Open-ILS/src/sql/Pg/upgrade/0478.schema.naco_normalize_tweak.sql

   1 BEGIN;
   2
   3 INSERT INTO config.upgrade_log (version) VALUES ('0478'); -- gmcharlt
   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 = decode_utf8(shift);
  12     my $sf = shift;
  13
  14     # Apply NACO normalization to input string; based on
  15     # http://www.loc.gov/catdir/pcc/naco/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     $str = NFKD($str);
  30
  31     # additional substitutions - 3.6.
  32     $str =~ s/\x{00C6}/AE/g;
  33     $str =~ s/\x{00DE}/TH/g;
  34     $str =~ s/\x{0152}/OE/g;
  35     $str =~ tr/\x{0110}\x{00D0}\x{00D8}\x{0141}\x{2113}\x{02BB}\x{02BC}]['/DDOLl/d;
  36
  37     # transformations based on Unicode category codes
  38     $str =~ s/[\p{Cc}\p{Cf}\p{Co}\p{Cs}\p{Lm}\p{Mc}\p{Me}\p{Mn}]//g;
  39
  40         if ($sf && $sf =~ /^a/o) {
  41                 my $commapos = index($str, ',');
  42                 if ($commapos > -1) {
  43                         if ($commapos != length($str) - 1) {
  44                 $str =~ s/,/\x07/; # preserve first comma
  45                         }
  46                 }
  47         }
  48
  49     # since we've stripped out the control characters, we can now
  50     # use a few as placeholders temporarily
  51     $str =~ tr/+&@\x{266D}\x{266F}#/\x01\x02\x03\x04\x05\x06/;
  52     $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;
  53     $str =~ tr/\x01\x02\x03\x04\x05\x06\x07/+&@\x{266D}\x{266F}#,/;
  54
  55     # decimal digits
  56     $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/;
  57
  58     # intentionally skipping step 8 of the NACO algorithm; if the string
  59     # gets normalized away, that's fine.
  60
  61     # leading and trailing spaces
  62     $str =~ s/\s+/ /g;
  63     $str =~ s/^\s+//;
  64     $str =~ s/\s+$//g;
  65
  66     return lc $str;
  67 $func$ LANGUAGE 'plperlu' STRICT IMMUTABLE;
  68
  69 COMMIT;