charset: replace private use glyphs in MacHebrew
[sheet.git] / charset-encoding.inc.pl
index 9ae8523700301cadce7a8354b2f7ec2a15869d02..c402187a201d99acca878351470c15542a8767bd 100644 (file)
 use 5.014;
 use warnings;
+use utf8;
 
 +{
-       'ascii'       => ['' => '00-7F'],
-       'cp437'       => ['cp850' => 0, 'ascii' => '00-1F+80'], # ascii range overridden later
-       'gsm0338'     => ['ascii' => '00-7F'],
-       'dingbats'    => ['' => '20-7F+A0'],
-       'MacDingbats' => ['dingbats' => '80-9F'],
-       'AdobeZdingbat'=> ['MacDingbats' => '80-9F'], # should be identical but maps to private use
-       'symbol'      => ['' => '20-7F+A0'],
-       'AdobeSymbol' => ['symbol' => '20-7F+A0', '' => '20-7F+A0'], # minor differences, irrelevant except for different '€'
-       'wingdings'   => ['' => '20'],
-       'wingdings2'  => ['' => '20'],
-       'wingdings3'  => ['' => '20'],
-       'webdings'    => ['' => '20'],
-
-       'iso-8859-2'  => ['iso-8859-1' => 'A0'],
-       'iso-8859-3'  => ['iso-8859-1' => 'A0'], #TODO: also apply to iso-8859-9
-       'iso-8859-4'  => ['iso-8859-2' => 'A0'],
-       'iso-8859-5'  => ['iso-8859-1' => 'A0'],
-       'iso-8859-6'  => ['cp1256' => '80', 'iso-8859-1' => 'A0'],
-       'iso-8859-7'  => ['iso-8859-1' => 'A0'],
-       'iso-8859-8'  => ['iso-8859-1' => 'A0'],
-       'iso-8859-9'  => ['iso-8859-1' => 'D0-DF+F0'],
-       'iso-8859-10' => ['iso-8859-4' => 'A0'],
-       'iso-8859-11' => ['iso-8859-1' => 'A0'],
-       'iso-8859-13' => ['iso-8859-4' => 'A0'],
-       'iso-8859-14' => ['iso-8859-1' => 'A0'],
-       'iso-8859-15' => ['iso-8859-1' => 'A0-BF'],
-       'iso-8859-16' => ['iso-8859-2' => 'A0'],
-       'hp-roman8'   => ['iso-8859-1' => 'A0'],
-
-       'cp1252'      => ['iso-8859-1' => '80-9F'],
-       'cp1250'      => ['iso-8859-2' => '80-BF', 'cp1252' => '80'],
-       'cp1254'      => ['iso-8859-9' => '80-9F', 'cp1252' => '80-9F+D0'],
-       'cp874'       => ['iso-8859-11' => '80-9F', 'cp1252' => '80'], # windows-874 actually cp1162
-       'cp1257'      => ['iso-8859-13' => '80-9F+FF', 'cp1252' => '80'],
-       'cp1251'      => ['cp1252' => '80'],
-       'cp1253'      => ['cp1252' => '80'],
-       'cp1255'      => ['iso-8859-8' => '80-DF', 'cp1252' => '80'],
-       'cp1256'      => ['cp1252' => '80'],
-       'cp1258'      => ['cp1252' => '80-9F+C0'],
-
-       'cp850'       => ['cp437' => '90'],
-       'cp860'       => ['cp437' => '80-AF'],
-       'cp861'       => ['cp865' => '80-AF'],
-       'cp863'       => ['cp437' => '80-AF'],
-       'cp865'       => ['cp437' => '90-AF'],
-       'cp852'       => ['cp850' => '80', 'cp437' => '80'],
-       'cp857'       => ['cp850' => '80-AF+D0-EF', 'cp437' => '80'],
-       'cp775'       => ['cp850' => '80'],  # partial cp437
-       'cp866'       => ['cp437' => '80-AF+E0'],
-       'cp855'       => ['cp437' => '80'],
-       'cp1006'      => ['iso-8859-6' => 'A0', 'cp437' => '80'],
-       'cp737'       => ['cp437' => '80-AF+E0'],
-       'cp869'       => ['cp437' => '80'],
-       'cp862'       => ['cp437' => '80-9F'],
-       'cp864'       => ['MacArabic' => '80', 'iso-8859-6' => '80', 'cp437' => '80'], #TODO: compare form variants
-
-       'koi8-u'      => ['koi8-r' => '90-BF'],
-       'koi8-f'      => ['koi8-u' => '90-BF'],
-
-       'MacRomanian' => ['MacRoman' => 'A0-BF+D0-DF'],
-       'MacRumanian' => ['MacRomanian' => 'A0-BF+D0-DF', 'MacRoman' => 'A0-BF+D0-DF'],
-       'MacCroatian' => ['MacRoman' => 'A0'],
-       'MacCentralEurRoman' => ['MacRoman' => '80'],
-       'MacIcelandic'=> ['MacRoman' => 'A0-AF+D0-EF'],
-       'MacTurkish'  => ['MacRoman' => 'D0-DF'], # F5 is unassigned
-       'MacSami'     => ['MacIcelandic' => '90-BF+D0-DF+F0', 'MacRoman' => '90'],
-       'MacGreek'    => ['MacRoman' => '80'],
-       'MacCyrillic' => ['MacRoman' => '80'],
-       'MacHebrew'   => ['iso-8859-8' => '80', 'MacRoman' => '80-8F+A0'], # partial ascii
-       'MacArabic'   => ['iso-8859-6' => '80', 'cp864' => '80', 'MacRoman' => '80'], #TODO: multiple parents
-       'MacFarsi'    => ['MacArabic' => 'B0-BF', 'MacRoman' => '80'],
-
-       'cp37'        => ['posix-bc' => '00'],
-       'posix-bc'    => ['cp1047' => '40'],
-       'cp500'       => ['cp37' => '40-5F+B0-BF'],
-       'cp1047'      => ['cp37' => '10-2F+50-5F+A0-BF'],
-       'cp1026'      => ['cp37' => '40'],
-       'cp875'       => ['cp37' => '30'],
+       default    => [qw( u+0-27F utf8+realsize iso-8859-1 iso-8859-15 cp1252 cp437 cp850 )],
+       unicode    => [qw( uu+cols=32+realsize u+0-FFF u+1000-18AF u+18B0-1FFF )],
+       us         => [qw( cp437 cp863 gsm0338 AdobeStandardEncoding )],
+       ebcdic     => [qw( cp37 cp500 cp1047 posix-bc cp1026 cp875 )],
+       iso        => [map {"iso-8859-$_"} 1 .. 11, 13 .. 16],
+       dos        => [qw( cp437 cp865 cp861 cp860 cp863 cp850 cp857 cp852 cp775
+                          cp737 cp869 cp866 cp855 cp862 cp864 )],
+       aix        => [qw( cp1006 )],
+       win        => [qw( cp1252 cp1250 cp1254 cp1257 cp1258 cp1253 cp1251 cp1255 cp1256 cp874 )],
+       mac        => [qw( MacRoman MacRomanian MacRumanian MacCroatian MacCentralEurRoman MacTurkish MacIcelandic MacSami
+                          MacGreek MacCyrillic MacHebrew MacArabic MacFarsi MacThai )],
+
+       # languages
+       westeur    => [qw( iso-8859-1 iso-8859-15 cp1252 iso-8859-14 cp850 hp-roman8 nextstep MacRoman )],
+       centeur    => [qw( iso-8859-2 iso-8859-16 cp1250 cp852 MacRomanian MacCroatian MacCentralEurRoman )], # MacRumanian only for DB
+       turkish    => [qw( iso-8859-9 iso-8859-3 cp1254 cp857 MacTurkish )],
+       norteur    => [qw( baltic nordic )],
+       baltic     => [qw( iso-8859-4 iso-8859-13 cp1257 cp775 )],
+       nordic     => [qw( iso-8859-10 cp865 cp861 MacIcelandic MacSami )],
+       cyrillic   => [qw( koi8-r koi8-u koi8-f iso-8859-5 cp1251 MacCyrillic cp866 cp855
+                          +400 +2DE0 +A640-A69F +500-52F )], # MacUkrainian is broken
+       arabic     => [qw( iso-8859-6 cp1256 MacArabic cp864 cp1006 MacFarsi
+                          +600 +8A0-8BF+8E0 +750-77F )],
+       greek      => [qw( iso-8859-7 cp1253 MacGreek cp737 cp869  +370 +1F00 )],
+       hebrew     => [qw( iso-8859-8 cp1255 MacHebrew cp862  +590 )],
+       thai       => [qw( iso-8859-11 cp874 MacThai )],
+       vietnamese => [qw( viscii cp1258 MacVietnamese )],
+       symbols    => [qw( symbol dingbats MacDingbats wingdings wingdings2 wingdings3 webdings )],
+
+       # iso-code shorthand
+       1 => 'westeur',
+       2 => 'centeur',
+       3 => 'turkish',
+       4 => 'baltic',
+       5 => 'cyrillic',
+       6 => 'arabic',
+       7 => 'greek',
+       8 => 'hebrew',
+       9 => 'turkish',
+       10 => 'nordic',
+       11 => 'thai',
+
+       'ascii'        => {inherit => ['' => '00-7F']},
+       'cp437'        => {
+               inherit => ['cp850' => 0, 'ascii' => '00-1F+80'], # ascii range overridden later
+               replace => {
+                       0    => ' ☺☻♥♦♣♠•◘○◙♂♀♪♫☼►◄↕‼¶§▬↨↑↓→←∟↔▲▼', # visible variants of control characters
+                       0xED => 'ϕ', # non-greek usage and appearance
+               },
+       },
+       'gsm0338'      => {inherit => ['ascii' => '00-7F']},
+       'dingbats'     => {inherit => ['' => '20-7F+A0']},
+       'macdingbats'  => {inherit => ['dingbats' => '80-9F']},
+       'adobezdingbat'=> {inherit => ['MacDingbats' => '80-9F']}, # should be identical but maps to private use
+       'symbol'       => {
+               inherit => ['' => '20-7F+A0'],
+               replace => {
+                       0x60 => '│', # replace radical extender by closest unicode equivalent
+                       0xBD => '⏐⎯', # arrow extenders
+                       0xD2 => '®©™', # serif variants
+                       0xE0 => '◊', # replace lookalike, should match AdobeSymbol
+                       0xE2 => '®©™', # sans-serif variants
+                       0xE6 => '⎛⎜⎝⎡⎢⎣⎧⎨⎩⎪',
+                       0xF0 => '€',
+                       0xF4 => '⎮⌡⎞⎟⎠⎤⎥⎦⎫⎬⎭',
+               },
+       },
+       'adobesymbol'  => {inherit => ['symbol' => '20-7F+A0', '' => '20-7F+A0']}, # minor differences, irrelevant except for different '€'
+       'wingdings'    => {inherit => ['' => '20'], setup => sub {require Encode::Wingdings}},
+       'wingdings2'   => {inherit => ['' => '20'], setup => sub {require Encode::Wingdings2}},
+       'wingdings3'   => {inherit => ['' => '20'], setup => sub {require Encode::Wingdings3}},
+       'webdings'     => {inherit => ['' => '20'], setup => sub {require Encode::Webdings}},
+
+       'iso-8859-2'   => {inherit => ['iso-8859-1' => 'A0']},
+       'iso-8859-3'   => {inherit => ['iso-8859-1' => 'A0']}, #TODO: also apply to iso-8859-9
+       'iso-8859-4'   => {inherit => ['iso-8859-2' => 'A0']},
+       'iso-8859-5'   => {inherit => ['iso-8859-1' => 'A0']},
+       'iso-8859-6'   => {inherit => ['cp1256' => '80', 'iso-8859-1' => 'A0']},
+       'iso-8859-7'   => {inherit => ['iso-8859-1' => 'A0']},
+       'iso-8859-8'   => {inherit => ['iso-8859-1' => 'A0']},
+       'iso-8859-9'   => {inherit => ['iso-8859-1' => 'D0-DF+F0']},
+       'iso-8859-10'  => {inherit => ['iso-8859-4' => 'A0']},
+       'iso-8859-11'  => {inherit => ['iso-8859-1' => 'A0']},
+       'iso-8859-13'  => {inherit => ['iso-8859-4' => 'A0']},
+       'iso-8859-14'  => {inherit => ['iso-8859-1' => 'A0']},
+       'iso-8859-15'  => {inherit => ['iso-8859-1' => 'A0-BF']},
+       'iso-8859-16'  => {inherit => ['iso-8859-2' => 'A0']},
+       'hp-roman8'    => {inherit => ['iso-8859-1' => 'A0']},
+
+       'cp1252'       => {inherit => ['iso-8859-1' => '80-9F']},
+       'cp1250'       => {inherit => ['iso-8859-2' => '80-BF', 'cp1252' => '80']},
+       'cp1254'       => {inherit => ['iso-8859-9' => '80-9F', 'cp1252' => '80-9F+D0']},
+       'cp874'        => {inherit => ['iso-8859-11' => '80-9F', 'cp1252' => '80']}, # windows-874 actually cp1162
+       'cp1257'       => {inherit => ['iso-8859-13' => '80-9F+FF', 'cp1252' => '80']},
+       'cp1251'       => {inherit => ['cp1252' => '80']},
+       'cp1253'       => {inherit => ['cp1252' => '80']},
+       'cp1255'       => {inherit => ['iso-8859-8' => '80-DF', 'cp1252' => '80']},
+       'cp1256'       => {inherit => ['cp1252' => '80']},
+       'cp1258'       => {inherit => ['cp1252' => '80-9F+C0']},
+
+       'cp850'        => {inherit => ['cp437' => '90']},
+       'cp860'        => {inherit => ['cp437' => '80-AF']},
+       'cp861'        => {inherit => ['cp865' => '80-AF']},
+       'cp863'        => {inherit => ['cp437' => '80-AF']},
+       'cp865'        => {inherit => ['cp437' => '90-AF']},
+       'cp852'        => {inherit => ['cp850' => '80', 'cp437' => '80']},
+       'cp857'        => {inherit => ['cp850' => '80-AF+D0-EF', 'cp437' => '80']},
+       'cp775'        => {inherit => ['cp850' => '80']},  # partial cp437
+       'cp866'        => {inherit => ['cp437' => '80-AF+E0']},
+       'cp855'        => {inherit => ['cp437' => '80']},
+       'cp1006'       => {inherit => ['iso-8859-6' => 'A0', 'cp437' => '80']},
+       'cp737'        => {inherit => ['cp437' => '80-AF+E0']},
+       'cp869'        => {inherit => ['cp437' => '80']},
+       'cp862'        => {inherit => ['cp437' => '80-9F']},
+       'cp864'        => {inherit => ['MacArabic' => '80', 'iso-8859-6' => '80', 'cp437' => '80']}, #TODO: compare form variants
+
+       'koi8-u'       => {inherit => ['koi8-r' => '90-BF']},
+       'koi8-f'       => {inherit => ['koi8-u' => '90-BF']},
+
+       'macromanian'  => {inherit => ['MacRoman' => 'A0-BF+D0-DF']},
+       'macrumanian'  => {inherit => ['MacRomanian' => 'A0-BF+D0-DF', 'MacRoman' => 'A0-BF+D0-DF']},
+       'maccroatian'  => {inherit => ['MacRoman' => 'A0']},
+       'maccentraleurroman' => {inherit => ['MacRoman' => '80']},
+       'macicelandic' => {inherit => ['MacRoman' => 'A0-AF+D0-EF']},
+       'macturkish'   => {inherit => ['MacRoman' => 'D0-DF']}, # F5 is unassigned
+       'macsami'      => {inherit => ['MacIcelandic' => '90-BF+D0-DF+F0', 'MacRoman' => '90']},
+       'macgreek'     => {inherit => ['MacRoman' => '80']},
+       'maccyrillic'  => {inherit => ['MacRoman' => '80']},
+       'machebrew'    => {
+               inherit => ['iso-8859-8' => '80', 'MacRoman' => '80-8F+A0'], # ignore partial ascii
+               replace => {
+                       # strip private use characters for unneeded roundtrip
+                       0xDE => chr(0x5C7), # qamats qatan
+                       0xC0 => 'לֹ', # lamed holam
+                       #TODO: private use for canoral codes (obsolete nikud positioning)
+               },
+       },
+       'macarabic'    => {inherit => ['iso-8859-6' => '80', 'cp864' => '80', 'MacRoman' => '80']}, #TODO: multiple parents
+       'macfarsi'     => {inherit => ['MacArabic' => 'B0-BF', 'MacRoman' => '80']},
+
+       'cp37'         => {inherit => ['posix-bc' => '00']},
+       'posix-bc'     => {inherit => ['cp1047' => '40']},
+       'cp500'        => {inherit => ['cp37' => '40-5F+B0-BF']},
+       'cp1047'       => {inherit => ['cp37' => '10-2F+50-5F+A0-BF']},
+       'cp1026'       => {inherit => ['cp37' => '40']},
+       'cp875'        => {inherit => ['cp37' => '30']},
+
+       ''             => {setup => sub {
+               my $row = shift;
+               $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;
+               }
+
+               return $row;
+       }},
+       u              => {setup => sub {
+               my $row = shift;
+               $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'
+               );
+               return $row;
+       }},
+       uu             => {setup => sub {
+               my $row = shift;
+               $row->{cell} = do 'charset-ucplanes.inc.pl'
+                       or Alert('Table data could not be read', $@ || $!);
+               $row->{endpoint} ||= 0x3FF;
+               $row->{set} = 'Unicode planes';
+               return $row;
+       }},
+       utf8           => {setup => sub {
+               my $row = shift;
+               $row->{set} = 'UTF-8';
+               $row->{cell} = do 'charset-utf8.inc.pl'
+                       or Alert('Table data could not be read', $@ || $!);
+               return $row;
+       }},
+       'utf-8'        => 'utf8',
 };