1996 lines
40 KiB
Python
1996 lines
40 KiB
Python
|
# -*- coding: utf-8 -*-
|
|||
|
from codecs import BOM_UTF8, BOM_UTF16_BE, BOM_UTF16_LE, BOM_UTF32_BE, BOM_UTF32_LE
|
|||
|
from encodings.aliases import aliases
|
|||
|
from re import IGNORECASE, compile as re_compile
|
|||
|
from typing import Dict, List, Set, Union
|
|||
|
|
|||
|
# Contain for each eligible encoding a list of/item bytes SIG/BOM
|
|||
|
ENCODING_MARKS: Dict[str, Union[bytes, List[bytes]]] = {
|
|||
|
"utf_8": BOM_UTF8,
|
|||
|
"utf_7": [
|
|||
|
b"\x2b\x2f\x76\x38",
|
|||
|
b"\x2b\x2f\x76\x39",
|
|||
|
b"\x2b\x2f\x76\x2b",
|
|||
|
b"\x2b\x2f\x76\x2f",
|
|||
|
b"\x2b\x2f\x76\x38\x2d",
|
|||
|
],
|
|||
|
"gb18030": b"\x84\x31\x95\x33",
|
|||
|
"utf_32": [BOM_UTF32_BE, BOM_UTF32_LE],
|
|||
|
"utf_16": [BOM_UTF16_BE, BOM_UTF16_LE],
|
|||
|
}
|
|||
|
|
|||
|
TOO_SMALL_SEQUENCE: int = 32
|
|||
|
TOO_BIG_SEQUENCE: int = int(10e6)
|
|||
|
|
|||
|
UTF8_MAXIMAL_ALLOCATION: int = 1_112_064
|
|||
|
|
|||
|
# Up-to-date Unicode ucd/15.0.0
|
|||
|
UNICODE_RANGES_COMBINED: Dict[str, range] = {
|
|||
|
"Control character": range(32),
|
|||
|
"Basic Latin": range(32, 128),
|
|||
|
"Latin-1 Supplement": range(128, 256),
|
|||
|
"Latin Extended-A": range(256, 384),
|
|||
|
"Latin Extended-B": range(384, 592),
|
|||
|
"IPA Extensions": range(592, 688),
|
|||
|
"Spacing Modifier Letters": range(688, 768),
|
|||
|
"Combining Diacritical Marks": range(768, 880),
|
|||
|
"Greek and Coptic": range(880, 1024),
|
|||
|
"Cyrillic": range(1024, 1280),
|
|||
|
"Cyrillic Supplement": range(1280, 1328),
|
|||
|
"Armenian": range(1328, 1424),
|
|||
|
"Hebrew": range(1424, 1536),
|
|||
|
"Arabic": range(1536, 1792),
|
|||
|
"Syriac": range(1792, 1872),
|
|||
|
"Arabic Supplement": range(1872, 1920),
|
|||
|
"Thaana": range(1920, 1984),
|
|||
|
"NKo": range(1984, 2048),
|
|||
|
"Samaritan": range(2048, 2112),
|
|||
|
"Mandaic": range(2112, 2144),
|
|||
|
"Syriac Supplement": range(2144, 2160),
|
|||
|
"Arabic Extended-B": range(2160, 2208),
|
|||
|
"Arabic Extended-A": range(2208, 2304),
|
|||
|
"Devanagari": range(2304, 2432),
|
|||
|
"Bengali": range(2432, 2560),
|
|||
|
"Gurmukhi": range(2560, 2688),
|
|||
|
"Gujarati": range(2688, 2816),
|
|||
|
"Oriya": range(2816, 2944),
|
|||
|
"Tamil": range(2944, 3072),
|
|||
|
"Telugu": range(3072, 3200),
|
|||
|
"Kannada": range(3200, 3328),
|
|||
|
"Malayalam": range(3328, 3456),
|
|||
|
"Sinhala": range(3456, 3584),
|
|||
|
"Thai": range(3584, 3712),
|
|||
|
"Lao": range(3712, 3840),
|
|||
|
"Tibetan": range(3840, 4096),
|
|||
|
"Myanmar": range(4096, 4256),
|
|||
|
"Georgian": range(4256, 4352),
|
|||
|
"Hangul Jamo": range(4352, 4608),
|
|||
|
"Ethiopic": range(4608, 4992),
|
|||
|
"Ethiopic Supplement": range(4992, 5024),
|
|||
|
"Cherokee": range(5024, 5120),
|
|||
|
"Unified Canadian Aboriginal Syllabics": range(5120, 5760),
|
|||
|
"Ogham": range(5760, 5792),
|
|||
|
"Runic": range(5792, 5888),
|
|||
|
"Tagalog": range(5888, 5920),
|
|||
|
"Hanunoo": range(5920, 5952),
|
|||
|
"Buhid": range(5952, 5984),
|
|||
|
"Tagbanwa": range(5984, 6016),
|
|||
|
"Khmer": range(6016, 6144),
|
|||
|
"Mongolian": range(6144, 6320),
|
|||
|
"Unified Canadian Aboriginal Syllabics Extended": range(6320, 6400),
|
|||
|
"Limbu": range(6400, 6480),
|
|||
|
"Tai Le": range(6480, 6528),
|
|||
|
"New Tai Lue": range(6528, 6624),
|
|||
|
"Khmer Symbols": range(6624, 6656),
|
|||
|
"Buginese": range(6656, 6688),
|
|||
|
"Tai Tham": range(6688, 6832),
|
|||
|
"Combining Diacritical Marks Extended": range(6832, 6912),
|
|||
|
"Balinese": range(6912, 7040),
|
|||
|
"Sundanese": range(7040, 7104),
|
|||
|
"Batak": range(7104, 7168),
|
|||
|
"Lepcha": range(7168, 7248),
|
|||
|
"Ol Chiki": range(7248, 7296),
|
|||
|
"Cyrillic Extended-C": range(7296, 7312),
|
|||
|
"Georgian Extended": range(7312, 7360),
|
|||
|
"Sundanese Supplement": range(7360, 7376),
|
|||
|
"Vedic Extensions": range(7376, 7424),
|
|||
|
"Phonetic Extensions": range(7424, 7552),
|
|||
|
"Phonetic Extensions Supplement": range(7552, 7616),
|
|||
|
"Combining Diacritical Marks Supplement": range(7616, 7680),
|
|||
|
"Latin Extended Additional": range(7680, 7936),
|
|||
|
"Greek Extended": range(7936, 8192),
|
|||
|
"General Punctuation": range(8192, 8304),
|
|||
|
"Superscripts and Subscripts": range(8304, 8352),
|
|||
|
"Currency Symbols": range(8352, 8400),
|
|||
|
"Combining Diacritical Marks for Symbols": range(8400, 8448),
|
|||
|
"Letterlike Symbols": range(8448, 8528),
|
|||
|
"Number Forms": range(8528, 8592),
|
|||
|
"Arrows": range(8592, 8704),
|
|||
|
"Mathematical Operators": range(8704, 8960),
|
|||
|
"Miscellaneous Technical": range(8960, 9216),
|
|||
|
"Control Pictures": range(9216, 9280),
|
|||
|
"Optical Character Recognition": range(9280, 9312),
|
|||
|
"Enclosed Alphanumerics": range(9312, 9472),
|
|||
|
"Box Drawing": range(9472, 9600),
|
|||
|
"Block Elements": range(9600, 9632),
|
|||
|
"Geometric Shapes": range(9632, 9728),
|
|||
|
"Miscellaneous Symbols": range(9728, 9984),
|
|||
|
"Dingbats": range(9984, 10176),
|
|||
|
"Miscellaneous Mathematical Symbols-A": range(10176, 10224),
|
|||
|
"Supplemental Arrows-A": range(10224, 10240),
|
|||
|
"Braille Patterns": range(10240, 10496),
|
|||
|
"Supplemental Arrows-B": range(10496, 10624),
|
|||
|
"Miscellaneous Mathematical Symbols-B": range(10624, 10752),
|
|||
|
"Supplemental Mathematical Operators": range(10752, 11008),
|
|||
|
"Miscellaneous Symbols and Arrows": range(11008, 11264),
|
|||
|
"Glagolitic": range(11264, 11360),
|
|||
|
"Latin Extended-C": range(11360, 11392),
|
|||
|
"Coptic": range(11392, 11520),
|
|||
|
"Georgian Supplement": range(11520, 11568),
|
|||
|
"Tifinagh": range(11568, 11648),
|
|||
|
"Ethiopic Extended": range(11648, 11744),
|
|||
|
"Cyrillic Extended-A": range(11744, 11776),
|
|||
|
"Supplemental Punctuation": range(11776, 11904),
|
|||
|
"CJK Radicals Supplement": range(11904, 12032),
|
|||
|
"Kangxi Radicals": range(12032, 12256),
|
|||
|
"Ideographic Description Characters": range(12272, 12288),
|
|||
|
"CJK Symbols and Punctuation": range(12288, 12352),
|
|||
|
"Hiragana": range(12352, 12448),
|
|||
|
"Katakana": range(12448, 12544),
|
|||
|
"Bopomofo": range(12544, 12592),
|
|||
|
"Hangul Compatibility Jamo": range(12592, 12688),
|
|||
|
"Kanbun": range(12688, 12704),
|
|||
|
"Bopomofo Extended": range(12704, 12736),
|
|||
|
"CJK Strokes": range(12736, 12784),
|
|||
|
"Katakana Phonetic Extensions": range(12784, 12800),
|
|||
|
"Enclosed CJK Letters and Months": range(12800, 13056),
|
|||
|
"CJK Compatibility": range(13056, 13312),
|
|||
|
"CJK Unified Ideographs Extension A": range(13312, 19904),
|
|||
|
"Yijing Hexagram Symbols": range(19904, 19968),
|
|||
|
"CJK Unified Ideographs": range(19968, 40960),
|
|||
|
"Yi Syllables": range(40960, 42128),
|
|||
|
"Yi Radicals": range(42128, 42192),
|
|||
|
"Lisu": range(42192, 42240),
|
|||
|
"Vai": range(42240, 42560),
|
|||
|
"Cyrillic Extended-B": range(42560, 42656),
|
|||
|
"Bamum": range(42656, 42752),
|
|||
|
"Modifier Tone Letters": range(42752, 42784),
|
|||
|
"Latin Extended-D": range(42784, 43008),
|
|||
|
"Syloti Nagri": range(43008, 43056),
|
|||
|
"Common Indic Number Forms": range(43056, 43072),
|
|||
|
"Phags-pa": range(43072, 43136),
|
|||
|
"Saurashtra": range(43136, 43232),
|
|||
|
"Devanagari Extended": range(43232, 43264),
|
|||
|
"Kayah Li": range(43264, 43312),
|
|||
|
"Rejang": range(43312, 43360),
|
|||
|
"Hangul Jamo Extended-A": range(43360, 43392),
|
|||
|
"Javanese": range(43392, 43488),
|
|||
|
"Myanmar Extended-B": range(43488, 43520),
|
|||
|
"Cham": range(43520, 43616),
|
|||
|
"Myanmar Extended-A": range(43616, 43648),
|
|||
|
"Tai Viet": range(43648, 43744),
|
|||
|
"Meetei Mayek Extensions": range(43744, 43776),
|
|||
|
"Ethiopic Extended-A": range(43776, 43824),
|
|||
|
"Latin Extended-E": range(43824, 43888),
|
|||
|
"Cherokee Supplement": range(43888, 43968),
|
|||
|
"Meetei Mayek": range(43968, 44032),
|
|||
|
"Hangul Syllables": range(44032, 55216),
|
|||
|
"Hangul Jamo Extended-B": range(55216, 55296),
|
|||
|
"High Surrogates": range(55296, 56192),
|
|||
|
"High Private Use Surrogates": range(56192, 56320),
|
|||
|
"Low Surrogates": range(56320, 57344),
|
|||
|
"Private Use Area": range(57344, 63744),
|
|||
|
"CJK Compatibility Ideographs": range(63744, 64256),
|
|||
|
"Alphabetic Presentation Forms": range(64256, 64336),
|
|||
|
"Arabic Presentation Forms-A": range(64336, 65024),
|
|||
|
"Variation Selectors": range(65024, 65040),
|
|||
|
"Vertical Forms": range(65040, 65056),
|
|||
|
"Combining Half Marks": range(65056, 65072),
|
|||
|
"CJK Compatibility Forms": range(65072, 65104),
|
|||
|
"Small Form Variants": range(65104, 65136),
|
|||
|
"Arabic Presentation Forms-B": range(65136, 65280),
|
|||
|
"Halfwidth and Fullwidth Forms": range(65280, 65520),
|
|||
|
"Specials": range(65520, 65536),
|
|||
|
"Linear B Syllabary": range(65536, 65664),
|
|||
|
"Linear B Ideograms": range(65664, 65792),
|
|||
|
"Aegean Numbers": range(65792, 65856),
|
|||
|
"Ancient Greek Numbers": range(65856, 65936),
|
|||
|
"Ancient Symbols": range(65936, 66000),
|
|||
|
"Phaistos Disc": range(66000, 66048),
|
|||
|
"Lycian": range(66176, 66208),
|
|||
|
"Carian": range(66208, 66272),
|
|||
|
"Coptic Epact Numbers": range(66272, 66304),
|
|||
|
"Old Italic": range(66304, 66352),
|
|||
|
"Gothic": range(66352, 66384),
|
|||
|
"Old Permic": range(66384, 66432),
|
|||
|
"Ugaritic": range(66432, 66464),
|
|||
|
"Old Persian": range(66464, 66528),
|
|||
|
"Deseret": range(66560, 66640),
|
|||
|
"Shavian": range(66640, 66688),
|
|||
|
"Osmanya": range(66688, 66736),
|
|||
|
"Osage": range(66736, 66816),
|
|||
|
"Elbasan": range(66816, 66864),
|
|||
|
"Caucasian Albanian": range(66864, 66928),
|
|||
|
"Vithkuqi": range(66928, 67008),
|
|||
|
"Linear A": range(67072, 67456),
|
|||
|
"Latin Extended-F": range(67456, 67520),
|
|||
|
"Cypriot Syllabary": range(67584, 67648),
|
|||
|
"Imperial Aramaic": range(67648, 67680),
|
|||
|
"Palmyrene": range(67680, 67712),
|
|||
|
"Nabataean": range(67712, 67760),
|
|||
|
"Hatran": range(67808, 67840),
|
|||
|
"Phoenician": range(67840, 67872),
|
|||
|
"Lydian": range(67872, 67904),
|
|||
|
"Meroitic Hieroglyphs": range(67968, 68000),
|
|||
|
"Meroitic Cursive": range(68000, 68096),
|
|||
|
"Kharoshthi": range(68096, 68192),
|
|||
|
"Old South Arabian": range(68192, 68224),
|
|||
|
"Old North Arabian": range(68224, 68256),
|
|||
|
"Manichaean": range(68288, 68352),
|
|||
|
"Avestan": range(68352, 68416),
|
|||
|
"Inscriptional Parthian": range(68416, 68448),
|
|||
|
"Inscriptional Pahlavi": range(68448, 68480),
|
|||
|
"Psalter Pahlavi": range(68480, 68528),
|
|||
|
"Old Turkic": range(68608, 68688),
|
|||
|
"Old Hungarian": range(68736, 68864),
|
|||
|
"Hanifi Rohingya": range(68864, 68928),
|
|||
|
"Rumi Numeral Symbols": range(69216, 69248),
|
|||
|
"Yezidi": range(69248, 69312),
|
|||
|
"Arabic Extended-C": range(69312, 69376),
|
|||
|
"Old Sogdian": range(69376, 69424),
|
|||
|
"Sogdian": range(69424, 69488),
|
|||
|
"Old Uyghur": range(69488, 69552),
|
|||
|
"Chorasmian": range(69552, 69600),
|
|||
|
"Elymaic": range(69600, 69632),
|
|||
|
"Brahmi": range(69632, 69760),
|
|||
|
"Kaithi": range(69760, 69840),
|
|||
|
"Sora Sompeng": range(69840, 69888),
|
|||
|
"Chakma": range(69888, 69968),
|
|||
|
"Mahajani": range(69968, 70016),
|
|||
|
"Sharada": range(70016, 70112),
|
|||
|
"Sinhala Archaic Numbers": range(70112, 70144),
|
|||
|
"Khojki": range(70144, 70224),
|
|||
|
"Multani": range(70272, 70320),
|
|||
|
"Khudawadi": range(70320, 70400),
|
|||
|
"Grantha": range(70400, 70528),
|
|||
|
"Newa": range(70656, 70784),
|
|||
|
"Tirhuta": range(70784, 70880),
|
|||
|
"Siddham": range(71040, 71168),
|
|||
|
"Modi": range(71168, 71264),
|
|||
|
"Mongolian Supplement": range(71264, 71296),
|
|||
|
"Takri": range(71296, 71376),
|
|||
|
"Ahom": range(71424, 71504),
|
|||
|
"Dogra": range(71680, 71760),
|
|||
|
"Warang Citi": range(71840, 71936),
|
|||
|
"Dives Akuru": range(71936, 72032),
|
|||
|
"Nandinagari": range(72096, 72192),
|
|||
|
"Zanabazar Square": range(72192, 72272),
|
|||
|
"Soyombo": range(72272, 72368),
|
|||
|
"Unified Canadian Aboriginal Syllabics Extended-A": range(72368, 72384),
|
|||
|
"Pau Cin Hau": range(72384, 72448),
|
|||
|
"Devanagari Extended-A": range(72448, 72544),
|
|||
|
"Bhaiksuki": range(72704, 72816),
|
|||
|
"Marchen": range(72816, 72896),
|
|||
|
"Masaram Gondi": range(72960, 73056),
|
|||
|
"Gunjala Gondi": range(73056, 73136),
|
|||
|
"Makasar": range(73440, 73472),
|
|||
|
"Kawi": range(73472, 73568),
|
|||
|
"Lisu Supplement": range(73648, 73664),
|
|||
|
"Tamil Supplement": range(73664, 73728),
|
|||
|
"Cuneiform": range(73728, 74752),
|
|||
|
"Cuneiform Numbers and Punctuation": range(74752, 74880),
|
|||
|
"Early Dynastic Cuneiform": range(74880, 75088),
|
|||
|
"Cypro-Minoan": range(77712, 77824),
|
|||
|
"Egyptian Hieroglyphs": range(77824, 78896),
|
|||
|
"Egyptian Hieroglyph Format Controls": range(78896, 78944),
|
|||
|
"Anatolian Hieroglyphs": range(82944, 83584),
|
|||
|
"Bamum Supplement": range(92160, 92736),
|
|||
|
"Mro": range(92736, 92784),
|
|||
|
"Tangsa": range(92784, 92880),
|
|||
|
"Bassa Vah": range(92880, 92928),
|
|||
|
"Pahawh Hmong": range(92928, 93072),
|
|||
|
"Medefaidrin": range(93760, 93856),
|
|||
|
"Miao": range(93952, 94112),
|
|||
|
"Ideographic Symbols and Punctuation": range(94176, 94208),
|
|||
|
"Tangut": range(94208, 100352),
|
|||
|
"Tangut Components": range(100352, 101120),
|
|||
|
"Khitan Small Script": range(101120, 101632),
|
|||
|
"Tangut Supplement": range(101632, 101760),
|
|||
|
"Kana Extended-B": range(110576, 110592),
|
|||
|
"Kana Supplement": range(110592, 110848),
|
|||
|
"Kana Extended-A": range(110848, 110896),
|
|||
|
"Small Kana Extension": range(110896, 110960),
|
|||
|
"Nushu": range(110960, 111360),
|
|||
|
"Duployan": range(113664, 113824),
|
|||
|
"Shorthand Format Controls": range(113824, 113840),
|
|||
|
"Znamenny Musical Notation": range(118528, 118736),
|
|||
|
"Byzantine Musical Symbols": range(118784, 119040),
|
|||
|
"Musical Symbols": range(119040, 119296),
|
|||
|
"Ancient Greek Musical Notation": range(119296, 119376),
|
|||
|
"Kaktovik Numerals": range(119488, 119520),
|
|||
|
"Mayan Numerals": range(119520, 119552),
|
|||
|
"Tai Xuan Jing Symbols": range(119552, 119648),
|
|||
|
"Counting Rod Numerals": range(119648, 119680),
|
|||
|
"Mathematical Alphanumeric Symbols": range(119808, 120832),
|
|||
|
"Sutton SignWriting": range(120832, 121520),
|
|||
|
"Latin Extended-G": range(122624, 122880),
|
|||
|
"Glagolitic Supplement": range(122880, 122928),
|
|||
|
"Cyrillic Extended-D": range(122928, 123024),
|
|||
|
"Nyiakeng Puachue Hmong": range(123136, 123216),
|
|||
|
"Toto": range(123536, 123584),
|
|||
|
"Wancho": range(123584, 123648),
|
|||
|
"Nag Mundari": range(124112, 124160),
|
|||
|
"Ethiopic Extended-B": range(124896, 124928),
|
|||
|
"Mende Kikakui": range(124928, 125152),
|
|||
|
"Adlam": range(125184, 125280),
|
|||
|
"Indic Siyaq Numbers": range(126064, 126144),
|
|||
|
"Ottoman Siyaq Numbers": range(126208, 126288),
|
|||
|
"Arabic Mathematical Alphabetic Symbols": range(126464, 126720),
|
|||
|
"Mahjong Tiles": range(126976, 127024),
|
|||
|
"Domino Tiles": range(127024, 127136),
|
|||
|
"Playing Cards": range(127136, 127232),
|
|||
|
"Enclosed Alphanumeric Supplement": range(127232, 127488),
|
|||
|
"Enclosed Ideographic Supplement": range(127488, 127744),
|
|||
|
"Miscellaneous Symbols and Pictographs": range(127744, 128512),
|
|||
|
"Emoticons range(Emoji)": range(128512, 128592),
|
|||
|
"Ornamental Dingbats": range(128592, 128640),
|
|||
|
"Transport and Map Symbols": range(128640, 128768),
|
|||
|
"Alchemical Symbols": range(128768, 128896),
|
|||
|
"Geometric Shapes Extended": range(128896, 129024),
|
|||
|
"Supplemental Arrows-C": range(129024, 129280),
|
|||
|
"Supplemental Symbols and Pictographs": range(129280, 129536),
|
|||
|
"Chess Symbols": range(129536, 129648),
|
|||
|
"Symbols and Pictographs Extended-A": range(129648, 129792),
|
|||
|
"Symbols for Legacy Computing": range(129792, 130048),
|
|||
|
"CJK Unified Ideographs Extension B": range(131072, 173792),
|
|||
|
"CJK Unified Ideographs Extension C": range(173824, 177984),
|
|||
|
"CJK Unified Ideographs Extension D": range(177984, 178208),
|
|||
|
"CJK Unified Ideographs Extension E": range(178208, 183984),
|
|||
|
"CJK Unified Ideographs Extension F": range(183984, 191472),
|
|||
|
"CJK Compatibility Ideographs Supplement": range(194560, 195104),
|
|||
|
"CJK Unified Ideographs Extension G": range(196608, 201552),
|
|||
|
"CJK Unified Ideographs Extension H": range(201552, 205744),
|
|||
|
"Tags": range(917504, 917632),
|
|||
|
"Variation Selectors Supplement": range(917760, 918000),
|
|||
|
"Supplementary Private Use Area-A": range(983040, 1048576),
|
|||
|
"Supplementary Private Use Area-B": range(1048576, 1114112),
|
|||
|
}
|
|||
|
|
|||
|
|
|||
|
UNICODE_SECONDARY_RANGE_KEYWORD: List[str] = [
|
|||
|
"Supplement",
|
|||
|
"Extended",
|
|||
|
"Extensions",
|
|||
|
"Modifier",
|
|||
|
"Marks",
|
|||
|
"Punctuation",
|
|||
|
"Symbols",
|
|||
|
"Forms",
|
|||
|
"Operators",
|
|||
|
"Miscellaneous",
|
|||
|
"Drawing",
|
|||
|
"Block",
|
|||
|
"Shapes",
|
|||
|
"Supplemental",
|
|||
|
"Tags",
|
|||
|
]
|
|||
|
|
|||
|
RE_POSSIBLE_ENCODING_INDICATION = re_compile(
|
|||
|
r"(?:(?:encoding)|(?:charset)|(?:coding))(?:[\:= ]{1,10})(?:[\"\']?)([a-zA-Z0-9\-_]+)(?:[\"\']?)",
|
|||
|
IGNORECASE,
|
|||
|
)
|
|||
|
|
|||
|
IANA_NO_ALIASES = [
|
|||
|
"cp720",
|
|||
|
"cp737",
|
|||
|
"cp856",
|
|||
|
"cp874",
|
|||
|
"cp875",
|
|||
|
"cp1006",
|
|||
|
"koi8_r",
|
|||
|
"koi8_t",
|
|||
|
"koi8_u",
|
|||
|
]
|
|||
|
|
|||
|
IANA_SUPPORTED: List[str] = sorted(
|
|||
|
filter(
|
|||
|
lambda x: x.endswith("_codec") is False
|
|||
|
and x not in {"rot_13", "tactis", "mbcs"},
|
|||
|
list(set(aliases.values())) + IANA_NO_ALIASES,
|
|||
|
)
|
|||
|
)
|
|||
|
|
|||
|
IANA_SUPPORTED_COUNT: int = len(IANA_SUPPORTED)
|
|||
|
|
|||
|
# pre-computed code page that are similar using the function cp_similarity.
|
|||
|
IANA_SUPPORTED_SIMILAR: Dict[str, List[str]] = {
|
|||
|
"cp037": ["cp1026", "cp1140", "cp273", "cp500"],
|
|||
|
"cp1026": ["cp037", "cp1140", "cp273", "cp500"],
|
|||
|
"cp1125": ["cp866"],
|
|||
|
"cp1140": ["cp037", "cp1026", "cp273", "cp500"],
|
|||
|
"cp1250": ["iso8859_2"],
|
|||
|
"cp1251": ["kz1048", "ptcp154"],
|
|||
|
"cp1252": ["iso8859_15", "iso8859_9", "latin_1"],
|
|||
|
"cp1253": ["iso8859_7"],
|
|||
|
"cp1254": ["iso8859_15", "iso8859_9", "latin_1"],
|
|||
|
"cp1257": ["iso8859_13"],
|
|||
|
"cp273": ["cp037", "cp1026", "cp1140", "cp500"],
|
|||
|
"cp437": ["cp850", "cp858", "cp860", "cp861", "cp862", "cp863", "cp865"],
|
|||
|
"cp500": ["cp037", "cp1026", "cp1140", "cp273"],
|
|||
|
"cp850": ["cp437", "cp857", "cp858", "cp865"],
|
|||
|
"cp857": ["cp850", "cp858", "cp865"],
|
|||
|
"cp858": ["cp437", "cp850", "cp857", "cp865"],
|
|||
|
"cp860": ["cp437", "cp861", "cp862", "cp863", "cp865"],
|
|||
|
"cp861": ["cp437", "cp860", "cp862", "cp863", "cp865"],
|
|||
|
"cp862": ["cp437", "cp860", "cp861", "cp863", "cp865"],
|
|||
|
"cp863": ["cp437", "cp860", "cp861", "cp862", "cp865"],
|
|||
|
"cp865": ["cp437", "cp850", "cp857", "cp858", "cp860", "cp861", "cp862", "cp863"],
|
|||
|
"cp866": ["cp1125"],
|
|||
|
"iso8859_10": ["iso8859_14", "iso8859_15", "iso8859_4", "iso8859_9", "latin_1"],
|
|||
|
"iso8859_11": ["tis_620"],
|
|||
|
"iso8859_13": ["cp1257"],
|
|||
|
"iso8859_14": [
|
|||
|
"iso8859_10",
|
|||
|
"iso8859_15",
|
|||
|
"iso8859_16",
|
|||
|
"iso8859_3",
|
|||
|
"iso8859_9",
|
|||
|
"latin_1",
|
|||
|
],
|
|||
|
"iso8859_15": [
|
|||
|
"cp1252",
|
|||
|
"cp1254",
|
|||
|
"iso8859_10",
|
|||
|
"iso8859_14",
|
|||
|
"iso8859_16",
|
|||
|
"iso8859_3",
|
|||
|
"iso8859_9",
|
|||
|
"latin_1",
|
|||
|
],
|
|||
|
"iso8859_16": [
|
|||
|
"iso8859_14",
|
|||
|
"iso8859_15",
|
|||
|
"iso8859_2",
|
|||
|
"iso8859_3",
|
|||
|
"iso8859_9",
|
|||
|
"latin_1",
|
|||
|
],
|
|||
|
"iso8859_2": ["cp1250", "iso8859_16", "iso8859_4"],
|
|||
|
"iso8859_3": ["iso8859_14", "iso8859_15", "iso8859_16", "iso8859_9", "latin_1"],
|
|||
|
"iso8859_4": ["iso8859_10", "iso8859_2", "iso8859_9", "latin_1"],
|
|||
|
"iso8859_7": ["cp1253"],
|
|||
|
"iso8859_9": [
|
|||
|
"cp1252",
|
|||
|
"cp1254",
|
|||
|
"cp1258",
|
|||
|
"iso8859_10",
|
|||
|
"iso8859_14",
|
|||
|
"iso8859_15",
|
|||
|
"iso8859_16",
|
|||
|
"iso8859_3",
|
|||
|
"iso8859_4",
|
|||
|
"latin_1",
|
|||
|
],
|
|||
|
"kz1048": ["cp1251", "ptcp154"],
|
|||
|
"latin_1": [
|
|||
|
"cp1252",
|
|||
|
"cp1254",
|
|||
|
"cp1258",
|
|||
|
"iso8859_10",
|
|||
|
"iso8859_14",
|
|||
|
"iso8859_15",
|
|||
|
"iso8859_16",
|
|||
|
"iso8859_3",
|
|||
|
"iso8859_4",
|
|||
|
"iso8859_9",
|
|||
|
],
|
|||
|
"mac_iceland": ["mac_roman", "mac_turkish"],
|
|||
|
"mac_roman": ["mac_iceland", "mac_turkish"],
|
|||
|
"mac_turkish": ["mac_iceland", "mac_roman"],
|
|||
|
"ptcp154": ["cp1251", "kz1048"],
|
|||
|
"tis_620": ["iso8859_11"],
|
|||
|
}
|
|||
|
|
|||
|
|
|||
|
CHARDET_CORRESPONDENCE: Dict[str, str] = {
|
|||
|
"iso2022_kr": "ISO-2022-KR",
|
|||
|
"iso2022_jp": "ISO-2022-JP",
|
|||
|
"euc_kr": "EUC-KR",
|
|||
|
"tis_620": "TIS-620",
|
|||
|
"utf_32": "UTF-32",
|
|||
|
"euc_jp": "EUC-JP",
|
|||
|
"koi8_r": "KOI8-R",
|
|||
|
"iso8859_1": "ISO-8859-1",
|
|||
|
"iso8859_2": "ISO-8859-2",
|
|||
|
"iso8859_5": "ISO-8859-5",
|
|||
|
"iso8859_6": "ISO-8859-6",
|
|||
|
"iso8859_7": "ISO-8859-7",
|
|||
|
"iso8859_8": "ISO-8859-8",
|
|||
|
"utf_16": "UTF-16",
|
|||
|
"cp855": "IBM855",
|
|||
|
"mac_cyrillic": "MacCyrillic",
|
|||
|
"gb2312": "GB2312",
|
|||
|
"gb18030": "GB18030",
|
|||
|
"cp932": "CP932",
|
|||
|
"cp866": "IBM866",
|
|||
|
"utf_8": "utf-8",
|
|||
|
"utf_8_sig": "UTF-8-SIG",
|
|||
|
"shift_jis": "SHIFT_JIS",
|
|||
|
"big5": "Big5",
|
|||
|
"cp1250": "windows-1250",
|
|||
|
"cp1251": "windows-1251",
|
|||
|
"cp1252": "Windows-1252",
|
|||
|
"cp1253": "windows-1253",
|
|||
|
"cp1255": "windows-1255",
|
|||
|
"cp1256": "windows-1256",
|
|||
|
"cp1254": "Windows-1254",
|
|||
|
"cp949": "CP949",
|
|||
|
}
|
|||
|
|
|||
|
|
|||
|
COMMON_SAFE_ASCII_CHARACTERS: Set[str] = {
|
|||
|
"<",
|
|||
|
">",
|
|||
|
"=",
|
|||
|
":",
|
|||
|
"/",
|
|||
|
"&",
|
|||
|
";",
|
|||
|
"{",
|
|||
|
"}",
|
|||
|
"[",
|
|||
|
"]",
|
|||
|
",",
|
|||
|
"|",
|
|||
|
'"',
|
|||
|
"-",
|
|||
|
}
|
|||
|
|
|||
|
|
|||
|
KO_NAMES: Set[str] = {"johab", "cp949", "euc_kr"}
|
|||
|
ZH_NAMES: Set[str] = {"big5", "cp950", "big5hkscs", "hz"}
|
|||
|
|
|||
|
# Logging LEVEL below DEBUG
|
|||
|
TRACE: int = 5
|
|||
|
|
|||
|
|
|||
|
# Language label that contain the em dash "—"
|
|||
|
# character are to be considered alternative seq to origin
|
|||
|
FREQUENCIES: Dict[str, List[str]] = {
|
|||
|
"English": [
|
|||
|
"e",
|
|||
|
"a",
|
|||
|
"t",
|
|||
|
"i",
|
|||
|
"o",
|
|||
|
"n",
|
|||
|
"s",
|
|||
|
"r",
|
|||
|
"h",
|
|||
|
"l",
|
|||
|
"d",
|
|||
|
"c",
|
|||
|
"u",
|
|||
|
"m",
|
|||
|
"f",
|
|||
|
"p",
|
|||
|
"g",
|
|||
|
"w",
|
|||
|
"y",
|
|||
|
"b",
|
|||
|
"v",
|
|||
|
"k",
|
|||
|
"x",
|
|||
|
"j",
|
|||
|
"z",
|
|||
|
"q",
|
|||
|
],
|
|||
|
"English—": [
|
|||
|
"e",
|
|||
|
"a",
|
|||
|
"t",
|
|||
|
"i",
|
|||
|
"o",
|
|||
|
"n",
|
|||
|
"s",
|
|||
|
"r",
|
|||
|
"h",
|
|||
|
"l",
|
|||
|
"d",
|
|||
|
"c",
|
|||
|
"m",
|
|||
|
"u",
|
|||
|
"f",
|
|||
|
"p",
|
|||
|
"g",
|
|||
|
"w",
|
|||
|
"b",
|
|||
|
"y",
|
|||
|
"v",
|
|||
|
"k",
|
|||
|
"j",
|
|||
|
"x",
|
|||
|
"z",
|
|||
|
"q",
|
|||
|
],
|
|||
|
"German": [
|
|||
|
"e",
|
|||
|
"n",
|
|||
|
"i",
|
|||
|
"r",
|
|||
|
"s",
|
|||
|
"t",
|
|||
|
"a",
|
|||
|
"d",
|
|||
|
"h",
|
|||
|
"u",
|
|||
|
"l",
|
|||
|
"g",
|
|||
|
"o",
|
|||
|
"c",
|
|||
|
"m",
|
|||
|
"b",
|
|||
|
"f",
|
|||
|
"k",
|
|||
|
"w",
|
|||
|
"z",
|
|||
|
"p",
|
|||
|
"v",
|
|||
|
"ü",
|
|||
|
"ä",
|
|||
|
"ö",
|
|||
|
"j",
|
|||
|
],
|
|||
|
"French": [
|
|||
|
"e",
|
|||
|
"a",
|
|||
|
"s",
|
|||
|
"n",
|
|||
|
"i",
|
|||
|
"t",
|
|||
|
"r",
|
|||
|
"l",
|
|||
|
"u",
|
|||
|
"o",
|
|||
|
"d",
|
|||
|
"c",
|
|||
|
"p",
|
|||
|
"m",
|
|||
|
"é",
|
|||
|
"v",
|
|||
|
"g",
|
|||
|
"f",
|
|||
|
"b",
|
|||
|
"h",
|
|||
|
"q",
|
|||
|
"à",
|
|||
|
"x",
|
|||
|
"è",
|
|||
|
"y",
|
|||
|
"j",
|
|||
|
],
|
|||
|
"Dutch": [
|
|||
|
"e",
|
|||
|
"n",
|
|||
|
"a",
|
|||
|
"i",
|
|||
|
"r",
|
|||
|
"t",
|
|||
|
"o",
|
|||
|
"d",
|
|||
|
"s",
|
|||
|
"l",
|
|||
|
"g",
|
|||
|
"h",
|
|||
|
"v",
|
|||
|
"m",
|
|||
|
"u",
|
|||
|
"k",
|
|||
|
"c",
|
|||
|
"p",
|
|||
|
"b",
|
|||
|
"w",
|
|||
|
"j",
|
|||
|
"z",
|
|||
|
"f",
|
|||
|
"y",
|
|||
|
"x",
|
|||
|
"ë",
|
|||
|
],
|
|||
|
"Italian": [
|
|||
|
"e",
|
|||
|
"i",
|
|||
|
"a",
|
|||
|
"o",
|
|||
|
"n",
|
|||
|
"l",
|
|||
|
"t",
|
|||
|
"r",
|
|||
|
"s",
|
|||
|
"c",
|
|||
|
"d",
|
|||
|
"u",
|
|||
|
"p",
|
|||
|
"m",
|
|||
|
"g",
|
|||
|
"v",
|
|||
|
"f",
|
|||
|
"b",
|
|||
|
"z",
|
|||
|
"h",
|
|||
|
"q",
|
|||
|
"è",
|
|||
|
"à",
|
|||
|
"k",
|
|||
|
"y",
|
|||
|
"ò",
|
|||
|
],
|
|||
|
"Polish": [
|
|||
|
"a",
|
|||
|
"i",
|
|||
|
"o",
|
|||
|
"e",
|
|||
|
"n",
|
|||
|
"r",
|
|||
|
"z",
|
|||
|
"w",
|
|||
|
"s",
|
|||
|
"c",
|
|||
|
"t",
|
|||
|
"k",
|
|||
|
"y",
|
|||
|
"d",
|
|||
|
"p",
|
|||
|
"m",
|
|||
|
"u",
|
|||
|
"l",
|
|||
|
"j",
|
|||
|
"ł",
|
|||
|
"g",
|
|||
|
"b",
|
|||
|
"h",
|
|||
|
"ą",
|
|||
|
"ę",
|
|||
|
"ó",
|
|||
|
],
|
|||
|
"Spanish": [
|
|||
|
"e",
|
|||
|
"a",
|
|||
|
"o",
|
|||
|
"n",
|
|||
|
"s",
|
|||
|
"r",
|
|||
|
"i",
|
|||
|
"l",
|
|||
|
"d",
|
|||
|
"t",
|
|||
|
"c",
|
|||
|
"u",
|
|||
|
"m",
|
|||
|
"p",
|
|||
|
"b",
|
|||
|
"g",
|
|||
|
"v",
|
|||
|
"f",
|
|||
|
"y",
|
|||
|
"ó",
|
|||
|
"h",
|
|||
|
"q",
|
|||
|
"í",
|
|||
|
"j",
|
|||
|
"z",
|
|||
|
"á",
|
|||
|
],
|
|||
|
"Russian": [
|
|||
|
"о",
|
|||
|
"а",
|
|||
|
"е",
|
|||
|
"и",
|
|||
|
"н",
|
|||
|
"с",
|
|||
|
"т",
|
|||
|
"р",
|
|||
|
"в",
|
|||
|
"л",
|
|||
|
"к",
|
|||
|
"м",
|
|||
|
"д",
|
|||
|
"п",
|
|||
|
"у",
|
|||
|
"г",
|
|||
|
"я",
|
|||
|
"ы",
|
|||
|
"з",
|
|||
|
"б",
|
|||
|
"й",
|
|||
|
"ь",
|
|||
|
"ч",
|
|||
|
"х",
|
|||
|
"ж",
|
|||
|
"ц",
|
|||
|
],
|
|||
|
# Jap-Kanji
|
|||
|
"Japanese": [
|
|||
|
"人",
|
|||
|
"一",
|
|||
|
"大",
|
|||
|
"亅",
|
|||
|
"丁",
|
|||
|
"丨",
|
|||
|
"竹",
|
|||
|
"笑",
|
|||
|
"口",
|
|||
|
"日",
|
|||
|
"今",
|
|||
|
"二",
|
|||
|
"彳",
|
|||
|
"行",
|
|||
|
"十",
|
|||
|
"土",
|
|||
|
"丶",
|
|||
|
"寸",
|
|||
|
"寺",
|
|||
|
"時",
|
|||
|
"乙",
|
|||
|
"丿",
|
|||
|
"乂",
|
|||
|
"气",
|
|||
|
"気",
|
|||
|
"冂",
|
|||
|
"巾",
|
|||
|
"亠",
|
|||
|
"市",
|
|||
|
"目",
|
|||
|
"儿",
|
|||
|
"見",
|
|||
|
"八",
|
|||
|
"小",
|
|||
|
"凵",
|
|||
|
"県",
|
|||
|
"月",
|
|||
|
"彐",
|
|||
|
"門",
|
|||
|
"間",
|
|||
|
"木",
|
|||
|
"東",
|
|||
|
"山",
|
|||
|
"出",
|
|||
|
"本",
|
|||
|
"中",
|
|||
|
"刀",
|
|||
|
"分",
|
|||
|
"耳",
|
|||
|
"又",
|
|||
|
"取",
|
|||
|
"最",
|
|||
|
"言",
|
|||
|
"田",
|
|||
|
"心",
|
|||
|
"思",
|
|||
|
"刂",
|
|||
|
"前",
|
|||
|
"京",
|
|||
|
"尹",
|
|||
|
"事",
|
|||
|
"生",
|
|||
|
"厶",
|
|||
|
"云",
|
|||
|
"会",
|
|||
|
"未",
|
|||
|
"来",
|
|||
|
"白",
|
|||
|
"冫",
|
|||
|
"楽",
|
|||
|
"灬",
|
|||
|
"馬",
|
|||
|
"尸",
|
|||
|
"尺",
|
|||
|
"駅",
|
|||
|
"明",
|
|||
|
"耂",
|
|||
|
"者",
|
|||
|
"了",
|
|||
|
"阝",
|
|||
|
"都",
|
|||
|
"高",
|
|||
|
"卜",
|
|||
|
"占",
|
|||
|
"厂",
|
|||
|
"广",
|
|||
|
"店",
|
|||
|
"子",
|
|||
|
"申",
|
|||
|
"奄",
|
|||
|
"亻",
|
|||
|
"俺",
|
|||
|
"上",
|
|||
|
"方",
|
|||
|
"冖",
|
|||
|
"学",
|
|||
|
"衣",
|
|||
|
"艮",
|
|||
|
"食",
|
|||
|
"自",
|
|||
|
],
|
|||
|
# Jap-Katakana
|
|||
|
"Japanese—": [
|
|||
|
"ー",
|
|||
|
"ン",
|
|||
|
"ス",
|
|||
|
"・",
|
|||
|
"ル",
|
|||
|
"ト",
|
|||
|
"リ",
|
|||
|
"イ",
|
|||
|
"ア",
|
|||
|
"ラ",
|
|||
|
"ッ",
|
|||
|
"ク",
|
|||
|
"ド",
|
|||
|
"シ",
|
|||
|
"レ",
|
|||
|
"ジ",
|
|||
|
"タ",
|
|||
|
"フ",
|
|||
|
"ロ",
|
|||
|
"カ",
|
|||
|
"テ",
|
|||
|
"マ",
|
|||
|
"ィ",
|
|||
|
"グ",
|
|||
|
"バ",
|
|||
|
"ム",
|
|||
|
"プ",
|
|||
|
"オ",
|
|||
|
"コ",
|
|||
|
"デ",
|
|||
|
"ニ",
|
|||
|
"ウ",
|
|||
|
"メ",
|
|||
|
"サ",
|
|||
|
"ビ",
|
|||
|
"ナ",
|
|||
|
"ブ",
|
|||
|
"ャ",
|
|||
|
"エ",
|
|||
|
"ュ",
|
|||
|
"チ",
|
|||
|
"キ",
|
|||
|
"ズ",
|
|||
|
"ダ",
|
|||
|
"パ",
|
|||
|
"ミ",
|
|||
|
"ェ",
|
|||
|
"ョ",
|
|||
|
"ハ",
|
|||
|
"セ",
|
|||
|
"ベ",
|
|||
|
"ガ",
|
|||
|
"モ",
|
|||
|
"ツ",
|
|||
|
"ネ",
|
|||
|
"ボ",
|
|||
|
"ソ",
|
|||
|
"ノ",
|
|||
|
"ァ",
|
|||
|
"ヴ",
|
|||
|
"ワ",
|
|||
|
"ポ",
|
|||
|
"ペ",
|
|||
|
"ピ",
|
|||
|
"ケ",
|
|||
|
"ゴ",
|
|||
|
"ギ",
|
|||
|
"ザ",
|
|||
|
"ホ",
|
|||
|
"ゲ",
|
|||
|
"ォ",
|
|||
|
"ヤ",
|
|||
|
"ヒ",
|
|||
|
"ユ",
|
|||
|
"ヨ",
|
|||
|
"ヘ",
|
|||
|
"ゼ",
|
|||
|
"ヌ",
|
|||
|
"ゥ",
|
|||
|
"ゾ",
|
|||
|
"ヶ",
|
|||
|
"ヂ",
|
|||
|
"ヲ",
|
|||
|
"ヅ",
|
|||
|
"ヵ",
|
|||
|
"ヱ",
|
|||
|
"ヰ",
|
|||
|
"ヮ",
|
|||
|
"ヽ",
|
|||
|
"゠",
|
|||
|
"ヾ",
|
|||
|
"ヷ",
|
|||
|
"ヿ",
|
|||
|
"ヸ",
|
|||
|
"ヹ",
|
|||
|
"ヺ",
|
|||
|
],
|
|||
|
# Jap-Hiragana
|
|||
|
"Japanese——": [
|
|||
|
"の",
|
|||
|
"に",
|
|||
|
"る",
|
|||
|
"た",
|
|||
|
"と",
|
|||
|
"は",
|
|||
|
"し",
|
|||
|
"い",
|
|||
|
"を",
|
|||
|
"で",
|
|||
|
"て",
|
|||
|
"が",
|
|||
|
"な",
|
|||
|
"れ",
|
|||
|
"か",
|
|||
|
"ら",
|
|||
|
"さ",
|
|||
|
"っ",
|
|||
|
"り",
|
|||
|
"す",
|
|||
|
"あ",
|
|||
|
"も",
|
|||
|
"こ",
|
|||
|
"ま",
|
|||
|
"う",
|
|||
|
"く",
|
|||
|
"よ",
|
|||
|
"き",
|
|||
|
"ん",
|
|||
|
"め",
|
|||
|
"お",
|
|||
|
"け",
|
|||
|
"そ",
|
|||
|
"つ",
|
|||
|
"だ",
|
|||
|
"や",
|
|||
|
"え",
|
|||
|
"ど",
|
|||
|
"わ",
|
|||
|
"ち",
|
|||
|
"み",
|
|||
|
"せ",
|
|||
|
"じ",
|
|||
|
"ば",
|
|||
|
"へ",
|
|||
|
"び",
|
|||
|
"ず",
|
|||
|
"ろ",
|
|||
|
"ほ",
|
|||
|
"げ",
|
|||
|
"む",
|
|||
|
"べ",
|
|||
|
"ひ",
|
|||
|
"ょ",
|
|||
|
"ゆ",
|
|||
|
"ぶ",
|
|||
|
"ご",
|
|||
|
"ゃ",
|
|||
|
"ね",
|
|||
|
"ふ",
|
|||
|
"ぐ",
|
|||
|
"ぎ",
|
|||
|
"ぼ",
|
|||
|
"ゅ",
|
|||
|
"づ",
|
|||
|
"ざ",
|
|||
|
"ぞ",
|
|||
|
"ぬ",
|
|||
|
"ぜ",
|
|||
|
"ぱ",
|
|||
|
"ぽ",
|
|||
|
"ぷ",
|
|||
|
"ぴ",
|
|||
|
"ぃ",
|
|||
|
"ぁ",
|
|||
|
"ぇ",
|
|||
|
"ぺ",
|
|||
|
"ゞ",
|
|||
|
"ぢ",
|
|||
|
"ぉ",
|
|||
|
"ぅ",
|
|||
|
"ゐ",
|
|||
|
"ゝ",
|
|||
|
"ゑ",
|
|||
|
"゛",
|
|||
|
"゜",
|
|||
|
"ゎ",
|
|||
|
"ゔ",
|
|||
|
"゚",
|
|||
|
"ゟ",
|
|||
|
"゙",
|
|||
|
"ゕ",
|
|||
|
"ゖ",
|
|||
|
],
|
|||
|
"Portuguese": [
|
|||
|
"a",
|
|||
|
"e",
|
|||
|
"o",
|
|||
|
"s",
|
|||
|
"i",
|
|||
|
"r",
|
|||
|
"d",
|
|||
|
"n",
|
|||
|
"t",
|
|||
|
"m",
|
|||
|
"u",
|
|||
|
"c",
|
|||
|
"l",
|
|||
|
"p",
|
|||
|
"g",
|
|||
|
"v",
|
|||
|
"b",
|
|||
|
"f",
|
|||
|
"h",
|
|||
|
"ã",
|
|||
|
"q",
|
|||
|
"é",
|
|||
|
"ç",
|
|||
|
"á",
|
|||
|
"z",
|
|||
|
"í",
|
|||
|
],
|
|||
|
"Swedish": [
|
|||
|
"e",
|
|||
|
"a",
|
|||
|
"n",
|
|||
|
"r",
|
|||
|
"t",
|
|||
|
"s",
|
|||
|
"i",
|
|||
|
"l",
|
|||
|
"d",
|
|||
|
"o",
|
|||
|
"m",
|
|||
|
"k",
|
|||
|
"g",
|
|||
|
"v",
|
|||
|
"h",
|
|||
|
"f",
|
|||
|
"u",
|
|||
|
"p",
|
|||
|
"ä",
|
|||
|
"c",
|
|||
|
"b",
|
|||
|
"ö",
|
|||
|
"å",
|
|||
|
"y",
|
|||
|
"j",
|
|||
|
"x",
|
|||
|
],
|
|||
|
"Chinese": [
|
|||
|
"的",
|
|||
|
"一",
|
|||
|
"是",
|
|||
|
"不",
|
|||
|
"了",
|
|||
|
"在",
|
|||
|
"人",
|
|||
|
"有",
|
|||
|
"我",
|
|||
|
"他",
|
|||
|
"这",
|
|||
|
"个",
|
|||
|
"们",
|
|||
|
"中",
|
|||
|
"来",
|
|||
|
"上",
|
|||
|
"大",
|
|||
|
"为",
|
|||
|
"和",
|
|||
|
"国",
|
|||
|
"地",
|
|||
|
"到",
|
|||
|
"以",
|
|||
|
"说",
|
|||
|
"时",
|
|||
|
"要",
|
|||
|
"就",
|
|||
|
"出",
|
|||
|
"会",
|
|||
|
"可",
|
|||
|
"也",
|
|||
|
"你",
|
|||
|
"对",
|
|||
|
"生",
|
|||
|
"能",
|
|||
|
"而",
|
|||
|
"子",
|
|||
|
"那",
|
|||
|
"得",
|
|||
|
"于",
|
|||
|
"着",
|
|||
|
"下",
|
|||
|
"自",
|
|||
|
"之",
|
|||
|
"年",
|
|||
|
"过",
|
|||
|
"发",
|
|||
|
"后",
|
|||
|
"作",
|
|||
|
"里",
|
|||
|
"用",
|
|||
|
"道",
|
|||
|
"行",
|
|||
|
"所",
|
|||
|
"然",
|
|||
|
"家",
|
|||
|
"种",
|
|||
|
"事",
|
|||
|
"成",
|
|||
|
"方",
|
|||
|
"多",
|
|||
|
"经",
|
|||
|
"么",
|
|||
|
"去",
|
|||
|
"法",
|
|||
|
"学",
|
|||
|
"如",
|
|||
|
"都",
|
|||
|
"同",
|
|||
|
"现",
|
|||
|
"当",
|
|||
|
"没",
|
|||
|
"动",
|
|||
|
"面",
|
|||
|
"起",
|
|||
|
"看",
|
|||
|
"定",
|
|||
|
"天",
|
|||
|
"分",
|
|||
|
"还",
|
|||
|
"进",
|
|||
|
"好",
|
|||
|
"小",
|
|||
|
"部",
|
|||
|
"其",
|
|||
|
"些",
|
|||
|
"主",
|
|||
|
"样",
|
|||
|
"理",
|
|||
|
"心",
|
|||
|
"她",
|
|||
|
"本",
|
|||
|
"前",
|
|||
|
"开",
|
|||
|
"但",
|
|||
|
"因",
|
|||
|
"只",
|
|||
|
"从",
|
|||
|
"想",
|
|||
|
"实",
|
|||
|
],
|
|||
|
"Ukrainian": [
|
|||
|
"о",
|
|||
|
"а",
|
|||
|
"н",
|
|||
|
"і",
|
|||
|
"и",
|
|||
|
"р",
|
|||
|
"в",
|
|||
|
"т",
|
|||
|
"е",
|
|||
|
"с",
|
|||
|
"к",
|
|||
|
"л",
|
|||
|
"у",
|
|||
|
"д",
|
|||
|
"м",
|
|||
|
"п",
|
|||
|
"з",
|
|||
|
"я",
|
|||
|
"ь",
|
|||
|
"б",
|
|||
|
"г",
|
|||
|
"й",
|
|||
|
"ч",
|
|||
|
"х",
|
|||
|
"ц",
|
|||
|
"ї",
|
|||
|
],
|
|||
|
"Norwegian": [
|
|||
|
"e",
|
|||
|
"r",
|
|||
|
"n",
|
|||
|
"t",
|
|||
|
"a",
|
|||
|
"s",
|
|||
|
"i",
|
|||
|
"o",
|
|||
|
"l",
|
|||
|
"d",
|
|||
|
"g",
|
|||
|
"k",
|
|||
|
"m",
|
|||
|
"v",
|
|||
|
"f",
|
|||
|
"p",
|
|||
|
"u",
|
|||
|
"b",
|
|||
|
"h",
|
|||
|
"å",
|
|||
|
"y",
|
|||
|
"j",
|
|||
|
"ø",
|
|||
|
"c",
|
|||
|
"æ",
|
|||
|
"w",
|
|||
|
],
|
|||
|
"Finnish": [
|
|||
|
"a",
|
|||
|
"i",
|
|||
|
"n",
|
|||
|
"t",
|
|||
|
"e",
|
|||
|
"s",
|
|||
|
"l",
|
|||
|
"o",
|
|||
|
"u",
|
|||
|
"k",
|
|||
|
"ä",
|
|||
|
"m",
|
|||
|
"r",
|
|||
|
"v",
|
|||
|
"j",
|
|||
|
"h",
|
|||
|
"p",
|
|||
|
"y",
|
|||
|
"d",
|
|||
|
"ö",
|
|||
|
"g",
|
|||
|
"c",
|
|||
|
"b",
|
|||
|
"f",
|
|||
|
"w",
|
|||
|
"z",
|
|||
|
],
|
|||
|
"Vietnamese": [
|
|||
|
"n",
|
|||
|
"h",
|
|||
|
"t",
|
|||
|
"i",
|
|||
|
"c",
|
|||
|
"g",
|
|||
|
"a",
|
|||
|
"o",
|
|||
|
"u",
|
|||
|
"m",
|
|||
|
"l",
|
|||
|
"r",
|
|||
|
"à",
|
|||
|
"đ",
|
|||
|
"s",
|
|||
|
"e",
|
|||
|
"v",
|
|||
|
"p",
|
|||
|
"b",
|
|||
|
"y",
|
|||
|
"ư",
|
|||
|
"d",
|
|||
|
"á",
|
|||
|
"k",
|
|||
|
"ộ",
|
|||
|
"ế",
|
|||
|
],
|
|||
|
"Czech": [
|
|||
|
"o",
|
|||
|
"e",
|
|||
|
"a",
|
|||
|
"n",
|
|||
|
"t",
|
|||
|
"s",
|
|||
|
"i",
|
|||
|
"l",
|
|||
|
"v",
|
|||
|
"r",
|
|||
|
"k",
|
|||
|
"d",
|
|||
|
"u",
|
|||
|
"m",
|
|||
|
"p",
|
|||
|
"í",
|
|||
|
"c",
|
|||
|
"h",
|
|||
|
"z",
|
|||
|
"á",
|
|||
|
"y",
|
|||
|
"j",
|
|||
|
"b",
|
|||
|
"ě",
|
|||
|
"é",
|
|||
|
"ř",
|
|||
|
],
|
|||
|
"Hungarian": [
|
|||
|
"e",
|
|||
|
"a",
|
|||
|
"t",
|
|||
|
"l",
|
|||
|
"s",
|
|||
|
"n",
|
|||
|
"k",
|
|||
|
"r",
|
|||
|
"i",
|
|||
|
"o",
|
|||
|
"z",
|
|||
|
"á",
|
|||
|
"é",
|
|||
|
"g",
|
|||
|
"m",
|
|||
|
"b",
|
|||
|
"y",
|
|||
|
"v",
|
|||
|
"d",
|
|||
|
"h",
|
|||
|
"u",
|
|||
|
"p",
|
|||
|
"j",
|
|||
|
"ö",
|
|||
|
"f",
|
|||
|
"c",
|
|||
|
],
|
|||
|
"Korean": [
|
|||
|
"이",
|
|||
|
"다",
|
|||
|
"에",
|
|||
|
"의",
|
|||
|
"는",
|
|||
|
"로",
|
|||
|
"하",
|
|||
|
"을",
|
|||
|
"가",
|
|||
|
"고",
|
|||
|
"지",
|
|||
|
"서",
|
|||
|
"한",
|
|||
|
"은",
|
|||
|
"기",
|
|||
|
"으",
|
|||
|
"년",
|
|||
|
"대",
|
|||
|
"사",
|
|||
|
"시",
|
|||
|
"를",
|
|||
|
"리",
|
|||
|
"도",
|
|||
|
"인",
|
|||
|
"스",
|
|||
|
"일",
|
|||
|
],
|
|||
|
"Indonesian": [
|
|||
|
"a",
|
|||
|
"n",
|
|||
|
"e",
|
|||
|
"i",
|
|||
|
"r",
|
|||
|
"t",
|
|||
|
"u",
|
|||
|
"s",
|
|||
|
"d",
|
|||
|
"k",
|
|||
|
"m",
|
|||
|
"l",
|
|||
|
"g",
|
|||
|
"p",
|
|||
|
"b",
|
|||
|
"o",
|
|||
|
"h",
|
|||
|
"y",
|
|||
|
"j",
|
|||
|
"c",
|
|||
|
"w",
|
|||
|
"f",
|
|||
|
"v",
|
|||
|
"z",
|
|||
|
"x",
|
|||
|
"q",
|
|||
|
],
|
|||
|
"Turkish": [
|
|||
|
"a",
|
|||
|
"e",
|
|||
|
"i",
|
|||
|
"n",
|
|||
|
"r",
|
|||
|
"l",
|
|||
|
"ı",
|
|||
|
"k",
|
|||
|
"d",
|
|||
|
"t",
|
|||
|
"s",
|
|||
|
"m",
|
|||
|
"y",
|
|||
|
"u",
|
|||
|
"o",
|
|||
|
"b",
|
|||
|
"ü",
|
|||
|
"ş",
|
|||
|
"v",
|
|||
|
"g",
|
|||
|
"z",
|
|||
|
"h",
|
|||
|
"c",
|
|||
|
"p",
|
|||
|
"ç",
|
|||
|
"ğ",
|
|||
|
],
|
|||
|
"Romanian": [
|
|||
|
"e",
|
|||
|
"i",
|
|||
|
"a",
|
|||
|
"r",
|
|||
|
"n",
|
|||
|
"t",
|
|||
|
"u",
|
|||
|
"l",
|
|||
|
"o",
|
|||
|
"c",
|
|||
|
"s",
|
|||
|
"d",
|
|||
|
"p",
|
|||
|
"m",
|
|||
|
"ă",
|
|||
|
"f",
|
|||
|
"v",
|
|||
|
"î",
|
|||
|
"g",
|
|||
|
"b",
|
|||
|
"ș",
|
|||
|
"ț",
|
|||
|
"z",
|
|||
|
"h",
|
|||
|
"â",
|
|||
|
"j",
|
|||
|
],
|
|||
|
"Farsi": [
|
|||
|
"ا",
|
|||
|
"ی",
|
|||
|
"ر",
|
|||
|
"د",
|
|||
|
"ن",
|
|||
|
"ه",
|
|||
|
"و",
|
|||
|
"م",
|
|||
|
"ت",
|
|||
|
"ب",
|
|||
|
"س",
|
|||
|
"ل",
|
|||
|
"ک",
|
|||
|
"ش",
|
|||
|
"ز",
|
|||
|
"ف",
|
|||
|
"گ",
|
|||
|
"ع",
|
|||
|
"خ",
|
|||
|
"ق",
|
|||
|
"ج",
|
|||
|
"آ",
|
|||
|
"پ",
|
|||
|
"ح",
|
|||
|
"ط",
|
|||
|
"ص",
|
|||
|
],
|
|||
|
"Arabic": [
|
|||
|
"ا",
|
|||
|
"ل",
|
|||
|
"ي",
|
|||
|
"م",
|
|||
|
"و",
|
|||
|
"ن",
|
|||
|
"ر",
|
|||
|
"ت",
|
|||
|
"ب",
|
|||
|
"ة",
|
|||
|
"ع",
|
|||
|
"د",
|
|||
|
"س",
|
|||
|
"ف",
|
|||
|
"ه",
|
|||
|
"ك",
|
|||
|
"ق",
|
|||
|
"أ",
|
|||
|
"ح",
|
|||
|
"ج",
|
|||
|
"ش",
|
|||
|
"ط",
|
|||
|
"ص",
|
|||
|
"ى",
|
|||
|
"خ",
|
|||
|
"إ",
|
|||
|
],
|
|||
|
"Danish": [
|
|||
|
"e",
|
|||
|
"r",
|
|||
|
"n",
|
|||
|
"t",
|
|||
|
"a",
|
|||
|
"i",
|
|||
|
"s",
|
|||
|
"d",
|
|||
|
"l",
|
|||
|
"o",
|
|||
|
"g",
|
|||
|
"m",
|
|||
|
"k",
|
|||
|
"f",
|
|||
|
"v",
|
|||
|
"u",
|
|||
|
"b",
|
|||
|
"h",
|
|||
|
"p",
|
|||
|
"å",
|
|||
|
"y",
|
|||
|
"ø",
|
|||
|
"æ",
|
|||
|
"c",
|
|||
|
"j",
|
|||
|
"w",
|
|||
|
],
|
|||
|
"Serbian": [
|
|||
|
"а",
|
|||
|
"и",
|
|||
|
"о",
|
|||
|
"е",
|
|||
|
"н",
|
|||
|
"р",
|
|||
|
"с",
|
|||
|
"у",
|
|||
|
"т",
|
|||
|
"к",
|
|||
|
"ј",
|
|||
|
"в",
|
|||
|
"д",
|
|||
|
"м",
|
|||
|
"п",
|
|||
|
"л",
|
|||
|
"г",
|
|||
|
"з",
|
|||
|
"б",
|
|||
|
"a",
|
|||
|
"i",
|
|||
|
"e",
|
|||
|
"o",
|
|||
|
"n",
|
|||
|
"ц",
|
|||
|
"ш",
|
|||
|
],
|
|||
|
"Lithuanian": [
|
|||
|
"i",
|
|||
|
"a",
|
|||
|
"s",
|
|||
|
"o",
|
|||
|
"r",
|
|||
|
"e",
|
|||
|
"t",
|
|||
|
"n",
|
|||
|
"u",
|
|||
|
"k",
|
|||
|
"m",
|
|||
|
"l",
|
|||
|
"p",
|
|||
|
"v",
|
|||
|
"d",
|
|||
|
"j",
|
|||
|
"g",
|
|||
|
"ė",
|
|||
|
"b",
|
|||
|
"y",
|
|||
|
"ų",
|
|||
|
"š",
|
|||
|
"ž",
|
|||
|
"c",
|
|||
|
"ą",
|
|||
|
"į",
|
|||
|
],
|
|||
|
"Slovene": [
|
|||
|
"e",
|
|||
|
"a",
|
|||
|
"i",
|
|||
|
"o",
|
|||
|
"n",
|
|||
|
"r",
|
|||
|
"s",
|
|||
|
"l",
|
|||
|
"t",
|
|||
|
"j",
|
|||
|
"v",
|
|||
|
"k",
|
|||
|
"d",
|
|||
|
"p",
|
|||
|
"m",
|
|||
|
"u",
|
|||
|
"z",
|
|||
|
"b",
|
|||
|
"g",
|
|||
|
"h",
|
|||
|
"č",
|
|||
|
"c",
|
|||
|
"š",
|
|||
|
"ž",
|
|||
|
"f",
|
|||
|
"y",
|
|||
|
],
|
|||
|
"Slovak": [
|
|||
|
"o",
|
|||
|
"a",
|
|||
|
"e",
|
|||
|
"n",
|
|||
|
"i",
|
|||
|
"r",
|
|||
|
"v",
|
|||
|
"t",
|
|||
|
"s",
|
|||
|
"l",
|
|||
|
"k",
|
|||
|
"d",
|
|||
|
"m",
|
|||
|
"p",
|
|||
|
"u",
|
|||
|
"c",
|
|||
|
"h",
|
|||
|
"j",
|
|||
|
"b",
|
|||
|
"z",
|
|||
|
"á",
|
|||
|
"y",
|
|||
|
"ý",
|
|||
|
"í",
|
|||
|
"č",
|
|||
|
"é",
|
|||
|
],
|
|||
|
"Hebrew": [
|
|||
|
"י",
|
|||
|
"ו",
|
|||
|
"ה",
|
|||
|
"ל",
|
|||
|
"ר",
|
|||
|
"ב",
|
|||
|
"ת",
|
|||
|
"מ",
|
|||
|
"א",
|
|||
|
"ש",
|
|||
|
"נ",
|
|||
|
"ע",
|
|||
|
"ם",
|
|||
|
"ד",
|
|||
|
"ק",
|
|||
|
"ח",
|
|||
|
"פ",
|
|||
|
"ס",
|
|||
|
"כ",
|
|||
|
"ג",
|
|||
|
"ט",
|
|||
|
"צ",
|
|||
|
"ן",
|
|||
|
"ז",
|
|||
|
"ך",
|
|||
|
],
|
|||
|
"Bulgarian": [
|
|||
|
"а",
|
|||
|
"и",
|
|||
|
"о",
|
|||
|
"е",
|
|||
|
"н",
|
|||
|
"т",
|
|||
|
"р",
|
|||
|
"с",
|
|||
|
"в",
|
|||
|
"л",
|
|||
|
"к",
|
|||
|
"д",
|
|||
|
"п",
|
|||
|
"м",
|
|||
|
"з",
|
|||
|
"г",
|
|||
|
"я",
|
|||
|
"ъ",
|
|||
|
"у",
|
|||
|
"б",
|
|||
|
"ч",
|
|||
|
"ц",
|
|||
|
"й",
|
|||
|
"ж",
|
|||
|
"щ",
|
|||
|
"х",
|
|||
|
],
|
|||
|
"Croatian": [
|
|||
|
"a",
|
|||
|
"i",
|
|||
|
"o",
|
|||
|
"e",
|
|||
|
"n",
|
|||
|
"r",
|
|||
|
"j",
|
|||
|
"s",
|
|||
|
"t",
|
|||
|
"u",
|
|||
|
"k",
|
|||
|
"l",
|
|||
|
"v",
|
|||
|
"d",
|
|||
|
"m",
|
|||
|
"p",
|
|||
|
"g",
|
|||
|
"z",
|
|||
|
"b",
|
|||
|
"c",
|
|||
|
"č",
|
|||
|
"h",
|
|||
|
"š",
|
|||
|
"ž",
|
|||
|
"ć",
|
|||
|
"f",
|
|||
|
],
|
|||
|
"Hindi": [
|
|||
|
"क",
|
|||
|
"र",
|
|||
|
"स",
|
|||
|
"न",
|
|||
|
"त",
|
|||
|
"म",
|
|||
|
"ह",
|
|||
|
"प",
|
|||
|
"य",
|
|||
|
"ल",
|
|||
|
"व",
|
|||
|
"ज",
|
|||
|
"द",
|
|||
|
"ग",
|
|||
|
"ब",
|
|||
|
"श",
|
|||
|
"ट",
|
|||
|
"अ",
|
|||
|
"ए",
|
|||
|
"थ",
|
|||
|
"भ",
|
|||
|
"ड",
|
|||
|
"च",
|
|||
|
"ध",
|
|||
|
"ष",
|
|||
|
"इ",
|
|||
|
],
|
|||
|
"Estonian": [
|
|||
|
"a",
|
|||
|
"i",
|
|||
|
"e",
|
|||
|
"s",
|
|||
|
"t",
|
|||
|
"l",
|
|||
|
"u",
|
|||
|
"n",
|
|||
|
"o",
|
|||
|
"k",
|
|||
|
"r",
|
|||
|
"d",
|
|||
|
"m",
|
|||
|
"v",
|
|||
|
"g",
|
|||
|
"p",
|
|||
|
"j",
|
|||
|
"h",
|
|||
|
"ä",
|
|||
|
"b",
|
|||
|
"õ",
|
|||
|
"ü",
|
|||
|
"f",
|
|||
|
"c",
|
|||
|
"ö",
|
|||
|
"y",
|
|||
|
],
|
|||
|
"Thai": [
|
|||
|
"า",
|
|||
|
"น",
|
|||
|
"ร",
|
|||
|
"อ",
|
|||
|
"ก",
|
|||
|
"เ",
|
|||
|
"ง",
|
|||
|
"ม",
|
|||
|
"ย",
|
|||
|
"ล",
|
|||
|
"ว",
|
|||
|
"ด",
|
|||
|
"ท",
|
|||
|
"ส",
|
|||
|
"ต",
|
|||
|
"ะ",
|
|||
|
"ป",
|
|||
|
"บ",
|
|||
|
"ค",
|
|||
|
"ห",
|
|||
|
"แ",
|
|||
|
"จ",
|
|||
|
"พ",
|
|||
|
"ช",
|
|||
|
"ข",
|
|||
|
"ใ",
|
|||
|
],
|
|||
|
"Greek": [
|
|||
|
"α",
|
|||
|
"τ",
|
|||
|
"ο",
|
|||
|
"ι",
|
|||
|
"ε",
|
|||
|
"ν",
|
|||
|
"ρ",
|
|||
|
"σ",
|
|||
|
"κ",
|
|||
|
"η",
|
|||
|
"π",
|
|||
|
"ς",
|
|||
|
"υ",
|
|||
|
"μ",
|
|||
|
"λ",
|
|||
|
"ί",
|
|||
|
"ό",
|
|||
|
"ά",
|
|||
|
"γ",
|
|||
|
"έ",
|
|||
|
"δ",
|
|||
|
"ή",
|
|||
|
"ω",
|
|||
|
"χ",
|
|||
|
"θ",
|
|||
|
"ύ",
|
|||
|
],
|
|||
|
"Tamil": [
|
|||
|
"க",
|
|||
|
"த",
|
|||
|
"ப",
|
|||
|
"ட",
|
|||
|
"ர",
|
|||
|
"ம",
|
|||
|
"ல",
|
|||
|
"ன",
|
|||
|
"வ",
|
|||
|
"ற",
|
|||
|
"ய",
|
|||
|
"ள",
|
|||
|
"ச",
|
|||
|
"ந",
|
|||
|
"இ",
|
|||
|
"ண",
|
|||
|
"அ",
|
|||
|
"ஆ",
|
|||
|
"ழ",
|
|||
|
"ங",
|
|||
|
"எ",
|
|||
|
"உ",
|
|||
|
"ஒ",
|
|||
|
"ஸ",
|
|||
|
],
|
|||
|
"Kazakh": [
|
|||
|
"а",
|
|||
|
"ы",
|
|||
|
"е",
|
|||
|
"н",
|
|||
|
"т",
|
|||
|
"р",
|
|||
|
"л",
|
|||
|
"і",
|
|||
|
"д",
|
|||
|
"с",
|
|||
|
"м",
|
|||
|
"қ",
|
|||
|
"к",
|
|||
|
"о",
|
|||
|
"б",
|
|||
|
"и",
|
|||
|
"у",
|
|||
|
"ғ",
|
|||
|
"ж",
|
|||
|
"ң",
|
|||
|
"з",
|
|||
|
"ш",
|
|||
|
"й",
|
|||
|
"п",
|
|||
|
"г",
|
|||
|
"ө",
|
|||
|
],
|
|||
|
}
|
|||
|
|
|||
|
LANGUAGE_SUPPORTED_COUNT: int = len(FREQUENCIES)
|