kana2romaji.cpp

   1 /*
   2 jmdict, a frontend to the JMdict file. http://mandrill.fuxx0r.net/jmdict.php
   3 Copyright (C) 2004 Florian Bluemel (florian.bluemel@uni-dortmund.de)
   4
   5 This program is free software; you can redistribute it and/or
   6 modify it under the terms of the GNU General Public License
   7 as published by the Free Software Foundation; either version 2
   8 of the License, or (at your option) any later version.
   9
  10 This program is distributed in the hope that it will be useful,
  11 but WITHOUT ANY WARRANTY; without even the implied warranty of
  12 MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  13 GNU General Public License for more details.
  14
  15 You should have received a copy of the GNU General Public License
  16 along with this program; if not, write to the Free Software
  17 Foundation, Inc., 59 Temple Place - Suite 330, Boston, MA  02111-1307, USA.
  18 */
  19 // encoding: utf-8
  20 #include "kana2romaji.h"
  21 #include <map>
  22 #include <iostream>
  23 #include <ostream>
  24 #include <string>
  25
  26 using namespace std;
  27
  28 namespace  {
  29 void utfchar(const string& from, string::size_type pos, string& to) {
  30     unsigned first = from[pos];
  31     if ((first & 0x80) == 0)
  32         to = from[pos];
  33     else {
  34         string::size_type len = 0;
  35         while (first & 0x80) {
  36             ++len;
  37             first <<= 1;
  38         }
  39         to = from.substr(pos, len);
  40     }
  41 }
  42 }
  43
  44 typedef map<string, string> romaji_map;
  45 romaji_map romaji;
  46
  47 void initRomaji() {
  48     // -- hiragana -----
  49     romaji["あ"] = "a";
  50     romaji["い"] = "i";
  51     romaji["う"] = "u";
  52     romaji["え"] = "e";
  53     romaji["お"] = "o";
  54     romaji["か"] = "ka";
  55     romaji["き"] = "ki";
  56     romaji["く"] = "ku";
  57     romaji["け"] = "ke";
  58     romaji["こ"] = "ko";
  59     romaji["さ"] = "sa";
  60     romaji["し"] = "shi";
  61     romaji["す"] = "su";
  62     romaji["せ"] = "se";
  63     romaji["そ"] = "so";
  64     romaji["た"] = "ta";
  65     romaji["ち"] = "chi";
  66     romaji["つ"] = "tsu";
  67     romaji["て"] = "te";
  68     romaji["と"] = "to";
  69     romaji["な"] = "na";
  70     romaji["に"] = "ni";
  71     romaji["ぬ"] = "nu";
  72     romaji["ね"] = "ne";
  73     romaji["の"] = "no";
  74     romaji["は"] = "ha";
  75     romaji["ひ"] = "hi";
  76     romaji["ふ"] = "fu";
  77     romaji["へ"] = "he";
  78     romaji["ほ"] = "ho";
  79     romaji["ま"] = "ma";
  80     romaji["み"] = "mi";
  81     romaji["む"] = "mu";
  82     romaji["め"] = "me";
  83     romaji["も"] = "mo";
  84     romaji["や"] = "ya";
  85     romaji["ゆ"] = "yu";
  86     romaji["よ"] = "yo";
  87     romaji["ら"] = "ra";
  88     romaji["り"] = "ri";
  89     romaji["る"] = "ru";
  90     romaji["れ"] = "re";
  91     romaji["ろ"] = "ro";
  92     romaji["わ"] = "wa";
  93     romaji["ゐ"] = "wi";
  94     romaji["ゑ"] = "we";
  95     romaji["を"] = "wo";
  96     romaji["ん"] = "n";
  97
  98     romaji["ぁ"] = "\1a";
  99     romaji["ぃ"] = "\1i";
 100     romaji["ぇ"] = "\1e";
 101     romaji["ぉ"] = "\1o";
 102     romaji["ゃ"] = "\1ya";
 103     romaji["ゅ"] = "\1yu";
 104     romaji["ょ"] = "\1yo";
 105     romaji["っ"] = "\2";
 106
 107     romaji["ゔ"] = "vu";
 108     romaji["が"] = "ga";
 109     romaji["ぎ"] = "gi";
 110     romaji["ぐ"] = "gu";
 111     romaji["げ"] = "ge";
 112     romaji["ご"] = "go";
 113     romaji["ざ"] = "za";
 114     romaji["じ"] = "ji";
 115     romaji["ず"] = "zu";
 116     romaji["ぜ"] = "ze";
 117     romaji["ぞ"] = "zo";
 118     romaji["だ"] = "da";
 119     romaji["ぢ"] = "dzi";
 120     romaji["づ"] = "dzu";
 121     romaji["で"] = "de";
 122     romaji["ど"] = "do";
 123     romaji["ば"] = "ba";
 124     romaji["び"] = "bi";
 125     romaji["ぶ"] = "bu";
 126     romaji["べ"] = "be";
 127     romaji["ぼ"] = "bo";
 128     romaji["ぱ"] = "pa";
 129     romaji["ぴ"] = "pi";
 130     romaji["ぷ"] = "pu";
 131     romaji["ぺ"] = "pe";
 132     romaji["ぽ"] = "po";
 133
 134     // -- katakana -----
 135     romaji["ア"] = "a";
 136     romaji["イ"] = "i";
 137     romaji["ウ"] = "u";
 138     romaji["エ"] = "e";
 139     romaji["オ"] = "o";
 140     romaji["カ"] = "ka";
 141     romaji["キ"] = "ki";
 142     romaji["ク"] = "ku";
 143     romaji["ケ"] = "ke";
 144     romaji["コ"] = "ko";
 145     romaji["サ"] = "sa";
 146     romaji["シ"] = "shi";
 147     romaji["ス"] = "su";
 148     romaji["セ"] = "se";
 149     romaji["ソ"] = "so";
 150     romaji["タ"] = "ta";
 151     romaji["チ"] = "chi";
 152     romaji["ツ"] = "tsu";
 153     romaji["テ"] = "te";
 154     romaji["ト"] = "to";
 155     romaji["ナ"] = "na";
 156     romaji["ニ"] = "ni";
 157     romaji["ヌ"] = "nu";
 158     romaji["ネ"] = "ne";
 159     romaji["ノ"] = "no";
 160     romaji["ハ"] = "ha";
 161     romaji["ヒ"] = "hi";
 162     romaji["フ"] = "fu";
 163     romaji["ヘ"] = "he";
 164     romaji["ホ"] = "ho";
 165     romaji["マ"] = "ma";
 166     romaji["ミ"] = "mi";
 167     romaji["ム"] = "mu";
 168     romaji["メ"] = "me";
 169     romaji["モ"] = "mo";
 170     romaji["ヤ"] = "ya";
 171     romaji["ユ"] = "yu";
 172     romaji["ヨ"] = "yo";
 173     romaji["ラ"] = "ra";
 174     romaji["リ"] = "ri";
 175     romaji["ル"] = "ru";
 176     romaji["レ"] = "re";
 177     romaji["ロ"] = "ro";
 178     romaji["ワ"] = "wa";
 179     romaji["ヰ"] = "wi";
 180     romaji["ヱ"] = "we";
 181     romaji["ヲ"] = "wo";
 182     romaji["ン"] = "n";
 183
 184     romaji["ァ"] = "\1a";
 185     romaji["ィ"] = "\1i";
 186     romaji["ゥ"] = "\1u";
 187     romaji["ェ"] = "\1e";
 188     romaji["ォ"] = "\1o";
 189     romaji["ヮ"] = "\1wa";
 190     romaji["ャ"] = "\1ya";
 191     romaji["ュ"] = "\1yu";
 192     romaji["ョ"] = "\1yo";
 193     romaji["ッ"] = "\2";
 194
 195     romaji["ヴ"] = "vu";
 196     romaji["ガ"] = "ga";
 197     romaji["ギ"] = "gi";
 198     romaji["グ"] = "gu";
 199     romaji["ゲ"] = "ge";
 200     romaji["ゴ"] = "go";
 201     romaji["ザ"] = "za";
 202     romaji["ジ"] = "ji";
 203     romaji["ズ"] = "zu";
 204     romaji["ゼ"] = "ze";
 205     romaji["ゾ"] = "zo";
 206     romaji["ダ"] = "da";
 207     romaji["ヂ"] = "dzi";
 208     romaji["ヅ"] = "dzu";
 209     romaji["デ"] = "de";
 210     romaji["ド"] = "do";
 211     romaji["バ"] = "ba";
 212     romaji["ビ"] = "bi";
 213     romaji["ブ"] = "bu";
 214     romaji["ベ"] = "be";
 215     romaji["ボ"] = "bo";
 216     romaji["パ"] = "pa";
 217     romaji["ピ"] = "pi";
 218     romaji["プ"] = "pu";
 219     romaji["ペ"] = "pe";
 220     romaji["ポ"] = "po";
 221     romaji["・"] = " ";
 222
 223     // -- double width letters ------
 224     romaji["Ａ"] = "A";
 225     romaji["Ｂ"] = "B";
 226     romaji["Ｃ"] = "C";
 227     romaji["Ｄ"] = "D";
 228     romaji["Ｅ"] = "E";
 229     romaji["Ｆ"] = "F";
 230     romaji["Ｇ"] = "G";
 231     romaji["Ｈ"] = "H";
 232     romaji["Ｉ"] = "I";
 233     romaji["Ｊ"] = "J";
 234     romaji["Ｋ"] = "K";
 235     romaji["Ｌ"] = "L";
 236     romaji["Ｍ"] = "M";
 237     romaji["Ｎ"] = "N";
 238     romaji["Ｏ"] = "O";
 239     romaji["Ｐ"] = "P";
 240     romaji["Ｑ"] = "Q";
 241     romaji["Ｒ"] = "R";
 242     romaji["Ｓ"] = "S";
 243     romaji["Ｔ"] = "T";
 244     romaji["Ｕ"] = "U";
 245     romaji["Ｖ"] = "V";
 246     romaji["Ｗ"] = "W";
 247     romaji["Ｘ"] = "X";
 248     romaji["Ｙ"] = "Y";
 249     romaji["Ｚ"] = "Z";
 250
 251     romaji["ａ"] = "a";
 252     romaji["ｂ"] = "b";
 253     romaji["ｃ"] = "c";
 254     romaji["ｄ"] = "d";
 255     romaji["ｅ"] = "e";
 256     romaji["ｆ"] = "f";
 257     romaji["ｇ"] = "g";
 258     romaji["ｈ"] = "h";
 259     romaji["ｉ"] = "i";
 260     romaji["ｊ"] = "j";
 261     romaji["ｋ"] = "k";
 262     romaji["ｌ"] = "l";
 263     romaji["ｍ"] = "m";
 264     romaji["ｎ"] = "n";
 265     romaji["ｏ"] = "o";
 266     romaji["ｐ"] = "p";
 267     romaji["ｑ"] = "q";
 268     romaji["ｒ"] = "r";
 269     romaji["ｓ"] = "s";
 270     romaji["ｔ"] = "t";
 271     romaji["ｕ"] = "u";
 272     romaji["ｖ"] = "v";
 273     romaji["ｗ"] = "w";
 274     romaji["ｘ"] = "x";
 275     romaji["ｙ"] = "y";
 276     romaji["ｚ"] = "z";
 277
 278     romaji["０"] = "0";
 279     romaji["１"] = "1";
 280     romaji["２"] = "2";
 281     romaji["３"] = "3";
 282     romaji["４"] = "4";
 283     romaji["５"] = "5";
 284     romaji["６"] = "6";
 285     romaji["７"] = "7";
 286     romaji["８"] = "8";
 287     romaji["９"] = "9";
 288
 289     romaji["！"] = "!";
 290     romaji["＂"] = "\"";
 291     romaji["＃"] = "#";
 292     romaji["＄"] = "$";
 293     romaji["％"] = "%";
 294     romaji["＆"] = "&";
 295     romaji["＇"] = "'";
 296     romaji["＊"] = "*";
 297     romaji["＋"] = "+";
 298     romaji["，"] = ",";
 299     romaji["－"] = "-";
 300     romaji["．"] = ".";
 301     romaji["／"] = "/";
 302
 303     romaji["："] = ":";
 304     romaji["；"] = ";";
 305     romaji["＜"] = "<";
 306     romaji["＝"] = "=";
 307     romaji["＞"] = ">";
 308     romaji["？"] = "?";
 309     romaji["＠"] = "@";
 310
 311     romaji["〔"] = "(";
 312     romaji["〕"] = ")";
 313     romaji["（"] = "(";
 314     romaji["）"] = ")";
 315     romaji["［"] = "[";
 316     romaji["］"] = "]";
 317     romaji["【"] = "[";
 318     romaji["】"] = "]";
 319     romaji["｛"] = "{";
 320     romaji["｝"] = "}";
 321     romaji["＼"] = "\\";
 322     romaji["＾"] = "^";
 323     romaji["＿"] = "_";
 324     romaji["｀"] = "`";
 325     romaji["｜"] = "|";
 326     romaji["～"] = "~";
 327     romaji["ー"] = "";
 328     romaji["。"] = ".";
 329     romaji["、"] = ",";
 330     romaji["〜"] = "~";
 331     romaji["−"] = "-";
 332     romaji["―"] = "-";
 333     romaji["　"] = " ";
 334
 335     romaji["ー"] = "\3";
 336 }
 337
 338 void remove_quote_1(
 339   string::size_type const pos,
 340   string &rom)
 341 {
 342   // if we encounter something like
 343   // "ki" + '\1'
 344   // remove the previous character of \1 and the \1
 345   // if \1 is followed by an 'y' remove that also
 346   rom.erase(
 347     pos - 1,
 348     (pos + 1 < rom.size()
 349      && rom[pos + 1] == 'y'
 350     )
 351       ? 3
 352       : 2);
 353 }
 354
 355 void kana2romaji(const string& kana, string& rom) {
 356     rom.clear();
 357     for (string::size_type pos = 0; pos < kana.size(); ) {
 358         string ch;
 359         utfchar(kana, pos, ch);
 360         romaji_map::const_iterator trans = romaji.find(ch);
 361         if (trans == romaji.end()) {
 362             rom += ch;
 363             if (ch.size() > 1)
 364                 cout << "Don't know how to translate '" << ch << "' in '" << kana << "' to romaji.\n";
 365         }
 366         else
 367             rom += trans->second;
 368         pos += ch.size();
 369     }
 370     for (string::size_type pos = 0; pos < rom.size(); ++pos)
 371         if (rom[pos] == '\1') {
 372
 373             if (pos > 2) {
 374                string const pred = rom.substr(pos - 3, 3);
 375                if(pred == "chi" ||
 376                   pred == "shi" ||
 377                   pred == "dzi" ||
 378                   pred == "tsu" ||
 379                   pred == "shi"
 380                ) {
 381                  remove_quote_1(pos, rom);
 382                  pos -= 2;
 383                  continue;
 384                }
 385             }
 386             if (pos > 1) {
 387
 388                string const pred = rom.substr(pos - 2, 2);
 389                if(pred == "ki" ||
 390                   pred == "ni" ||
 391                   pred == "mi" ||
 392                   pred == "ri" ||
 393                   pred == "gi" ||
 394                   pred == "ji" ||
 395                   pred == "hi" ||
 396                   pred == "bi" ||
 397                   pred == "pi"
 398                 )
 399                {
 400                  // shorten "ji\1y" to "j"
 401                  // otherwise remove "\1" and the preceding character
 402                  // but not the y
 403                  rom.erase(
 404                    pos - 1,
 405                    (pos + 1 < rom.size()
 406                     && rom[pos + 1] == 'y'
 407                     && pred[0] == 'j')
 408                       ? 3
 409                       : 2);
 410                   pos -= 2;
 411                  continue;
 412                }
 413                else if(
 414                   pred == "fu" ||
 415                   pred == "de" ||
 416                   pred == "te" ||
 417                   pred == "vu")
 418                {
 419                   remove_quote_1(pos, rom);
 420                   pos -= 2;
 421                  continue;
 422                }
 423                else if(
 424                  pred == "su" ||
 425                  pred == "zu" ||
 426                  pred == "te" ||
 427                  pred == "de" ||
 428                  pred == "ku" ||
 429                  pred == "gu" ||
 430                  pred == "mu"
 431                )
 432                {
 433                  rom[pos - 1] = 'w';
 434                  rom.erase(pos, 1);
 435                  --pos;
 436                  continue;
 437                }
 438                else if(
 439                  pred == "to" ||
 440                  pred == "do"
 441                )
 442                {
 443                  rom[pos - 1] = 'h';
 444                  rom.erase(pos, 1);
 445                  --pos;
 446                  continue;
 447                }
 448             }
 449
 450             if (pos > 0) {
 451               char const pred = rom[pos - 1];
 452
 453               switch(pred)
 454               {
 455               case 'a':
 456               case 'i':
 457               case 'u':
 458               case 'e':
 459               case 'o':
 460                 rom.erase(pos, 1);
 461                 --pos;
 462                 break;
 463               default:
 464                 cout << "Encountered a special character in " << kana << " but don't know what to do with it.\n";
 465               }
 466             }
 467             else
 468             {
 469               rom.erase(pos, 1);
 470               --pos;
 471             }
 472         }
 473         else if (rom[pos] == '\2')
 474         {
 475           // two tsu may follow each other, so just remove them
 476           if(pos + 1 < rom.size() && rom[pos + 1] != '\2')
 477             rom[pos] = rom[pos + 1];
 478           else
 479           {
 480             rom.erase(pos, 1);
 481             --pos;
 482           }
 483         }
 484         else if (rom[pos] == '\3')
 485         {
 486           if(pos == 0)
 487           {
 488             if(rom.size() == 1)
 489               rom = "chouon";
 490             else
 491             {
 492               cout << "ー is the first letter of " << kana << ". Don't know how to translate this.\n";
 493               rom.erase(pos, 1);
 494               --pos;
 495             }
 496           }
 497           else
 498             rom[pos] = rom[pos-1];
 499         }
 500
 501   for (string::size_type pos = 0; pos < rom.size(); ++pos)
 502     switch(rom[pos])
 503     {
 504     case '\1':
 505     case '\2':
 506     case '\3':
 507       cout << "Failed to translate " << kana << '\n';
 508       return;
 509     }
 510 }