d0aa3caa7145b30bdb23b715a0637d96095e08b8
[zzz-pokedex.git] / pokedex / roomaji.py
1 # encoding: utf8
2 """Provides `romanize()` for romanizing simple Japanese text."""
3
4 _roomaji_kana = {
5 # Hiragana
6 u'あ': 'a', u'い': 'i', u'う': 'u', u'え': 'e', u'お': 'o',
7 u'か': 'ka', u'き': 'ki', u'く': 'ku', u'け': 'ke', u'こ': 'ko',
8 u'さ': 'sa', u'し': 'shi', u'す': 'su', u'せ': 'se', u'そ': 'so',
9 u'た': 'ta', u'ち': 'chi', u'つ': 'tsu', u'て': 'te', u'と': 'to',
10 u'な': 'na', u'に': 'ni', u'ぬ': 'nu', u'ね': 'ne', u'の': 'no',
11 u'は': 'ha', u'ひ': 'hi', u'ふ': 'fu', u'へ': 'he', u'ほ': 'ho',
12 u'ま': 'ma', u'み': 'mi', u'む': 'mu', u'め': 'me', u'も': 'mo',
13 u'や': 'ya', u'ゆ': 'yu', u'よ': 'yo',
14 u'ら': 'ra', u'り': 'ri', u'る': 'ru', u'れ': 're', u'ろ': 'ro',
15 u'わ': 'wa', u'ゐ': 'wi', u'ゑ': 'we', u'を': 'wo',
16 u'ん': 'n',
17 u'が': 'ga', u'ぎ': 'gi', u'ぐ': 'gu', u'げ': 'ge', u'ご': 'go',
18 u'ざ': 'za', u'じ': 'ji', u'ず': 'zu', u'ぜ': 'ze', u'ぞ': 'zo',
19 u'だ': 'da', u'ぢ': 'ji', u'づ': 'dzu', u'で': 'de', u'ど': 'do',
20 u'ば': 'ba', u'び': 'bi', u'ぶ': 'bu', u'べ': 'be', u'ぼ': 'bo',
21 u'ぱ': 'pa', u'ぴ': 'pi', u'ぷ': 'pu', u'ぺ': 'pe', u'ぽ': 'po',
22
23 # Katakana
24 u'ア': 'a', u'イ': 'i', u'ウ': 'u', u'エ': 'e', u'オ': 'o',
25 u'カ': 'ka', u'キ': 'ki', u'ク': 'ku', u'ケ': 'ke', u'コ': 'ko',
26 u'サ': 'sa', u'シ': 'shi', u'ス': 'su', u'セ': 'se', u'ソ': 'so',
27 u'タ': 'ta', u'チ': 'chi', u'ツ': 'tsu', u'テ': 'te', u'ト': 'to',
28 u'ナ': 'na', u'ニ': 'ni', u'ヌ': 'nu', u'ネ': 'ne', u'ノ': 'no',
29 u'ハ': 'ha', u'ヒ': 'hi', u'フ': 'fu', u'ヘ': 'he', u'ホ': 'ho',
30 u'マ': 'ma', u'ミ': 'mi', u'ム': 'mu', u'メ': 'me', u'モ': 'mo',
31 u'ヤ': 'ya', u'ユ': 'yu', u'ヨ': 'yo',
32 u'ラ': 'ra', u'リ': 'ri', u'ル': 'ru', u'レ': 're', u'ロ': 'ro',
33 u'ワ': 'wa', u'ヰ': 'wi', u'ヱ': 'we', u'ヲ': 'wo',
34 u'ン': 'n',
35 u'ガ': 'ga', u'ギ': 'gi', u'グ': 'gu', u'ゲ': 'ge', u'ゴ': 'go',
36 u'ザ': 'za', u'ジ': 'ji', u'ズ': 'zu', u'ゼ': 'ze', u'ゾ': 'zo',
37 u'ダ': 'da', u'ヂ': 'ji', u'ヅ': 'dzu', u'デ': 'de', u'ド': 'do',
38 u'バ': 'ba', u'ビ': 'bi', u'ブ': 'bu', u'ベ': 'be', u'ボ': 'bo',
39 u'パ': 'pa', u'ピ': 'pi', u'プ': 'pu', u'ペ': 'pe', u'ポ': 'po',
40 }
41
42 _roomaji_youon = {
43 # Hiragana
44 u'ゃ': 'ya', u'ゅ': 'yu', u'ょ': 'yo',
45
46 # Katakana
47 u'ャ': 'ya', u'ュ': 'yu', u'ョ': 'yo',
48 }
49
50 # XXX If romanize() ever handles hiragana, it will need to make sure that the
51 # preceding character was a katakana
52 # This does not include every small kana combination, but should include every
53 # one used in a Pokémon name. An exhaustive list would be.. very long
54 _roomaji_small_kana = {
55 u'ァ': 'a', u'ィ': 'i', u'ゥ': 'u', u'ェ': 'e', u'ォ': 'o',
56 }
57 _roomaji_small_kana_combos = {
58 u'ウィ': 'wi',
59 u'チェ': 'che',
60 u'シェ': 'she',
61 u'テァ': 'tha', u'ティ': 'ti', u'テゥ': 'thu', u'テェ': 'tye', u'テォ': 'tho',
62 u'デァ': 'dha', u'ディ': 'di', u'デゥ': 'dhu', u'デェ': 'dye', u'デォ': 'dho',
63 u'ファ': 'fa', u'フィ': 'fi', u'ホゥ': 'hu', u'フェ': 'fe', u'フォ': 'fo',
64 }
65
66 def romanize(string):
67 """Converts a string of kana to roomaji."""
68
69 vowels = ['a', 'e', 'i', 'o', 'u', 'y']
70
71 characters = []
72 last_kana = None # Used for ー; っ or ッ; ん or ン
73 last_char = None # Used for small kana combos
74 for char in string:
75 # Full-width Latin
76 if ord(char) >= 0xff11 and ord(char) <= 0xff5e:
77 if last_kana == 'sokuon':
78 raise ValueError("Sokuon cannot precede Latin characters.")
79
80 char = chr(ord(char) - 0xff11 + 0x31)
81 characters.append(char)
82
83 last_kana = None
84
85 # Small vowel kana
86 elif char in _roomaji_small_kana:
87 combo = last_char + char
88 if combo in _roomaji_small_kana_combos:
89 characters[-1] = _roomaji_small_kana_combos[combo]
90
91 else:
92 # If we don't know what it is... act dumb and treat it as a
93 # full-size vowel. Better than bailing, and seems to occur a
94 # lot, e.g. ピィ is "pii"
95 characters.append(_roomaji_small_kana[char])
96
97 last_kana = _roomaji_small_kana[char]
98
99 # Youon
100 elif char in _roomaji_youon:
101 if not last_kana or last_kana[-1] != 'i' or last_kana == 'i':
102 raise ValueError("Youon must follow an -i sound.")
103
104 # Drop the -i and append the ya/yu/yo sound
105 new_sound = _roomaji_youon[char]
106 if last_kana in ['chi', 'shi', 'ji']:
107 # Strip the y-
108 new_char = last_kana[:-1] + new_sound[1:]
109 else:
110 new_char = last_kana[:-1] + new_sound
111
112 characters[-1] = new_char
113 last_kana = new_char
114
115 # Sokuon
116 #elif char in (u'っ', u'ッ'):
117 elif char in (u'ッ',):
118 # Remember it and double the consonant next time around
119 last_kana = 'sokuon'
120
121 # Extended vowel or n
122 elif char == u'ー':
123 if last_kana[-1] not in vowels:
124 raise ValueError(u"'ー' must follow by a vowel.")
125 characters.append(last_kana[-1])
126
127 last_kana = None
128
129 # Regular ol' kana
130 elif char in _roomaji_kana:
131 kana = _roomaji_kana[char]
132
133 if last_kana == 'sokuon':
134 if kana[0] in vowels:
135 raise ValueError("Sokuon cannot precede a vowel.")
136
137 characters.append(kana[0])
138 elif last_kana == 'n' and kana[0] in vowels:
139 characters.append("'")
140
141 characters.append(kana)
142
143 last_kana = kana
144
145 # Not Japanese?
146 else:
147 if last_kana == 'sokuon':
148 raise ValueError("Sokuon must be followed by another kana.")
149
150 characters.append(char)
151
152 last_kana = None
153
154 last_char = char
155
156
157 if last_kana == 'sokuon':
158 raise ValueError("Sokuon cannot be the last character.")
159
160 return unicode(''.join(characters))