fix NACO normalization of four letter modifier characters
authorgmc <gmc@dcc99617-32d9-48b4-a31d-7c20da2025e4>
Tue, 26 Oct 2010 19:35:38 +0000 (19:35 +0000)
committergmc <gmc@dcc99617-32d9-48b4-a31d-7c20da2025e4>
Tue, 26 Oct 2010 19:35:38 +0000 (19:35 +0000)
Signed-off-by: Galen Charlton <gmc@esilibrary.com>
git-svn-id: svn://svn.open-ils.org/ILS/trunk@18476 dcc99617-32d9-48b4-a31d-7c20da2025e4

Open-ILS/src/sql/Pg/002.schema.config.sql
Open-ILS/src/sql/Pg/020.schema.functions.sql
Open-ILS/src/sql/Pg/1.6.1-2.0-upgrade-db.sql
Open-ILS/src/sql/Pg/upgrade/0446.schema.naco-normalize-modifiers.sql [new file with mode: 0644]

index 9e2a712..5d339fb 100644 (file)
@@ -70,7 +70,7 @@ CREATE TABLE config.upgrade_log (
     install_date    TIMESTAMP WITH TIME ZONE NOT NULL DEFAULT NOW()
 );
 
-INSERT INTO config.upgrade_log (version) VALUES ('0445'); -- miker
+INSERT INTO config.upgrade_log (version) VALUES ('0446'); -- gmc
 
 CREATE TABLE config.bib_source (
        id              SERIAL  PRIMARY KEY,
index 3ca05db..dc3bf2e 100644 (file)
@@ -45,6 +45,12 @@ CREATE OR REPLACE FUNCTION public.naco_normalize( TEXT, TEXT ) RETURNS TEXT AS $
        $txt = NFD($txt);
        $txt =~ s/\pM+//go;     # Remove diacritics
 
+       # remove non-combining diacritics
+       # this list of characters follows the NACO normalization spec,
+       # but a looser but more comprehensive version might be
+       # $txt =~ s/\pLm+//go;
+       $txt =~ tr/\x{02B9}\x{02BA}\x{02BB}\x{02BC}//d;
+
        $txt =~ s/\xE6/AE/go;   # Convert ae digraph
        $txt =~ s/\x{153}/OE/go;# Convert oe digraph
        $txt =~ s/\xFE/TH/go;   # Convert Icelandic thorn
index 7cacfe6..007ebe9 100644 (file)
@@ -6911,7 +6911,13 @@ CREATE OR REPLACE FUNCTION public.naco_normalize( TEXT, TEXT ) RETURNS TEXT AS $
     my $sf = shift;
 
     $txt = NFD($txt);
-    $txt =~ s/\pM+//go;     # Remove diacritics
+    $txt =~ s/\pM+//go; # Remove diacritics
+
+    # remove non-combining diacritics
+    # this list of characters follows the NACO normalization spec,
+    # but a looser but more comprehensive version might be
+    # $txt =~ s/\pLm+//go;
+    $txt =~ tr/\x{02B9}\x{02BA}\x{02BB}\x{02BC}//d;
 
     $txt =~ s/\xE6/AE/go;   # Convert ae digraph
     $txt =~ s/\x{153}/OE/go;# Convert oe digraph
@@ -6920,8 +6926,8 @@ CREATE OR REPLACE FUNCTION public.naco_normalize( TEXT, TEXT ) RETURNS TEXT AS $
     $txt =~ tr/\x{2070}\x{2071}\x{2072}\x{2073}\x{2074}\x{2075}\x{2076}\x{2077}\x{2078}\x{2079}\x{207A}\x{207B}/0123456789+-/;# Convert superscript numbers
     $txt =~ tr/\x{2080}\x{2081}\x{2082}\x{2083}\x{2084}\x{2085}\x{2086}\x{2087}\x{2088}\x{2089}\x{208A}\x{208B}/0123456889+-/;# Convert subscript numbers
 
-    $txt =~ tr/\x{0251}\x{03B1}\x{03B2}\x{0262}\x{03B3}/AABGG/;         # Convert Latin and Greek
-    $txt =~ tr/\x{2113}\xF0\x{111}\!\"\(\)\-\{\}\<\>\;\:\.\?\xA1\xBF\/\\\@\*\%\=\xB1\+\xAE\xA9\x{2117}\$\xA3\x{FFE1}\xB0\^\_\~\`/LDD /;     # Convert Misc
+    $txt =~ tr/\x{0251}\x{03B1}\x{03B2}\x{0262}\x{03B3}/AABGG/;     # Convert Latin and Greek
+    $txt =~ tr/\x{2113}\xF0\x{111}\!\"\(\)\-\{\}\<\>\;\:\.\?\xA1\xBF\/\\\@\*\%\=\xB1\+\xAE\xA9\x{2117}\$\xA3\x{FFE1}\xB0\^\_\~\`/LDD /; # Convert Misc
     $txt =~ tr/\'\[\]\|//d;                         # Remove Misc
 
     if ($sf && $sf =~ /^a/o) {
@@ -6939,9 +6945,9 @@ CREATE OR REPLACE FUNCTION public.naco_normalize( TEXT, TEXT ) RETURNS TEXT AS $
         $txt =~ s/,/ /go;
     }
 
-    $txt =~ s/\s+/ /go;     # Compress multiple spaces
-    $txt =~ s/^\s+//o;      # Remove leading space
-    $txt =~ s/\s+$//o;      # Remove trailing space
+    $txt =~ s/\s+/ /go; # Compress multiple spaces
+    $txt =~ s/^\s+//o;  # Remove leading space
+    $txt =~ s/\s+$//o;  # Remove trailing space
 
     # Encoding the outgoing string is good practice, but not strictly
     # necessary in this case because we've stripped everything from it
diff --git a/Open-ILS/src/sql/Pg/upgrade/0446.schema.naco-normalize-modifiers.sql b/Open-ILS/src/sql/Pg/upgrade/0446.schema.naco-normalize-modifiers.sql
new file mode 100644 (file)
index 0000000..2e137ff
--- /dev/null
@@ -0,0 +1,58 @@
+BEGIN;
+
+INSERT INTO config.upgrade_log (version) VALUES ('0446'); -- gmc
+
+CREATE OR REPLACE FUNCTION public.naco_normalize( TEXT, TEXT ) RETURNS TEXT AS $func$
+       use Unicode::Normalize;
+       use Encode;
+
+       # When working with Unicode data, the first step is to decode it to
+       # a byte string; after that, lowercasing is safe
+       my $txt = lc(decode_utf8(shift));
+       my $sf = shift;
+
+       $txt = NFD($txt);
+       $txt =~ s/\pM+//go;     # Remove diacritics
+
+       # remove non-combining diacritics
+       # this list of characters follows the NACO normalization spec,
+       # but a looser but more comprehensive version might be
+       # $txt =~ s/\pLm+//go;
+       $txt =~ tr/\x{02B9}\x{02BA}\x{02BB}\x{02BC}//d;
+
+       $txt =~ s/\xE6/AE/go;   # Convert ae digraph
+       $txt =~ s/\x{153}/OE/go;# Convert oe digraph
+       $txt =~ s/\xFE/TH/go;   # Convert Icelandic thorn
+
+       $txt =~ tr/\x{2070}\x{2071}\x{2072}\x{2073}\x{2074}\x{2075}\x{2076}\x{2077}\x{2078}\x{2079}\x{207A}\x{207B}/0123456789+-/;# Convert superscript numbers
+       $txt =~ tr/\x{2080}\x{2081}\x{2082}\x{2083}\x{2084}\x{2085}\x{2086}\x{2087}\x{2088}\x{2089}\x{208A}\x{208B}/0123456889+-/;# Convert subscript numbers
+
+       $txt =~ tr/\x{0251}\x{03B1}\x{03B2}\x{0262}\x{03B3}/AABGG/;             # Convert Latin and Greek
+       $txt =~ tr/\x{2113}\xF0\x{111}\!\"\(\)\-\{\}\<\>\;\:\.\?\xA1\xBF\/\\\@\*\%\=\xB1\+\xAE\xA9\x{2117}\$\xA3\x{FFE1}\xB0\^\_\~\`/LDD /;     # Convert Misc
+       $txt =~ tr/\'\[\]\|//d;                                                 # Remove Misc
+
+       if ($sf && $sf =~ /^a/o) {
+               my $commapos = index($txt,',');
+               if ($commapos > -1) {
+                       if ($commapos != length($txt) - 1) {
+                               my @list = split /,/, $txt;
+                               my $first = shift @list;
+                               $txt = $first . ',' . join(' ', @list);
+                       } else {
+                               $txt =~ s/,/ /go;
+                       }
+               }
+       } else {
+               $txt =~ s/,/ /go;
+       }
+
+       $txt =~ s/\s+/ /go;     # Compress multiple spaces
+       $txt =~ s/^\s+//o;      # Remove leading space
+       $txt =~ s/\s+$//o;      # Remove trailing space
+
+       # Encoding the outgoing string is good practice, but not strictly
+       # necessary in this case because we've stripped everything from it
+       return encode_utf8($txt);
+$func$ LANGUAGE 'plperlu' STRICT IMMUTABLE;
+
+END;