Open-ILS/src/sql/Pg/upgrade/1194.schema.normalize_quotes.sql

   1 BEGIN;
   2
   3 SELECT evergreen.upgrade_deps_block_check('1194', :eg_version);
   4
   5 CREATE OR REPLACE FUNCTION public.naco_normalize( TEXT, TEXT ) RETURNS TEXT AS $func$
   6
   7     use strict;
   8     use Unicode::Normalize;
   9     use Encode;
  10
  11     my $str = shift;
  12     my $sf = shift;
  13
  14     # Apply NACO normalization to input string; based on
  15     # https://www.loc.gov/aba/pcc/naco/documents/SCA_PccNormalization_Final_revised.pdf
  16     #
  17     # Note that unlike a strict reading of the NACO normalization rules,
  18     # output is returned as lowercase instead of uppercase for compatibility
  19     # with previous versions of the Evergreen naco_normalize routine.
  20
  21     # Convert to upper-case first; even though final output will be lowercase, doing this will
  22     # ensure that the German eszett (ß) and certain ligatures (ﬀ, ﬁ, ﬄ, etc.) will be handled correctly.
  23     # If there are any bugs in Perl's implementation of upcasing, they will be passed through here.
  24     $str = uc $str;
  25
  26     # remove non-filing strings
  27     $str =~ s/\x{0098}.*?\x{009C}//g;
  28
  29
  30     # Replace unicode curly single and double quote-like characters with straight
  31     $str =~ s/[\x{2018}\x{2019}\x{201B}\x{FF07}\x{201A}]/\x{0027}/g;
  32     $str =~ s/[\x{201C}\x{201D}\x{201F}\x{FF0C}\x{201E}\x{2E42}]/\x{0022}/g;
  33
  34     $str = NFKD($str);
  35
  36     # additional substitutions - 3.6.
  37     $str =~ s/\x{00C6}/AE/g;
  38     $str =~ s/\x{00DE}/TH/g;
  39     $str =~ s/\x{0152}/OE/g;
  40     $str =~ tr/\x{0110}\x{00D0}\x{00D8}\x{0141}\x{2113}\x{02BB}\x{02BC}]['/DDOLl/d;
  41
  42     # transformations based on Unicode category codes
  43     $str =~ s/[\p{Cc}\p{Cf}\p{Co}\p{Cs}\p{Lm}\p{Mc}\p{Me}\p{Mn}]//g;
  44
  45         if ($sf && $sf =~ /^a/o) {
  46                 my $commapos = index($str, ',');
  47                 if ($commapos > -1) {
  48                         if ($commapos != length($str) - 1) {
  49                 $str =~ s/,/\x07/; # preserve first comma
  50                         }
  51                 }
  52         }
  53
  54     # since we've stripped out the control characters, we can now
  55     # use a few as placeholders temporarily
  56     $str =~ tr/+&@\x{266D}\x{266F}#/\x01\x02\x03\x04\x05\x06/;
  57     $str =~ s/[\p{Pc}\p{Pd}\p{Pe}\p{Pf}\p{Pi}\p{Po}\p{Ps}\p{Sk}\p{Sm}\p{So}\p{Zl}\p{Zp}\p{Zs}]/ /g;
  58     $str =~ tr/\x01\x02\x03\x04\x05\x06\x07/+&@\x{266D}\x{266F}#,/;
  59
  60     # decimal digits
  61     $str =~ tr/\x{0660}-\x{0669}\x{06F0}-\x{06F9}\x{07C0}-\x{07C9}\x{0966}-\x{096F}\x{09E6}-\x{09EF}\x{0A66}-\x{0A6F}\x{0AE6}-\x{0AEF}\x{0B66}-\x{0B6F}\x{0BE6}-\x{0BEF}\x{0C66}-\x{0C6F}\x{0CE6}-\x{0CEF}\x{0D66}-\x{0D6F}\x{0E50}-\x{0E59}\x{0ED0}-\x{0ED9}\x{0F20}-\x{0F29}\x{1040}-\x{1049}\x{1090}-\x{1099}\x{17E0}-\x{17E9}\x{1810}-\x{1819}\x{1946}-\x{194F}\x{19D0}-\x{19D9}\x{1A80}-\x{1A89}\x{1A90}-\x{1A99}\x{1B50}-\x{1B59}\x{1BB0}-\x{1BB9}\x{1C40}-\x{1C49}\x{1C50}-\x{1C59}\x{A620}-\x{A629}\x{A8D0}-\x{A8D9}\x{A900}-\x{A909}\x{A9D0}-\x{A9D9}\x{AA50}-\x{AA59}\x{ABF0}-\x{ABF9}\x{FF10}-\x{FF19}/0-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-9/;
  62
  63     # intentionally skipping step 8 of the NACO algorithm; if the string
  64     # gets normalized away, that's fine.
  65
  66     # leading and trailing spaces
  67     $str =~ s/\s+/ /g;
  68     $str =~ s/^\s+//;
  69     $str =~ s/\s+$//g;
  70
  71     return lc $str;
  72 $func$ LANGUAGE 'plperlu' STRICT IMMUTABLE;
  73
  74 CREATE OR REPLACE FUNCTION public.search_normalize( TEXT, TEXT ) RETURNS TEXT AS $func$
  75
  76     use strict;
  77     use Unicode::Normalize;
  78     use Encode;
  79
  80     my $str = shift;
  81     my $sf = shift;
  82
  83     # Apply NACO normalization to input string; based on
  84     # https://www.loc.gov/aba/pcc/naco/documents/SCA_PccNormalization_Final_revised.pdf
  85     #
  86     # Note that unlike a strict reading of the NACO normalization rules,
  87     # output is returned as lowercase instead of uppercase for compatibility
  88     # with previous versions of the Evergreen naco_normalize routine.
  89
  90     # Convert to upper-case first; even though final output will be lowercase, doing this will
  91     # ensure that the German eszett (ß) and certain ligatures (ﬀ, ﬁ, ﬄ, etc.) will be handled correctly.
  92     # If there are any bugs in Perl's implementation of upcasing, they will be passed through here.
  93     $str = uc $str;
  94
  95     # remove non-filing strings
  96     $str =~ s/\x{0098}.*?\x{009C}//g;
  97
  98     # Replace unicode curly single and double quote-like characters with straight
  99     $str =~ s/[\x{2018}\x{2019}\x{201B}\x{FF07}\x{201A}]/\x{0027}/g;
 100     $str =~ s/[\x{201C}\x{201D}\x{201F}\x{FF0C}\x{201E}\x{2E42}]/\x{0022}/g;
 101
 102
 103     $str = NFKD($str);
 104
 105     # additional substitutions - 3.6.
 106     $str =~ s/\x{00C6}/AE/g;
 107     $str =~ s/\x{00DE}/TH/g;
 108     $str =~ s/\x{0152}/OE/g;
 109     $str =~ tr/\x{0110}\x{00D0}\x{00D8}\x{0141}\x{2113}\x{02BB}\x{02BC}][/DDOLl/d;
 110
 111     # transformations based on Unicode category codes
 112     $str =~ s/[\p{Cc}\p{Cf}\p{Co}\p{Cs}\p{Lm}\p{Mc}\p{Me}\p{Mn}]//g;
 113
 114         if ($sf && $sf =~ /^a/o) {
 115                 my $commapos = index($str, ',');
 116                 if ($commapos > -1) {
 117                         if ($commapos != length($str) - 1) {
 118                 $str =~ s/,/\x07/; # preserve first comma
 119                         }
 120                 }
 121         }
 122
 123     # since we've stripped out the control characters, we can now
 124     # use a few as placeholders temporarily
 125     $str =~ tr/+&@\x{266D}\x{266F}#/\x01\x02\x03\x04\x05\x06/;
 126     $str =~ s/[\p{Pc}\p{Pd}\p{Pe}\p{Pf}\p{Pi}\p{Po}\p{Ps}\p{Sk}\p{Sm}\p{So}\p{Zl}\p{Zp}\p{Zs}]/ /g;
 127     $str =~ tr/\x01\x02\x03\x04\x05\x06\x07/+&@\x{266D}\x{266F}#,/;
 128
 129     # decimal digits
 130     $str =~ tr/\x{0660}-\x{0669}\x{06F0}-\x{06F9}\x{07C0}-\x{07C9}\x{0966}-\x{096F}\x{09E6}-\x{09EF}\x{0A66}-\x{0A6F}\x{0AE6}-\x{0AEF}\x{0B66}-\x{0B6F}\x{0BE6}-\x{0BEF}\x{0C66}-\x{0C6F}\x{0CE6}-\x{0CEF}\x{0D66}-\x{0D6F}\x{0E50}-\x{0E59}\x{0ED0}-\x{0ED9}\x{0F20}-\x{0F29}\x{1040}-\x{1049}\x{1090}-\x{1099}\x{17E0}-\x{17E9}\x{1810}-\x{1819}\x{1946}-\x{194F}\x{19D0}-\x{19D9}\x{1A80}-\x{1A89}\x{1A90}-\x{1A99}\x{1B50}-\x{1B59}\x{1BB0}-\x{1BB9}\x{1C40}-\x{1C49}\x{1C50}-\x{1C59}\x{A620}-\x{A629}\x{A8D0}-\x{A8D9}\x{A900}-\x{A909}\x{A9D0}-\x{A9D9}\x{AA50}-\x{AA59}\x{ABF0}-\x{ABF9}\x{FF10}-\x{FF19}/0-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-90-9/;
 131
 132     # intentionally skipping step 8 of the NACO algorithm; if the string
 133     # gets normalized away, that's fine.
 134
 135     # leading and trailing spaces
 136     $str =~ s/\s+/ /g;
 137     $str =~ s/^\s+//;
 138     $str =~ s/\s+$//g;
 139
 140     return lc $str;
 141 $func$ LANGUAGE 'plperlu' STRICT IMMUTABLE;
 142
 143 COMMIT;