XeLaTeX, LuaLaTeX, fontspec, unicode e normalização

Question

Estou preocupado com a maneira como LuaTeX e XeLaTeX normalizam caracteres compostos em Unicode. Quero dizer NFC/NFD.

Veja o seguinte MWE

\documentclass{article}
\usepackage{fontspec}
\setmainfont{Linux Libertine O}

\begin{document}


ᾳ GREEK SMALL LETTER ALPHA (U+03B1) + COMBINING GREEK YPOGEGRAMMENI (U+0345)

ᾳ GREEK SMALL LETTER ALPHA WITH YPOGEGRAMMENI (U+1FB3)

\end{document}

Com LuaLaTeX obtenho:

Como você pode ver, Lua não normaliza caracteres unicode e como o Linux Libertine tem um bug (http://sourceforge.net/p/linuxlibertine/bugs/266/), eu tenho um mau caráter.

Com XeLaTeX, obtenho

Como você pode ver, o Unicode está normalizado.

Minhas três perguntas são:

1. Por que o XeLaTeX normalizou (em NFC), apesar de eu não ter usado\XeTeXinputnormalization
2. Esse recurso mudou em relação ao passado. Porque o meu anterior, com o TeXLive 2012, foi um resultado ruim (veja os artigos que escrevi neste momentohttp://geekographie.maieul.net/Normalisation-des-caracteres)
3. O LuaTeX tem opção como existe \XeTeXinputnormalizationno XeTeX?

Answer 1

Não sei a resposta para as duas primeiras perguntas, pois não uso XeTeX, mas quero oferecer uma opção para a terceira pergunta.

Graças aO código de ArturConsegui criar um pacote básico para normalização unicode no LuaLaTeX. O código precisou apenas de pequenas modificações para funcionar com o LuaTeX atual. Vou postar apenas o arquivo Lua principal aqui, o projeto completo está disponível emGithub como não normalizado.

Uso de amostra:

\documentclass{article}
\usepackage{fontspec}
\usepackage[czech]{babel}
\setmainfont{Linux Libertine O}
\usepackage[nodes,buffer=false, debug]{uninormalize}
\begin{document}

Some tests:
\begin{itemize}
  \item combined letter ᾳ %GREEK SMALL LETTER ALPHA (U+03B1) + COMBINING GREEK YPOGEGRAMMENI (U+0345)
  \item normal letter ᾳ% GREEK SMALL LETTER ALPHA WITH YPOGEGRAMMENI (U+1FB3)
\end{itemize}

Some more combined and normal letters: 
óóōōöö

Linux Libertine does support some combined chars: \parbox{4em}{příliš}
\end{document}

(observe que a versão correta deste arquivo está no Github, as letras combinadas foram transferidas incorretamente neste exemplo)

A ideia principal do pacote é a seguinte: processar a entrada, e quando for encontrada uma letra seguida de marcas combinadas, ela será substituída pelo formato NFC normalizado. Dois métodos são fornecidos, minha primeira abordagem foi usar retornos de chamada de processamento de nó para substituir glifos decompostos por caracteres normalizados. Isto teria a vantagem de ser possível ligar e desligar o processamento em qualquer lugar, utilizando atributos do nó. O outro recurso possível poderia ser verificar se a fonte atual contém caracteres normalizados e usar o formato original, caso contrário. Infelizmente, em meus testes ele falha com alguns caracteres, principalmente compostos ínos nós como dotless i + ´, em vez de i + ´, que após a normalização não produz o caractere correto, então caracteres compostos são usados. Mas isso produz uma saída com mau posicionamento do acento. Portanto, este método precisa de alguma correção ou está totalmente errado.

Portanto, o outro método é usar process_input_buffero retorno de chamada para normalizar o arquivo de entrada conforme ele é lido no disco. Este método não permite usar informações de fontes, nem permite desligar no meio da linha, mas é significativamente mais fácil de implementar, a função de retorno de chamada pode ficar assim:

function buffer_callback(line) 
  return NFC(line)
end 

o que é uma descoberta muito boa depois de três dias gastos na versão de processamento de nós.

Por curiosidade este é o pacote Lua:

local M = {}
dofile("unicode-names.lua")
dofile('unicode-normalization.lua')
local NFC = unicode.conformance.toNFC
local char = unicode.utf8.char
local gmatch = unicode.utf8.gmatch
local name = unicode.conformance.name
local byte = unicode.utf8.byte
local unidata = characters.data
local length = unicode.utf8.len

M.debug = false

-- for some reason variable number of arguments doesn't work
local function debug_msg(a,b,c,d,e,f,g,h,i)
  if M.debug then
    local t = {a,b,c,d,e,f,g,h,i}
    print("[uninormalize]", unpack(t))
  end
end

local function make_hash (t) 
  local y = {}
  for _,v in ipairs(t) do 
    y[v] = true
  end
  return y
end

local letter_categories = make_hash {"lu","ll","lt","lo","lm"}

local mark_categories = make_hash {"mn","mc","me"}

local function printchars(s)
    local t = {}
    for x in gmatch(s,".") do
        t[#t+1] = name(byte(x))
    end
    debug_msg("characters",table.concat(t,":"))
end

local categories = {}


local function get_category(charcode)
  local charcode = charcode or ""
  if categories[charcode] then
    return categories[charcode] 
  else
    local unidatacode = unidata[charcode] or {}
    local category = unidatacode.category
    categories[charcode] = category
    return category
  end
end

-- get glyph char and category
local function glyph_info(n)
  local char = n.char
  return char, get_category(char)
end

local function get_mark(n)
  if n.id == 37 then
    local character, cat = glyph_info(n)
    if mark_categories[cat] then
      return char(character)
    end
  end
  return false
end

local function make_glyphs(head, nextn,s, lang, font, subtype) 
  local g = function(a) 
    local new_n = node.new(37, subtype)
    new_n.lang = lang
    new_n.font = font
    new_n.char = byte(a)
    return new_n
  end
  if length(s) == 1 then
    return node.insert_before(head, nextn,g(s))
  else
    local t = {}
    local first = true
    for x in gmatch(s,".") do
      debug_msg("multi letter",x)
        head, newn = node.insert_before(head, nextn, g(x))
    end
    return head
  end
end

local function normalize_marks(head, n)
  local lang, font, subtype = n.lang, n.font, n.subtype
  local text = {}
  text[#text+1] = char(n.char)
  local head, nextn = node.remove(head, n)
  --local nextn = n.next
  local info = get_mark(nextn)
  while(info) do
    text[#text+1] = info
    head, nextn = node.remove(head,nextn)
    info = get_mark(nextn)
  end
  local s = NFC(table.concat(text))
  debug_msg("We've got mark: " .. s)
  local new_n = node.new(37, subtype)
  new_n.lang = lang
  new_n.font = font
  new_n.char = byte(s)
  --head, new_n = node.insert_before(head, nextn, new_n)
  -- head, new_n = node.insert_before(head, nextn, make_glyphs(s, lang, font, subtype))
  head, new_n = make_glyphs(head, nextn, s, lang, font, subtype)
  local t = {}
  for x in node.traverse_id(37,head) do
    t[#t+1] = char(x.char)
  end
  debug_msg("Variables ", table.concat(t,":"), table.concat(text,";"), char(byte(s)),length(s))
  return head, nextn
end

local function normalize_glyphs(head, n)
  --local charcode = n.char
  --local category = get_category(charcode)
  local charcode, category = glyph_info(n)
  if letter_categories[category] then 
    local nextn = n.next
    if nextn.id == 37 then
      --local nextchar = nextn.char
      --local nextcat = get_category(nextchar)
      local nextchar, nextcat = glyph_info(nextn)
      if mark_categories[nextcat] then
        return normalize_marks(head,n)
      end
    end
  end
  return head, n.next 
end


function M.nodes(head)
    local t = {}
    local text = false
  local n = head
    -- for n in node.traverse(head) do
  while n do
        if n.id == 37 then
      local charcode = n.char
            debug_msg("unicode name",name(charcode))
            debug_msg("character category",get_category(charcode))
            t[#t+1]= char(charcode)
            text = true
      head, n = normalize_glyphs(head, n)
        else
            if text then
                local s = table.concat(t)
                debug_msg("text chunk",s)
                --printchars(NFC(s))
                debug_msg("----------")
            end
            text = false
            t = {}
      n = n.next
        end
    end
    return head
end

--[[
-- These functions aren't needed when processing buffer. We can call NFC on the whole input line
local unibytes = {}

local function get_charcategory(s)
  local s = s or ""
  local b = unibytes[s] or byte(s) or 0
  unibytes[s] = b
  return get_category(b)
end

local function normalize_charmarks(t,i)
  local c = {t[i]}
  local i = i + 1
  local s = get_charcategory(t[i])
  while mark_categories[s] do
    c[#c+1] = t[i]
    i = i + 1
    s = get_charcategory(t[i])
  end
  return NFC(table.concat(c)), i
end

local function normalize_char(t,i)
  local ch = t[i]
  local c = get_charcategory(ch)
  if letter_categories[c] then
    local nextc = get_charcategory(t[i+1])
    if mark_categories[nextc] then
      return normalize_charmarks(t,i)
    end
  end
  return ch, i+1
end
-- ]]
function M.buffer(line)
  --[[
  local t = {}
  local new_t = {}
  -- we need to make table witl all uni chars on the line
  for x in gmatch(line,".") do
    t[#t+1] = x
  end
  local i = 1
  -- normalize next char
  local c, i = normalize_char(t, i)
  new_t[#new_t+1] = c
  while t[i] do
    c, i = normalize_char(t,i)
    -- local  c = t[i]
    -- i =  i + 1
    new_t[#new_t+1] = c
  end
  return table.concat(new_t)
  --]]
  return NFC(line)
end


return M

e agora é a hora de algumas fotos.

sem normalização:

você pode ver que o caractere grego composto está errado, outras combinações são suportadas pelo Linux Libertine

com normalização de nó:

As letras gregas estão corretas, mas íem primeiro lugar přílišestão erradas. esse é o problema que eu estava falando.

e agora a normalização do buffer:

está tudo bem agora