charset: case-insensitive preset lookup
[sheet.git] / charset.plp
index 73b37407b2ff71ecce5fd84f1d526c8aa823caaa..4f60765cd7c94d346dae6f013891ee39509cb95e 100644 (file)
@@ -1,5 +1,8 @@
 <(common.inc.plp)><:
 
+my $mode = exists $get{compare};
+my @tablist = split m{/+}, $Request || 'default';
+
 Html({
        title => 'charset cheat sheet',
        version => '1.0',
@@ -12,126 +15,264 @@ Html({
                reference common overview table
        '],
        stylesheet => [qw'light'],
-       data => [qw'charset-unicode.inc.pl charset-utf8.inc.pl'],
+       data => [qw(
+               charset-encoding.inc.pl
+               charset-unicode.inc.pl charset-ucplanes.inc.pl charset-utf8.inc.pl
+       )],
 });
 
+use List::Util qw( first pairmap pairfirst pairs );
+
 :>
-<h1>Character encoding</h1>
+<h1>Character encodings</h1>
+
+<p>
+<:
+if ($tablist[0] eq 'default') {
+       say "Overview of Unicode allocation and common latin code pages.";
+       say "Compare alternate charsets:";
+}
+else {
+       say "Charset comparison:";
+}
+
+sub optionlink {
+       my ($title, $href, $selected) = @_;
+       return sprintf(
+               $selected ? '<strong>%s</strong>' : '<a href="%2$s">%s</a>',
+               EscapeHTML($title), $href
+       );
+}
+
+print join " •\n", (
+       map {
+               join " ·\n", pairmap {
+                       optionlink($b || ucfirst $a, '/charset'.($a && "/$a?compare"), $a eq $Request);
+               } @{$_}
+       }
+       [
+               iso      => 'ISO',
+               win      => 'Windows',
+               dos      => 'DOS',
+               mac      => 'Apple',
+               ebcdic   => 'EBCDIC',
+               $tablist[0] eq 'default' ? () : ('' => 'common'),
+       ],
+       [
+               westeur  => 'West',
+               centeur  => 'Central',
+               norteur  => 'North European',
+               turkish  => 0,
+               greek    => 0,
+               cyrillic => 0,
+               hebrew   => 0,
+       ],
+);
+:>.
+</p>
 
 <:
 use POSIX qw( ceil );
 use Shiar_Sheet::FormatChar;
 my $glyphs = Shiar_Sheet::FormatChar->new;
-my $cols = 16;  # columns
-
-# generate character table(s)
-# (~16x faster than decoding in loop;
-#  substr strings is twice as fast as splitting to an array)
-my %ALIAS = (
-#      default => [qw(unicode utf-8 iso-8859-1 cp437 -cp1252- --iso-8859-15- -koi8-f)],
-       default => [qw(unicode- utf-8 iso-8859-1 -cp1252- --iso-8859-15- cp437 -cp850)],
-       0 => [qw(cp437 -cp863)],
-       1 => [qw(iso-8859-1 -cp1252 -MacRoman -cp850)],
-       2 => [qw(iso-8859-2 -cp1250 -cp852 -MacCentralEurRoman -MacCroatian -MacRumanian)],
-       5 => [qw(koi8-f -iso-8859-5 -cp1251 -MacCyrillic -cp855 -cp866)],
-       7 => [qw(iso-8859-7 -cp1253 -MacGreek -cp737 -cp869)],
-       8 => [qw(iso-8859-8 -cp1255 -MacHebrew -cp862)],
-);
-my @request = map {
-       if (my $input = $_) {
-               my %row = (offset => 0);
-               my $endpoint = 255;
-               if ($input =~ s/^--//) {
-                       $row{offset} = $endpoint > 160 ? 160 : 48;
-               }
-               elsif ($input =~ s/^-//) {
-                       $row{offset} = $endpoint > 128 ? 128 : 32;
-               }
-               if ($input =~ s/-$//) {
-                       $endpoint = $row{offset} ? $row{offset} < 160 ? 159 : 191 : 127;
-               }
-               if ($row{offset}) {
-                       $row{setnote} = 'over cp437' if $input eq 'cp850';
-                       $row{setnote} = 'over iso-8859-1' if $input =~ /^iso-8859-|^cp125/;
-               }
-
-               if ($input =~ /^U([0-9a-f]+)(?:-([0-9a-f]+))?/) {
-                       my $start = hex($1) << ($2 ? 4 : 8);
-                       my $end = $2 ? hex($2) << 4 : $start + 240;
-                       $row{table} = join '', map { chr } $start .. $end+15;
-                       utf8::upgrade($row{table});  # prevent latin1 output
-                       $row{set} = sprintf 'Unicode block U+%02Xxx', $start >> 8;
-               }
-               elsif ($input eq 'U') {
-                       $row{table} = ' ' x 1024;
-                       $row{set} = 'Unicode planes';
-                       $row{cell} = do 'charset-ucplanes.inc.pl'
-                               or Alert('Table data could not be read', $@ || $!);
-                       $cols *= 2;
-               }
-               elsif ($row{set} = Encode::resolve_alias($input)) {
-                       if ($row{set} eq 'Internal') {
-                               $row{table} = ' ' x ($endpoint < 255 ? 640 : 8192);
-                               $row{set} = 'Unicode BMP';
-                               $row{cell} = do 'charset-unicode.inc.pl'
-                                       or Alert('Table data could not be read', $@ || $!);
-                       }
-                       elsif ($row{set} eq 'utf-8-strict') {
-                               $row{table} = undef;
-                               $row{set} = 'UTF-8';
-                               $row{cell} = do 'charset-utf8.inc.pl'
-                                       or Alert('Table data could not be read', $@ || $!);
+my @request;
+
+my $charsets = do 'charset-encoding.inc.pl'
+       or Alert('Encoding metadata could not be read', $@ || $!);
+
+sub tabinput {
+       # generate character table(s)
+       my $input = shift or return;
+       my $params = $input =~ s/[+](.*)\z// ? $1 : undef;
+       my $charset = $charsets->{lc $input} || {};
+
+       if (ref $charset ne 'HASH') {
+               $params and Alert("Parameters ignored for $input",
+                       "Cannot apply <q>$params</q> to multiple charsets.",
+               );
+               tabinput($_) for ref $charset ? @{$charset} : $charset;
+               return;
+       }
+
+       state $visible = {'' => 1};  # all present tables
+       my %row = (offset => 0, cols => 16);
+
+       if (not defined $params) {
+               my @parents = @{ $charset->{inherit} || [] };
+
+               if (my ($parent, $part) = pairfirst { defined $visible->{$a} } @parents) {
+                       $row{parent} = $parent;
+                       $params = $part;
+                       $params = 80 unless $visible->{$parent}
+                               or ($input eq 'MacCroatian' and defined $visible->{MacRomanian});
+               }
+               elsif (defined $visible->{ascii}) {
+                       $row{parent} = $parents[0];
+                       $params = $parents[1] // 80;
+                       $params = 80 if hex $params >= 0x80;  # ascii offset at most
+               }
+               elsif (@parents) {
+                       $row{parent} = $parents[0];
+                       $params = $parents[1] if hex $parents[1] == 0;  # apply ascii end
+               }
+               $visible->{$_} //= 0 for $row{parent} || ();
+       }
+
+       for my $param (split /[+]+/, $params // '') {
+               if ($param eq 'realsize') {
+                       $row{realsize}++;
+               }
+               elsif ($param =~ m{ \A cols = (\d+) \z }x) {
+                       $row{cols} = $1;
+               }
+               elsif ($param =~ m{ \A (?<start> \p{AHex}+) (?: [-] (?<end> \p{AHex}+) )? \z }x) {
+                       if (defined $row{endpoint}) {
+                               # extend earlier range
+                               my $skip = int(($row{endpoint} || $row{startpoint}) / $row{cols});
+                               for ($skip + 1 .. (hex($+{start}) / $row{cols}) - 1) {
+                                       $row{skip}->{ $_ * $row{cols} - $row{startpoint} }++;
+                               }
                        }
                        else {
-                               $row{table} = Encode::decode($row{set}, pack 'C*', $row{offset} .. $endpoint);
+                               $row{startpoint} = hex $+{start};
                        }
+                       $row{endpoint} = hex($+{end} || 0);
                }
                else {
-                       Alert("Encoding <q>$input</q> unknown");
+                       Alert("Unknown option <q>$param</q> for charset $input");
                }
-               $row{set} ? \%row : ();
        }
-       else {
-               ();
+
+       if ($input =~ m{ \A (?:wing|web)dings \d* \z }ix) {
+               eval "require Encode::\u$input";
        }
-} map { defined $ALIAS{$_} ? @{ $ALIAS{$_} } : $_ }
-       $Request =~ /\w/ ? split(m{[/+\s]}, $Request) : 'default';
-my $NOCHAR = chr 0xFFFD;
 
-for my $cp437 (grep {$request[$_]->{set} eq 'cp437'} 0 .. $#request) {
-       substr($request[$cp437]->{table}, 237, 1) = pack 'U*', 0x3D5; # phi sign
-       substr($request[$cp437]->{table}, 0, 32) = pack 'U*', map {hex} qw(
-               2007 263A 263B 2665 2666 2663 2660 2022 25D8 25CB 25D9 2642 2640 266A 266B 263C
-               25BA 25C4 2195 203C 00B6 00A7 25AC 21A8 2191 2193 2192 2190 221F 2194 25B2 25BC
-       );
+       if ($input eq '') {
+               $row{offset} = delete $row{startpoint};
+               $row{set} = 'Unicode characters';
+               my $block = $row{offset} >> 8;
+               $row{endpoint} ||= ($block + 1 << 8) - 1;
+               $block == ($row{endpoint} >> 8) or undef $block;
+
+               $row{table} = join '', map { chr } $row{offset} .. $row{endpoint};
+               utf8::upgrade($row{table});  # prevent latin1 output
+
+               $row{endpoint} -= $row{offset};
+
+               if (defined $block) {
+                       $row{set} = sprintf 'Unicode block U+%02Xxx', $block;
+                       $row{offset} %= 0x100;
+               }
+       }
+       elsif (lc $input eq 'uu') {
+               $row{cell} = do 'charset-ucplanes.inc.pl'
+                       or Alert('Table data could not be read', $@ || $!);
+               $row{endpoint} ||= 0x3FF;
+               $row{set} = 'Unicode planes';
+       }
+       elsif (lc $input eq 'u') {
+               $row{cell} = do 'charset-unicode.inc.pl'
+                       or Alert('Table data could not be read', $@ || $!);
+
+               $row{endpoint} ||= 0x1FFF;
+               $row{set} = 'Unicode ' . (
+                       $row{startpoint} <  0x1000 && $row{endpoint} < 0x1000 ? 'BMP' :
+                       $row{startpoint} >= 0x1000 && $row{endpoint} < 0x2000 ? 'SMP' :
+                       'allocations'
+               );
+       }
+       elsif ($input =~ m/^utf-*8$/i) {
+               $row{set} = 'UTF-8';
+               $row{cell} = do 'charset-utf8.inc.pl'
+                       or Alert('Table data could not be read', $@ || $!);
+               $row{endpoint} = 0xFF;
+       }
+       elsif ($row{set} = Encode::resolve_alias($input)) {
+               $row{offset} = delete $row{startpoint};
+               $row{endpoint} ||= 0xFF;
+               if ($row{set} eq 'MacHebrew' or $row{set} eq 'MacThai') {
+                       # array of possibly multiple characters per code point
+                       $row{table} = [
+                               map { Encode::decode($row{set}, pack 'C*', $_) } $row{offset} .. $row{endpoint}
+                       ];
+               }
+               else {
+                       # ~16x faster than decoding in loop;
+                       # substr strings is twice as fast as splitting to an array
+                       $row{table} = Encode::decode($row{set}, pack 'C*', $row{offset} .. $row{endpoint});
+               }
+
+               if ($row{set} eq 'cp437') {
+                       if ($row{offset} <= 0xED and $row{endpoint} >= 0xED) {
+                               # replace phi glyph
+                               substr($row{table}, 0xED - $row{offset}, 1) = 'ϕ';
+                       }
+                       if ($row{offset} < 0x20) {
+                               # replace control characters by visible variants
+                               my $sub = substr ' ☺☻♥♦♣♠•◘○◙♂♀♪♫☼►◄↕‼¶§▬↨↑↓→←∟↔▲▼', $row{offset};
+                               substr($row{table}, 0, length $sub) = $sub;
+                       }
+               }
+               elsif ($row{set} eq 'symbol') {
+                       if ($row{offset} <= 0x60 and $row{endpoint} >= 0x60) {
+                               # replace radical extender by closest unicode equivalent
+                               substr($row{table}, 0x60 - $row{offset},  1) = '│';
+                       }
+                       if ($row{offset} <= 0xBD and $row{endpoint} >= 0xFF) {
+                               substr($row{table}, 0xBD - $row{offset},  2) = '⏐⎯'; # arrow extenders
+                               substr($row{table}, 0xD2 - $row{offset},  3) = '®©™'; # serif variants
+                               substr($row{table}, 0xE0 - $row{offset},  1) = '◊'; # replace lookalike, should match AdobeSymbol
+                               substr($row{table}, 0xE2 - $row{offset},  3) = '®©™'; # sans-serif variants
+                               substr($row{table}, 0xE6 - $row{offset}, 10) = '⎛⎜⎝⎡⎢⎣⎧⎨⎩⎪';
+                               substr($row{table}, 0xF0 - $row{offset},  1) = '€';
+                               substr($row{table}, 0xF4 - $row{offset}, 11) = '⎮⌡⎞⎟⎠⎤⎥⎦⎫⎬⎭';
+                       }
+               }
+
+               $row{endpoint} -= $row{offset};
+
+               $visible->{ascii} =  # assume common base
+               $visible->{ $row{set} } = 1;
+       }
+       else {
+               Alert("Encoding <q>$input</q> unknown");
+               return;
+       }
+       push @request, \%row;
 }
+tabinput($_) for @tablist;
+
+my $NOCHAR = chr 0xFFFD;
 
 sub range_cell {
-       my ($table, $offset) = @_;
+       my ($info, $offset) = @_;
+       my $table = $info->{cell} or return;
        my $def = $table->{$offset} or return;
        my ($len, $class, $name, $title) = @{$def};
 
+       my $cols = $info->{cols};
        my $colsize = $table->{colsize} || 1;
        my $attr = '';
        $len /= $colsize;
        $name //= $len <= 2 ? 'res' : 'reserved';
 
-       if (my $part = $offset/$colsize % $cols) {
+       if (my $part = ($offset/$colsize - $info->{startpoint}) % $cols) {
                # continued row
                my $rest = $cols - $part;  # remaining
                $rest = $len if $len < $rest; #TODO: optimise
                if ($len -= $rest) {
                        # continued on new row
                        my @next = ($len * $colsize, "$class joinu");
+                       my $separate = $cols - $len > $rest;  # columns not on next row
                        if ($len > $rest) {
                                # minority remains
                                push @next, $name, $title;
                                $title ||= $name;
-                               $name = '';
+                               $name = $separate && '…';
                        }
                        else {
                                # minority on next row
-                               push @next, '"', $title || $name;
+                               push @next, $separate && '"', $title || $name;
                        }
                        $table->{$offset + $colsize*$rest} //= \@next;
                        $class .= ' joind';
@@ -140,11 +281,24 @@ sub range_cell {
        }
        elsif (my $rows = int($len / $cols)) {
                # multiple full rows
+               my $rowsize = $colsize * $cols;
                if ($len -= $rows * $cols) {
                        # partial row remains
-                       $table->{$offset + $colsize*$rows * $cols} //= [$len*$colsize, "$class joinu", '', $title];
+                       $table->{$offset + $rowsize * $rows} //= [$len*$colsize, "$class joinu", '', $title];
                        $class .= ' joind';
                }
+
+               unless ($info->{realsize}) {
+                       # coalesce multiple rows
+                       while ($rows > 3) {
+                               $info->{skip}->{$offset += $rowsize}++;
+                               $rows--;
+                       }
+                       if ($rows > 2) {
+                               $info->{skip}->{$offset += $rowsize} = 0;
+                       }
+               }
+
                $attr .= sprintf ' rowspan=%d', $rows;
                $len = $cols;
        }
@@ -153,54 +307,83 @@ sub range_cell {
        $attr .= $1 if $class and $class =~ s/( \w+="[^"]*")//;
        $attr .= sprintf ' class="%s"', $class if $class;
        $attr .= sprintf ' title="%s"', EscapeHTML($title) if $title;
-       return "<td$attr>$name";
+       return "<td$attr>$name\n";
 }
 
 for my $row (@request) {
+       my $cols = $row->{cols};
        my $colsize = $row->{cell} && $row->{cell}->{colsize} || 1;
        my $coldigits = ceil(log($colsize * $cols) / log(16));  # uniform length of hexadecimal header
-       my $rowdiv = 16 ** $coldigits;  # divider of row headers
+       my $rowdiv = 16 ** $coldigits;  # row divide for column digits
+       $rowdiv = 1 if $rowdiv != $cols * $colsize;  # divide only if all columns are matched
+       my $offset = $row->{startpoint} * $colsize || 0;
 
        printf '<div class="section"><table class="glyphs%s">', !$row->{cell} && ' charmap';
        my $title = $row->{set};
-       $title .= " <aside>($_)</aside>" for $row->{setnote} // ();
+       $title .= " <aside>(over $_)</aside>"
+               for $row->{parent} || ();
        printf '<caption>%s</caption>', $title;
        print '<col>' x ($cols + 1);
        for my $section (qw{thead}) {
-               print "<$section><tr><th>↱";
+               print "<$section><tr><th>", $rowdiv == 1 ? '+' : '↱';
                printf '<th>%0*X', $coldigits, $_ * $colsize for 0 .. $cols - 1;
                print "\n";
        }
+
        print '<tbody>';
-       for my $msb (0 .. ((length($row->{table}) || 256) - 1) / $cols) {
+       while ($offset <= $row->{endpoint} * $colsize) {
+               if ($row->{skip}->{$offset}) {
+                       $offset += $cols * $colsize;
+                       next;
+               }
+
                print '<tr><th>';
-               {
-                       my $rowlabel = ($msb + int($row->{offset} / $cols)) * $cols * $colsize;
-                       if (my $rowmod = $rowlabel % $rowdiv) {
+               if (defined $row->{skip}->{$offset}) {
+                       print '⋮';
+               }
+               else {
+                       if (my $rowmod = $offset % $rowdiv) {
                                # offset in column units
                                printf '<small>+%X</small>', $rowmod;
                        }
                        else {
                                # divided row offset
-                               printf '%X', $rowlabel / $rowdiv;
+                               printf '%X', ($offset + $row->{offset}) / $rowdiv;
                        }
                }
-               for my $lsb (0 .. $cols - 1) {
-                       my $val = ( ($msb * $cols) + $lsb ) * $colsize;
+               say '';
+
+               for (1 .. $cols) {
                        if ($row->{cell}) {
-                               print range_cell($row->{cell}, $val);
+                               print range_cell($row, $offset);
                                next;
                        }
 
-                       my $glyph = substr $row->{table}, $val, 1;
-                       if ($glyph eq $NOCHAR) {
-                               print '<td>';
-                               next;
+                       my $cp = $offset + $row->{offset};
+                       my $glyph = ref $row->{table} eq 'ARRAY' ? $row->{table}->[$offset] :
+                               substr $row->{table}, $offset, 1;
+                       my ($cell, $name, $class) = $glyph eq $NOCHAR ? () :
+                               $glyphs->glyph_html($glyph);
+
+                       if ($mode) {
+                               state $visible = {};
+                               $class = (
+                                       $cp == ord $glyph ? 'l4' :
+                                       $row->{parent} && $glyph eq
+                                               Encode::decode($row->{parent}, pack 'C', $cp) ? 'l3' :
+                                       !$class ? undef :
+                                       $visible->{$glyph} ? 'l2' :
+                                       'l1'
+                               );
+                               $visible->{$glyph}++;
                        }
 
-                       print "\n".$glyphs->glyph_cell($glyph);
+                       say sprintf $class ? '<td title="%s" class="X %s">%s' : '<td title="%s">',
+                               $name, $class, $cell;
+               }
+               continue {
+                       $offset += $colsize;
                }
-               print "\n";
        }
        say '</table></div>';
 }
@@ -209,7 +392,13 @@ for my $row (@request) {
 <hr>
 
 <div class="legend">
-       <table class="glyphs"><tr>
+       <table class="glyphs"><tr><: if ($mode) { :>
+       <td class="X l4">unicode
+       <td class="X l3">inherited
+       <td class="X l2">existing
+       <td class="X l1">original
+       <td class="">unassigned
+<: } else { :>
        <td class="X Cc">control
        <td class="X Zs"><span>whitespace</span>
        <td class="X Mn">diacritic<table class="glyphs"><tr>
@@ -246,6 +435,6 @@ for my $row (@request) {
        <td class="X Xd">deprecated
        <td class="">unassigned
        <td class="X Xi">invalid
-       </table>
+<: } :>        </table>
 </div>