NAME
Regexp::CharClasses::Thai - useful character properties for
Thai regular expressions (regex)
SYNOPSIS
use Regexp::CharClasses::Thai;
$c = "..."; # some UTF8 string
$c =~ /\p{InThaiCons}/; # match only Thai consonants
$c =~ /\p{InThaiTone}/; # match only Thai tone marks
- OR -
$c =~ /\p{IsThaiCons}/; # match only Thai consonants
$c =~ /\p{IsThaiTone}/; # match only Thai tone marks
# see description for full set of terms
DESCRIPTION
This module supplements the UTF-8 character-class definitions
available to regular expressions (regex) with special groups
relevant to Thai linguistics. The following classes are defined:
โมดูลนี้เป็นส่วนเสริมคำจำกัดความคลาสอักขระ UTF-8
ใช้ได้กับ (regex) ทั่วไป ด้วยกลุ่มพิเศษ
ที่เกี่ยวข้องกับภาษาไทย มีการกำหนดคลาสต่อไปนี้:
InThai / IsThai
Matches ALL characters in the Thai unicode code-point range.
จับคู่อักขระทั้งหมดในช่วงจุดโค้ดยูนิโค้ดภาษาไทย
InThaiCons / IsThaiCons
Matches Thai consonant letters, leaving out vowels (but including
those vowels which are sometimes consonants).
จับคู่พยัญชนะไทย (รวมสระที่บางครั้งเป็นพยัญชนะด้วย)
InThaiVowel / IsThaiVowel
Matches Thai vowels only, including compounded and free-standing
vowels. Exceptions here include several of the "consonants" which
also serve as vowels: o-ang, yo-yak, double ro-rua, lu and ru, and
wo-waen (อ, ย, รร, ฦ, ฤ, ว), which are also included except for
the two-character รร.
NOTE: Thai vowels cannot stand alone: they are always connected
with a consonant. Many of these, without their consonant
companions, will appear with the unicode dotted-circle character
(U+25CC) when rendered, showing a character is missing.
Conversely, Thai consonants can exist without a vowel, and some
Thai words do not have written vowels (the vowel is implied).
จับคู่สระไทยเท่านั้น รวมทั้งสระประกอบ และสระอิสระ ข้อยกเว้น
ในที่นี้รวมถึง "พยัญชนะ" หลายตัวซึ่งทำหน้าที่เป็นสระด้วย เช่น
(อ, ย, รร, ฦ, ฤ, ว) ซึ่งรวมอยู่ด้วยยกเว้นอักขระสองตัว รร
InThaiAlpha / IsThaiAlpha
Matches only the Thai alphabetic characters (consonants & vowels),
excluding all digits, tone marks, and punctuation marks.
จับคู่เฉพาะตัวอักษรไทย (พยัญชนะและสระ) ไม่รวมตัวเลข
เครื่องหมายวรรณยุกต์ และเครื่องหมายวรรคตอนทั้งหมด
InThaiWord / IsThaiWord
Matches all Thai characters used to form words, including:
consonants, vowels, and tone marks; but excluding all digits
and punctuation marks.
จับคู่ตัวอักษรไทยทั้งหมดที่ใช้สร้างคำ รวมทั้ง
พยัญชนะ สระ และเครื่องหมายวรรณยุกต์ แต่ไม่รวมตัวเลขทั้งหมด
และเครื่องหมายวรรคตอน
InThaiTone / IsThaiTone
Matches only the Thai tone marks, leaving out all letters,
digits and punctuation marks.
จับคู่เฉพาะเครื่องหมายวรรณยุกต์ไทยโดยไม่รวม ตัวอักษร
ตัวเลข หรือ เครื่องหมายวรรคตอน ทั้งหมด
InThaiMute / IsThaiMute
The single character U+0E4C (Thai Thanthakhat/Garan), as it seems
neither typical of a tone mark, nor a punctuation mark. It comes
nearer to usage as a tone mark, but instead of affecting the tone
of a vowel, it silences one or more consonants.
อักษรตัวเดียว ธัณฑฆาต/การันต์
InThaiPunct / IsThaiPunct
Matches Thai punctuation characters, not including tone marks,
white space, digits or alphabetic characters, and not including
non-Thai punctuation marks (such as English [.,'"!?] etc.).
จับคู่อักขระเครื่องหมายวรรคตอนภาษาไทย ไม่รวมเครื่องหมายวรรณยุกต์
ช่องว่าง ตัวเลข หรือ ตัวอักษร และไม่รวม เครื่องหมายวรรคตอน
ที่ไม่ใช่ภาษาไทย (เช่น อังกฤษ [.,'"!?] เป็นต้น)
InThaiCompVowel / IsThaiCompVowel
Matches only the Thai vowels which are compounded with a Thai
consonant, and matching only the vowel portion of the compounded
character: ◌ั ◌ิ ◌ี ◌ึ ◌ื ◌ุ ◌ู ◌็ ◌ํ
จับคู่เฉพาะสระไทยที่ประกอบกับพยัญชนะไทยเท่านั้น
และจับคู่เฉพาะส่วนสระของตัวอักษรนั้นที่ประสมเท่านั้น
นั่นคือ: ◌ั ◌ิ ◌ี ◌ึ ◌ื ◌ุ ◌ู ◌็ ◌ํ
InThaiPreVowel / IsThaiPreVowel
Matches only the subset of vowels which appear before the
consonant with which they are associated (though in Thai they
are sounded after said consonant); this excludes all
consonant-vowels and does not include any of the compounded vowels.
จับคู่เฉพาะชุดย่อยของสระที่ปรากฏ ก่อน พยัญชนะที่เกี่ยวข้อง
(แต่เป็นภาษาไทยถูกฟัง หลัง พยัญชนะดังกล่าว);
นี่ไม่รวมทั้งหมด พยัญชนะ-สระ และไม่รวมถึงสระประสมใดๆ
InThaiPostVowel / IsThaiPostVowel
Matches only the vowels which appear after the consonant
with which they are associated; this excludes all consonant-vowels
and does not include any of the compounded vowels.
จับคู่เฉพาะสระนั้นที่ปรากฏ หลัง พยัญชนะ ที่เกี่ยวข้อง
ไม่รวมพยัญชนะ-สระทั้งหมด และ ไม่รวมถึงสระประสมใดๆ
InThaiHCons / IsThaiHCons
Matches Thai high-class consonants: ข ฃ ฉ ฐ ถ ผ ฝ ศ ษ ส ห.
จับคู่พยัญชนะไทยชั้นสูง: ข ฃ ฉ ฐ ถ ผ ฝ ศ ษ ส ห.
InThaiMCons / IsThaiMCons
Matches Thai middle-class consonants: ก จ ฎ ฏ ด ต บ ป อ.
จับคู่พยัญชนะไทยชนชั้นกลาง: ก จ ฎ ฏ ด ต บ ป อ.
InThaiLCons / IsThaiLCons
Matches Thai low-class consonants: จับคู่พยัญชนะไทยชั้นต่ำ:
ค ฅ ฆ ง ช ซ ฌ ญ ฑ ฒ ณ ท ธ น พ ฟ ภ ม ย ร ฤ ล ฦ ว ฬ ฮ.
InThaiFinCons / IsThaiFinCons
Matches Thai consonants which can occur as the final consonant
of a syllable. This excludes ฉ, ซ, ผ, ฝ, ห, ฮ, which never
appear at the end of a Thai syllable, as well as ย, ว, อ, which
only appear at the end of a syllable when used as a vowel.
NOTE: Any Thai consonant can be an initial consonant, so there is
no separate designation for these: just use 'InThaiCons' or
'IsThaiCons'.
จับคู่พยัญชนะไทยซึ่งอาจเป็นพยัญชนะตัวสุดท้ายของพยางค์ได้
ทั้งนี้ ไม่รวมถึง ฉ ซ ผ ฝ ห ห ฮ ซึ่งไม่เคยปรากฏต่อท้ายพยางค์ไทย
และ ไม่รวมถึง ย ว อ ซึ่งปรากฏที่ท้ายพยางค์เมื่อใช้เป็นสระเท่านั้น
หมายเหตุ: พยัญชนะไทยใดๆ ก็สามารถเป็นพยัญชนะเริ่มต้นได้
ดังนั้นจึงไม่มีการกำหนดแยกสำหรับพยัญชนะเหล่านี้:
เพียงใช้ 'InThaiCons' หรือ 'IsThaiCons'
InThaiDualCons / IsThaiDualCons
Matches Thai consonants which are often paired as the primary
"consonant" of the syllable (the leading ones), around which a
single vowel or vowel combination will be centered. Many
combinations of consonants, unassociated by a single vowel, may
occur in Thai: this does not address them. For example:
the "hm" in "hma" (dog) function together as if they were
a single consonant--the high-class "h" giving its tone to the "m".
This attempts to address these common consonant pairs.
IT MAY NOT BE EXHAUSTIVE.
จับคู่พยัญชนะไทยซึ่งมักจับคู่เป็น "พยัญชนะ" หลักของพยางค์ (ตัวนำ)
โดยจะเน้นการใช้สระเดี่ยวหรือสระรวมกัน
พยัญชนะหลายตัวที่ไม่เกี่ยวข้องกันด้วยสระตัวเดียวอาจเกิดขึ้นในภาษาไทย
แต่ไม่ได้กล่าวถึง ตัวนั้น เช่น: "หม" ใน "หมา" ทำงานร่วมกันราวกับว่า
เป็นพยัญชนะตัวเดียว - "ห" ระดับสูงที่ให้เสียงของ "ม"
นี่เป็นการพยายามพูดถึงคู่พยัญชนะทั่วไปเหล่านี้
มันอาจจะไม่ละเอียดถี่ถ้วน
InThaiDualC1 / IsThaiDualC1
Matches the initial consonant of a dual-consonant as described
above.
จับคู่พยัญชนะเริ่มต้นของพยัญชนะคู่ตามที่อธิบายไว้ข้างบน.
InThaiDualC2 / IsThaiDualC2
Matches the second consonant of a dual-consonant as described
above.
จับคู่พยัญชนะตัวที่สองของพยัญชนะคู่ตามที่อธิบายไว้ข้างต้น
InThaiConsVowel / IsThaiConsVowel
Matches Thai characters which can function as either consonants
or vowels: ย ร ฤ ฦ ว อ.
จับคู่ตัวอักษรไทยซึ่งทำหน้าที่เป็นพยัญชนะหรือสระได้: ย ร ฤ ฦ ว อ.
Note: Thais consider 0E33 (◌ำ) to be only a vowel, and it can
never function as only a consonant (it must always have a vowel
component), so it is NOT included here: but it is actually a
vowel-consonant combination, phonetically, finishing with the
"m" sound. This class addresses only Thai characters which can
be either consonant or vowel, but not both at the same time.
Additionally, 0E23 (ร) is a consonant which, when doubled (รร),
functions as a vowel. (In actual fact, it functions as a
vowel-consonant combination as well, with the final consonant sound
varying based on its usage context.) Though it can never be a
vowel if it occurs singly, these properties cannot be defined to
span two consecutive characters, so it IS included here.
หมายเหตุ: คนไทยถือว่า 0E33 (◌ำ) เป็นเพียงสระเท่านั้น และไม่สามารถ
ทำหน้าที่เป็นเพียงพยัญชนะได้ (จะต้องมีส่วนประกอบของสระเสมอ)
จึงไม่รวมไว้ที่นี่ แต่จริงๆ แล้วเป็นสระผสมพยัญชนะ ตามสัทศาสตร์
ลงท้ายด้วยเสียง "ม" กลุ่มนี้ี้เน้นเฉพาะตัวอักษรไทย
ที่เป็นพยัญชนะหรือสระก็ได้ แต่ไม่ใช่ทั้งสองตัวพร้อมกัน
นอกจากนี้ 0E23 (ร) ยังเป็นพยัญชนะซึ่งเมื่อเติม (รร) สองตัวแล้ว
จะทำหน้าที่เป็นสระ (ในความเป็นจริง มันทำหน้าที่เป็นเสียงสระ
ผสมพยัญชนะด้วย โดยเสียงพยัญชนะตัวสุดท้ายจะแตกต่างกันไปตามบริบท
การใช้งาน) แม้ว่าจะเป็นสระเดี่ยวไม่ได้หากเกิดขึ้นเพียงตัวเดียว
แต่คุณสมบัติเหล่านี้ไม่สามารถกำหนดให้ขยายสองช่วงติดต่อกันได้
ตัวอักษร จึงรวมไว้ที่นี่
InThaiDigit / IsThaiDigit
Matches Thai numerical digits only: ๐ ๑ ๒ ๓ ๔ ๕ ๖ ๗ ๘ ๙.
จับคู่ตัวเลขไทยเท่านั้น: ๐ ๑ ๒ ๓ ๔ ๕ ๖ ๗ ๘ ๙.
InThaiCurrency / IsThaiCurrency
Matches the Thai baht currency character: ฿.
จับคู่อักขระสกุลเงินบาทไทย: ฿.
EXPORTS
Exports 'classes' by default.
PROPERTIES
The following properties are exported from Regexp::CharClasses::Thai:
:classes
InThai InThaiAlpha InThaiWord InThaiCons InThaiHCons InThaiMCons
InThaiLCons InThaiVowel InThaiPreVowel InThaiPostVowel
InThaiCompVowel InThaiDigit InThaiTone InThaiMute InThaiPunct
InThaiCurrency InThaiFinCons InThaiDualCons InThaiDualC1
InThaiDualC2 InThaiConsVowel
IsThai IsThaiAlpha IsThaiWord IsThaiCons IsThaiHCons IsThaiMCons
IsThaiLCons IsThaiVowel IsThaiPreVowel IsThaiPostVowel
IsThaiCompVowel IsThaiDigit IsThaiTone IsThaiMute IsThaiPunct
IsThaiCurrency IsThaiFinCons IsThaiDualCons IsThaiDualC1
IsThaiDualC2 IsThaiConsVowel
:characters
InKokai InKhokhai InKhokhuat InKhokhwai InKhokhon
InKhorakhang InNgongu InChochan InChoching InChochang InSoso
InShochoe InYoying InDochada InTopatak InThothan InThonangmontho
InThophuthao InNonen InDodek InTotao InThothung InThothahan
InThothong InNonu InBobaimai InPopla InPhophung InFofa InPhophan
InFofan InPhosamphao InMoma InYoyak InRorua InRu InLoling InLu
InWowaen InSosala InSorusi InSosua InHohip InLochula InOang
InHonokhuk InPaiyannoi InSaraa InMaihanakat InSaraaa InSaraam
InSarai InSaraii InSaraue InSarauee InSarau InSarauu InPhinthu
InBaht InSarae InSaraae InSarao InSaraaimaimuan InSaraaimaimalai
InLakkhangyao InMaiyamok InMaitaikhu InMaiek InMaitho InMaitri
InMaichattawa InThanthakhat InGaran InNikhahit InYamakkan
InFongman InThZero InThOne InThTwo InThThree InThFour InThFive
InThSix InThSeven InThEight InThNine InAngkhankhu InKhomut
IsKokai IsKhokhai IsKhokhuat IsKhokhwai IsKhokhon
IsKhorakhang IsNgongu IsChochan IsChoching IsChochang IsSoso
IsShochoe IsYoying IsDochada IsTopatak IsThothan IsThonangmontho
IsThophuthao IsNonen IsDodek IsTotao IsThothung IsThothahan
IsThothong IsNonu IsBobaimai IsPopla IsPhophung IsFofa IsPhophan
IsFofan IsPhosamphao IsMoma IsYoyak IsRorua IsRu IsLoling IsLu
IsWowaen IsSosala IsSorusi IsSosua IsHohip IsLochula IsOang
IsHonokhuk IsPaiyannoi IsSaraa IsMaihanakat IsSaraaa IsSaraam
IsSarai IsSaraii IsSaraue IsSarauee IsSarau IsSarauu IsPhinthu
IsBaht IsSarae IsSaraae IsSarao IsSaraaimaimuan IsSaraaimaimalai
IsLakkhangyao IsMaiyamok IsMaitaikhu IsMaiek IsMaitho IsMaitri
IsMaichattawa IsThanthakhat IsGaran IsNikhahit IsYamakkan
IsFongman IsThZero IsThOne IsThTwo IsThThree IsThFour IsThFive
IsThSix IsThSeven IsThEight IsThNine IsAngkhankhu IsKhomut
EXAMPLES
use Regexp::CharClasses::Thai qw( :all );
'ก' =~ /\p{InThai}/; # Match
'ก' =~ /\p{InThaiAlpha}/; # Match
'ก' =~ /\p{InThaiCons}/; # Match
'ก' =~ /\p{InThaiHCons}/; # No match
'ก' =~ /\p{InThaiMCons}/; # Match
'ก' =~ /\p{InThaiLCons}/; # No match
'ก' =~ /\p{InThaiDigit}/; # No match
'ก' =~ /\p{InThaiTone}/; # No match
'ก' =~ /\p{InThaiVowel}/; # No match
'ก' =~ /\p{InThaiCompVowel}/; # No match
'ก' =~ /\p{InThaiPreVowel}/; # No match
'ก' =~ /\p{InThaiPostVowel}/; # No match
'ก' =~ /\p{InThaiPunct}/; # No match
'ก' =~ /\p{IsKokai}/; # Match
'ไ' =~ /\p{InThai}/; # Match
'ไ' =~ /\p{InThaiAlpha}/; # Match
'ไ' =~ /\p{InThaiCons}/; # No match
'ไ' =~ /\p{InThaiHCons}/; # No match
'ไ' =~ /\p{InThaiMCons}/; # No match
'ไ' =~ /\p{InThaiLCons}/; # No match
'ไ' =~ /\p{InThaiDigit}/; # No match
'ไ' =~ /\p{InThaiTone}/; # No match
'ไ' =~ /\p{InThaiVowel}/; # Match
'ไ' =~ /\p{InThaiCompVowel}/; # No match
'ไ' =~ /\p{InThaiPreVowel}/; # Match
'ไ' =~ /\p{InThaiPostVowel}/; # No match
'ไ' =~ /\p{InThaiPunct}/; # No match
'ไ' =~ /\p{IsSaraaimaimalai}/; # Match
MORE COMPLEX USAGE EXAMPLE
my $phrase = 'ข่าวนี้ได้แพร่สะพัดออกไปอย่างรวดเร็ว';
print "A phrase with multiple syllables: $phrase\n";
my $prevowel_syllables = $phrase =~ s/
(
(?:\p{InThaiPreVowel})
(?:
(?:\p{InThaiDualC1}\p{InThaiDualC2})
|
(?:\p{InThaiCons}){1}
)
(?:[\p{InThaiTone}\p{InThaiCompVowel}\p{InThaiPostVowel}]){0,3}
(?:
(?:[\p{InThaiFinCons}\p{IsYoyak}\p{IsWowaen}]){0,5}
(?!\p{InThaiPostVowel})
)*
(?:\p{InThaiMute})?
)
/($1)/gx;
print "Syllables with pre-vowels marked: $phrase\n";
print "Number of these marked syllables: $prevowel_syllables\n";
UNICODE
All of the character codepoints in this module are based on the
official unicode designations for Thai as found in this chart:
จุดโค้ดอักขระทั้งหมดในโมดูลนี้อิงตามการกำหนดยูนิโค้ดอย่าง
เป็นทางการสำหรับภาษาไทยดังที่พบในแผนภูมินี้:
L
The spellings of these latinized/transliterated character names
as used in the property definitions for each character come
directly from this unicode chart, sans spaces, and with only their
first letter in uppercase. The "Garan" (a common name) is added
as an alias for its official name, Thanthakhat (of uncommon usage).
การสะกดของชื่ออักขระแบบลาติน/ทับศัพท์ที่ใช้ในคำจำกัดความของ
คุณสมบัติสำหรับอักขระแต่ละตัวนั้นมาจากแผนภูมิยูนิโค้ดนี้
การเว้นวรรคแบบไม่มี และมีเพียงอักษรตัวแรกเป็นตัวพิมพ์ใหญ่เท่านั้น
มีการเพิ่ม "Garan" (การันต์ - ชื่อสามัญ) เป็นนามแฝงสำหรับชื่อ
อย่างเป็นทางการว่า ธัณฑฆาต (ซึ่งเป็นคำที่ใช้ไม่ธรรมดา)
USAGE NOTES
Each of the defined properties may be accessed by either form:
\p{InProperty} -OR-
\p{IsProperty}
For example, \p{InThaiVowel} and \p{IsThaiVowel} have identical
implementation--there is no difference between them. This
flexibility is built-in on account of ambiguities in the formats
used by various codebases, and the fact that Perl supports both.
TO VIEW ALL CHARACTERS OF A CLASS...
You may list the codepoints of a character class by simply
calling that class as an ordinary function. For example:
my @chars = &InThaiCompVowel;
print @chars;
This will print:
0E31
0E34
0E35
0E36
0E37
0E38
0E39
0E3A
0E47
0E4D
To print them as the actual UTF8 characters these codepoints
represent, try this:
my @chars = split(/\n/, InThaiPreVowel);
foreach my $char (@chars) {
print chr(hex($char));
}
INSTALLATION
To install this module type the following:
perl Makefile.PL
make
make test
make install
BUGS
COMBINATIONS
Combinations cannot be handled by this module.
The doubled consonant C<รร> in some syllables becomes
vowel + consonant; whereas it will only be counted as
a consonant here.
AMBIGUITIES
Where a character can function as either consonant or vowel,
it may get included in both categories, i.e. it may match
either one. This includes the Thai 0E24 (ฤ) and 0E26 (ฦ)
characters which are considered "sonorant" consonants by some,
and strictly as vowels by others.
PREREQUISITES
Perl 5.8.3 or newer
Exporter 5.57 or newer
utf8
AUTHOR
Erik Mundall L.
COPYRIGHT and LICENSE
Regexp::CharClasses::Thai is designed to enable detailed
regular expressions, with the ability to identify important
characteristics of Thai alphabetic characters, digits and symbols.
Copyright (C) 2023 Erik Mundall
This program is free software: you can redistribute it and/or
modify it under the terms of the GNU General Public License as
published by the Free Software Foundation, either version 3 of
the License, or (at your option) any later version.
This program is distributed in the hope that it will be useful,
but WITHOUT ANY WARRANTY; without even the implied warranty of
MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the
GNU General Public License for more details.
You should have received a copy of the GNU General Public License
along with this program. If not, see:
L.