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

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