': u"{", 'to': u"र्"}, | ||
| {'from': u"l", 'to': u"ि"}, | ||
|
|
||
| # punctuation marks | ||
| {'from': u"=", 'to': u"."}, | ||
| {'from': u"_", 'to': u")"}, | ||
| {'from': u"Ö", 'to': u"="}, | ||
| {'from': u"Ù", 'to': u";"}, | ||
| {'from': u"…", 'to': u"‘"}, | ||
| {'from': u"Ú", 'to': u"’"}, | ||
| {'from': u"Û", 'to': u"!"}, | ||
| {'from': u"Ü", 'to': u"%"}, | ||
| {'from': u"æ", 'to': u"“"}, | ||
| {'from': u"Æ", 'to': u"”"}, | ||
| {'from': u"±", 'to': u"+"}, | ||
| {'from': u"-", 'to': u"("}, | ||
| {'from': u"<", 'to': u"?"}, | ||
| {'from': u"¬", 'to': u"…"}, | ||
| {'from': u"Ò", 'to': u"…"}, | ||
| {'from': u"÷", 'to': u"/"}, | ||
| {'from': u"‐", 'to': u"("}, | ||
| {'from': u"⁄", 'to': u"!"}, | ||
| {'from': u"∞", 'to': u"%"}, | ||
| {'from': u"≠", 'to': u"="}, | ||
| {'from': u"≤", 'to': u";"}, | ||
| {'from': u"≥", 'to': u"."}, | ||
|
|
||
| {'from': u"ý", 'to': u""}, | ||
| {'from': u" ", 'to': u""} | ||
|
|
||
| ] | ||
|
|
||
| # convert HTML entitites like " | ||
| unicode_string = unescape(kantipur) | ||
|
|
||
| #f = codecs.open('kantipur.log', 'w', 'utf-8-sig') | ||
| #f.write(unicode_string + "\n") | ||
| for repl in replacements: | ||
| if 'from' in repl: | ||
| unicode_string = unicode_string.replace(repl['from'], repl['to']) | ||
| else: | ||
| unicode_string = re.sub(repl['fromreg'], repl['to'], unicode_string) | ||
|
|
||
| #f.write(unicode_string + "\n") | ||
| #f.close() | ||
| return unicode_string; |
Oops, something went wrong.