-
Notifications
You must be signed in to change notification settings - Fork 1
/
chartype.py
371 lines (300 loc) · 9.84 KB
/
chartype.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
#! /usr/bin/env python
# coding:utf-8
import unicodedata
import re
class CharException(TypeError):
def __init__(self, sent):
self.sent = sent
def __str__(self):
return "need a single Unicode character as parameter\
: {}".format(self.sent)
class CharTypeException(TypeError):
def __init__(self, sent):
self.sent = sent
def __str__(self):
return "need a halfwidth katakana character\
as a parameter: {}".format(self.sent)
class Chartype(object):
u'''
Chartype クラス
'''
def __init__(self):
pass
def _typename(self, st):
'''
:param st: ユニコード型の文字列
:type st: ユニコード型
:rtype: string
:return: 文字の種類を表す文字列
:except IOError: IOError がでる。
'''
if self.is_hiragana(st):
return 'HIRAGANA'
elif self.is_katakana(st):
return 'KATAKANA'
elif self.is_halfwidthkatakana(st):
return 'HANKAKUKATAKANA'
elif self.is_kanji(st):
return 'KANJI'
elif self.is_latinsmall(st):
return 'LATINSMALL'
elif self.is_latincapital(st):
return 'LATINCAPITAL'
elif self.is_digit(st):
return 'DIGIT'
elif self.is_kuten(st):
return 'KUTEN'
elif self.is_touten(st):
return 'TOUTEN'
def _is_type(self, typ, st, start, end):
'''
'''
try:
return unicodedata.name(st)[start: end] == typ
except TypeError as ex:
raise CharException(st) from ex
def is_hiragana(self, st):
u"""
ひらがなかどうかを判定する
:param unicode st: ユニコード型の文字列
:rtype: bool
>>> ch = Chartype()
>>> ch.is_hiragana(u'あ')
True
>>> ch.is_hiragana(u'ア')
False
"""
return self._is_type('HIRAGANA', st, 0, 8)
def is_katakana(self, st):
u"""
カタカナかどうかを判定する
:param unicode st: ユニコード型の文字列
:rtype bool:
>>> ch = Chartype()
>>> ch.is_katakana(u'ア')
True
>>> ch.is_katakana(u'あ')
False
"""
return self._is_type('KATAKANA', st, 0, 8)
def is_halfwidthkatakana(self, st):
u"""
半角カタカナかどうかを判定する
:param unicode st: ユニコード型の文字列
:rtype bool:
>>> ch = Chartype()
>>> ch.is_halfwidthkatakana(u'ア')
True
>>> ch.is_halfwidthkatakana(u'ア')
False
"""
return self._is_type('HALFWIDTH KATAKANA', st, 0, 18)
def is_kanji(self, st):
u"""
漢字かどうかを判定する
:param unicode st: ユニコード型の文字列
:rtype bool:
>>> ch = Chartype()
>>> ch.is_kanji(u'漢')
True
>>> ch.is_kanji(u'か')
False
"""
return self._is_type('CJK', st, 0, 3)
def is_latinsmall(self, st):
u"""
[a-z]* かどうかを判定する
:param unicode st: ユニコード型の文字列
:rtype bool:
>>> ch = Chartype()
>>> ch.is_latinsmall(u'a')
True
>>> ch.is_latinsmall(u'あ')
False
"""
return self._is_type('LATIN SMALL', st, 0, 11)
def is_latincapital(self, st):
u"""
[A-Z]* かどうかを判定する
:param unicode st: ユニコード型の文字列
:rtype bool:
>>> ch = Chartype()
>>> ch.is_latincapital(u'A')
True
>>> ch.is_latincapital(u'a')
False
"""
return self._is_type('LATIN CAPITAL', st, 0, 13)
def is_digit(self, st):
u"""
数値かどうかを判定する
:param unicode st: ユニコード型の文字列
:rtype bool:
>>> ch = Chartype()
>>> ch.is_digit(u'1')
True
>>> ch.is_digit(u'a')
False
"""
return self._is_type('DIGIT', st, 0, 5)
def is_kuten(self, st):
u"""
『。』または『.』に一致するかどうかを判定する
:param unicode st: ユニコード型の文字列
:rtype bool:
>>> ch = Chartype()
>>> ch.is_kuten(u'。')
True
>>> ch.is_kuten(u'.')
True
"""
return self._is_type('IDEOGRAPHIC FULL STOP', st, 0, 21) or \
self._is_type('FULLWIDTH FULL STOP', st, 0, 19) or \
self._is_type('FULL STOP', st, 0, 9)
def is_touten(self, st):
u"""
『、』または『.』に一致するかどうかを判定する
:param unicode st: ユニコード型の文字列
:rtype bool:
>>> ch = Chartype()
>>> ch.is_touten(u'、')
True
>>> ch.is_touten(u',')
True
"""
return self._is_type('IDEOGRAPHIC COMMA', st, 0, 17) or \
self._is_type('FULLWIDTH COMMA', st, 0, 15) or \
self._is_type('COMMA', st, 0, 5)
# 上を組み合わせて新しいメソッドをつくる
def is_latin(self, st):
'''
ラテン文字列かどうかを判定する
:param unicode st: ユニコード型の文字列
:rtype bool:
>>> ch = Chartype()
>>> ch.is_latin(u'a')
True
>>> ch.is_latin(u'A')
True
>>> ch.is_latin(u'1')
False
'''
return self.is_latinsmall(st) or self.is_latincapital(st)
def is_ascii(self, st):
'''
アスキー文字列かどうかを判定する
:param unicode st: ユニコード型の文字列
:rtype bool:
>>> ch = Chartype()
>>> ch.is_ascii(u'a')
True
>>> ch.is_ascii(u'A')
True
>>> ch.is_ascii(u'1')
True
'''
return self.is_digit(st) or self.is_latin(st)
def is_kutouten(self, st):
u'''
句読点かどうかを判定する
:param unicode st: ユニコード型の文字列
:rtype bool:
>>> ch = Chartype()
>>> ch.is_kutouten(u'。')
True
>>> ch.is_kutouten(u'.')
True
>>> ch.is_kutouten(u'、')
True
>>> ch.is_kutouten(u',')
True
'''
return self.is_kuten(st) or self.is_touten(st)
def is_nihongo(self, st):
u'''
日本語かどうかを判定する
:param unicode st: ユニコード型の文字列
:rtype bool:
>>> ch = Chartype()
>>> ch.is_nihongo(u'あ')
True
>>> ch.is_nihongo(u'a')
False
'''
return self.is_hiragana(st) or \
self.is_katakana(st) or \
self.is_halfwidthkatakana(st) or \
self.is_kanji(st) or \
self.is_kuten(st) or \
self.is_touten(st)
def otherwise(self, st):
u"""
上の関数でTrueになる文字以外の文字
:param unicode st: ユニコード型の文字列
:rtype bool:
>>> ch = Chartype()
>>> ch.otherwise(u'!')
True
>>> ch.otherwise(u'!')
True
"""
return not (self.is_hiragana(st) or
self.is_katakana(st) or
self.is_halfwidthkatakana(st) or
self.is_kanji(st) or
self.is_latinsmall(st) or
self.is_latincapital(st) or
self.is_digit(st) or
self.is_kuten(st) or
self.is_touten(st))
def is_sametype(self, st1, st2):
u'''
st1 とst2 が同じ文字列かどうかを判定する
:param unicode st1: ユニコード型の文字列
:param unicode st2: ユニコード型の文字列
:rtype bool:
>>> ch = Chartype()
>>> ch.is_sametype(u'あ', u'あ')
True
>>> ch.is_sametype(u'あ', u'い')
True
'''
return self._typename(st1) == self._typename(st2)
def hiragana2katakana(self, char):
"""ひらがなをカタカナに変換する"""
if not self.is_hiragana(char):
raise CharTypeException(char)
name = re.sub(r"^HIRAGANA\s", "KATAKANA ", unicodedata.name(char))
return unicodedata.lookup(name)
def katakana2hiragana(self, char):
"""カタカナを平仮名に変換する"""
if not self.is_katakana(char):
raise CharTypeException(char)
name = re.sub(r"^KATAKANA\s", "HIRAGANA ", unicodedata.name(char))
return unicodedata.lookup(name)
def half2full(self, char):
u"""半角カタカナ char を全角カタカナに変換する"""
if not self.is_halfwidthkatakana(char):
raise CharTypeException(char)
name = re.sub(r"^HALFWIDTH\s", "", unicodedata.name(char))
return unicodedata.lookup(name)
def full2half(self, char):
u"""全角カタカナ char を半角カタカナに変換する"""
if not self.is_katakana(char):
raise CharTypeException(char)
# voiced and semi-voiced sound mark
vm_dic = {
"ガ": "カ", "ギ": "キ", "グ": "ク", "ゲ": "ケ", "ゴ": "コ",
"ザ": "サ", "ジ": "シ", "ズ": "ス", "ゼ": "セ", "ゾ": "ソ",
"ダ": "タ", "ヂ": "チ", "ヅ": "ツ", "デ": "テ", "ド": "ト",
"バ": "ハ", "ビ": "ヒ", "ブ": "フ", "ベ": "ヘ", "ボ": "ホ",
"パ": "ハ", "ピ": "ヒ", "プ": "フ", "ペ": "ヘ", "ポ": "ホ",
}
if char in vm_dic:
return "{}゙".format(vm_dic[char])
else:
return unicodedata.lookup(
"HALFWIDTH {}".format(unicodedata.name(char)))
if __name__ == '__main__':
import doctest
doctest.testmod()