"""Provides `romanize()` for romanizing simple Japanese text."""
_roomaji_kana = {
+ # Hiragana
+ u'あ': 'a', u'い': 'i', u'う': 'u', u'え': 'e', u'お': 'o',
+ u'か': 'ka', u'き': 'ki', u'く': 'ku', u'け': 'ke', u'こ': 'ko',
+ u'さ': 'sa', u'し': 'shi', u'す': 'su', u'せ': 'se', u'そ': 'so',
+ u'た': 'ta', u'ち': 'chi', u'つ': 'tsu', u'て': 'te', u'と': 'to',
+ u'な': 'na', u'に': 'ni', u'ぬ': 'nu', u'ね': 'ne', u'の': 'no',
+ u'は': 'ha', u'ひ': 'hi', u'ふ': 'fu', u'へ': 'he', u'ほ': 'ho',
+ u'ま': 'ma', u'み': 'mi', u'む': 'mu', u'め': 'me', u'も': 'mo',
+ u'や': 'ya', u'ゆ': 'yu', u'よ': 'yo',
+ u'ら': 'ra', u'り': 'ri', u'る': 'ru', u'れ': 're', u'ろ': 'ro',
+ u'わ': 'wa', u'ゐ': 'wi', u'ゑ': 'we', u'を': 'wo',
+ u'ん': 'n',
+ u'が': 'ga', u'ぎ': 'gi', u'ぐ': 'gu', u'げ': 'ge', u'ご': 'go',
+ u'ざ': 'za', u'じ': 'ji', u'ず': 'zu', u'ぜ': 'ze', u'ぞ': 'zo',
+ u'だ': 'da', u'ぢ': 'ji', u'づ': 'dzu', u'で': 'de', u'ど': 'do',
+ u'ば': 'ba', u'び': 'bi', u'ぶ': 'bu', u'べ': 'be', u'ぼ': 'bo',
+ u'ぱ': 'pa', u'ぴ': 'pi', u'ぷ': 'pu', u'ぺ': 'pe', u'ぽ': 'po',
+
+ # Katakana
u'ア': 'a', u'イ': 'i', u'ウ': 'u', u'エ': 'e', u'オ': 'o',
u'カ': 'ka', u'キ': 'ki', u'ク': 'ku', u'ケ': 'ke', u'コ': 'ko',
u'サ': 'sa', u'シ': 'shi', u'ス': 'su', u'セ': 'se', u'ソ': 'so',
u'ダ': 'da', u'ヂ': 'ji', u'ヅ': 'dzu', u'デ': 'de', u'ド': 'do',
u'バ': 'ba', u'ビ': 'bi', u'ブ': 'bu', u'ベ': 'be', u'ボ': 'bo',
u'パ': 'pa', u'ピ': 'pi', u'プ': 'pu', u'ペ': 'pe', u'ポ': 'po',
+ u'ヴ': 'vu',
}
_roomaji_youon = {
+ # Hiragana
+ u'ゃ': 'ya', u'ゅ': 'yu', u'ょ': 'yo',
+
+ # Katakana
u'ャ': 'ya', u'ュ': 'yu', u'ョ': 'yo',
- #u'ゃ': 'ya', u'ゅ': 'yu', u'ょ': 'yo',
}
# XXX If romanize() ever handles hiragana, it will need to make sure that the
u'ァ': 'a', u'ィ': 'i', u'ゥ': 'u', u'ェ': 'e', u'ォ': 'o',
}
_roomaji_small_kana_combos = {
+ # These are, by the way, fairly arbitrary. "shi xi" to mean "sy" is
+ # particularly weird, but it seems to be what GF intends
+
+ # Simple vowel replacement
+ u'ウィ': 'wi', u'ウゥ': 'wu', u'ウェ': 'we', u'ウォ': 'wo',
+ u'ヴァ': 'va', u'ヴィ': 'vi', u'ヴェ': 've', u'ヴォ': 'vo',
u'チェ': 'che',
u'シェ': 'she',
+ u'ジェ': 'je',
u'テァ': 'tha', u'ティ': 'ti', u'テゥ': 'thu', u'テェ': 'tye', u'テォ': 'tho',
u'デァ': 'dha', u'ディ': 'di', u'デゥ': 'dhu', u'デェ': 'dye', u'デォ': 'dho',
u'ファ': 'fa', u'フィ': 'fi', u'ホゥ': 'hu', u'フェ': 'fe', u'フォ': 'fo',
+
+ # Not so much
+ u'シィ': 'sy',
+ u'ミィ': 'my',
+ u'ビィ': 'by',
+ u'ピィ': 'py',
}
def romanize(string):
last_char = None # Used for small kana combos
for char in string:
# Full-width Latin
- if ord(char) >= 0xff11 and ord(char) <= 0xff5e:
+ if 0xff01 <= ord(char) <= 0xff5e:
if last_kana == 'sokuon':
raise ValueError("Sokuon cannot precede Latin characters.")
- char = chr(ord(char) - 0xff11 + 0x31)
+ # XXX Real Unicode decomposition would be nicer
+ char = chr(ord(char) - 0xff01 + 0x21)
characters.append(char)
last_kana = None
# lot, e.g. ピィ is "pii"
characters.append(_roomaji_small_kana[char])
+ last_kana = _roomaji_small_kana[char]
+
# Youon
elif char in _roomaji_youon:
if not last_kana or last_kana[-1] != 'i' or last_kana == 'i':
last_kana = new_char
# Sokuon
- #elif char in (u'っ', u'ッ'):
- elif char in (u'ッ',):
+ elif char in (u'っ', u'ッ'):
# Remember it and double the consonant next time around
last_kana = 'sokuon'
projects / zzz-pokedex.git / blobdiff