Support for characters beyond BMP and below PUA

1 files changed, 258 insertions, 0 deletions

diff --git a/unidecode/x015.py b/unidecode/x015.py
new file mode 100644
index 0000000..5ac22cb
--- /dev/null
+++ b/unidecode/x015.py
@@ -0,0 +1,258 @@
+data = (
+'swa',    # 0x00
+'swa',    # 0x01
+'swaa',    # 0x02
+'swaa',    # 0x03
+'swaa',    # 0x04
+'s',    # 0x05
+'s',    # 0x06
+'sw',    # 0x07
+'s',    # 0x08
+'sk',    # 0x09
+'skw',    # 0x0a
+'sW',    # 0x0b
+'spwa',    # 0x0c
+'stwa',    # 0x0d
+'skwa',    # 0x0e
+'scwa',    # 0x0f
+'she',    # 0x10
+'shi',    # 0x11
+'shii',    # 0x12
+'sho',    # 0x13
+'shoo',    # 0x14
+'sha',    # 0x15
+'shaa',    # 0x16
+'shwe',    # 0x17
+'shwe',    # 0x18
+'shwi',    # 0x19
+'shwi',    # 0x1a
+'shwii',    # 0x1b
+'shwii',    # 0x1c
+'shwo',    # 0x1d
+'shwo',    # 0x1e
+'shwoo',    # 0x1f
+'shwoo',    # 0x20
+'shwa',    # 0x21
+'shwa',    # 0x22
+'shwaa',    # 0x23
+'shwaa',    # 0x24
+'sh',    # 0x25
+'ye',    # 0x26
+'yaai',    # 0x27
+'yi',    # 0x28
+'yii',    # 0x29
+'yo',    # 0x2a
+'yoo',    # 0x2b
+'yoo',    # 0x2c
+'ya',    # 0x2d
+'yaa',    # 0x2e
+'ywe',    # 0x2f
+'ywe',    # 0x30
+'ywi',    # 0x31
+'ywi',    # 0x32
+'ywii',    # 0x33
+'ywii',    # 0x34
+'ywo',    # 0x35
+'ywo',    # 0x36
+'ywoo',    # 0x37
+'ywoo',    # 0x38
+'ywa',    # 0x39
+'ywa',    # 0x3a
+'ywaa',    # 0x3b
+'ywaa',    # 0x3c
+'ywaa',    # 0x3d
+'y',    # 0x3e
+'y',    # 0x3f
+'y',    # 0x40
+'yi',    # 0x41
+'re',    # 0x42
+'re',    # 0x43
+'le',    # 0x44
+'raai',    # 0x45
+'ri',    # 0x46
+'rii',    # 0x47
+'ro',    # 0x48
+'roo',    # 0x49
+'lo',    # 0x4a
+'ra',    # 0x4b
+'raa',    # 0x4c
+'la',    # 0x4d
+'rwaa',    # 0x4e
+'rwaa',    # 0x4f
+'r',    # 0x50
+'r',    # 0x51
+'r',    # 0x52
+'fe',    # 0x53
+'faai',    # 0x54
+'fi',    # 0x55
+'fii',    # 0x56
+'fo',    # 0x57
+'foo',    # 0x58
+'fa',    # 0x59
+'faa',    # 0x5a
+'fwaa',    # 0x5b
+'fwaa',    # 0x5c
+'f',    # 0x5d
+'the',    # 0x5e
+'the',    # 0x5f
+'thi',    # 0x60
+'thi',    # 0x61
+'thii',    # 0x62
+'thii',    # 0x63
+'tho',    # 0x64
+'thoo',    # 0x65
+'tha',    # 0x66
+'thaa',    # 0x67
+'thwaa',    # 0x68
+'thwaa',    # 0x69
+'th',    # 0x6a
+'tthe',    # 0x6b
+'tthi',    # 0x6c
+'ttho',    # 0x6d
+'ttha',    # 0x6e
+'tth',    # 0x6f
+'tye',    # 0x70
+'tyi',    # 0x71
+'tyo',    # 0x72
+'tya',    # 0x73
+'he',    # 0x74
+'hi',    # 0x75
+'hii',    # 0x76
+'ho',    # 0x77
+'hoo',    # 0x78
+'ha',    # 0x79
+'haa',    # 0x7a
+'h',    # 0x7b
+'h',    # 0x7c
+'hk',    # 0x7d
+'qaai',    # 0x7e
+'qi',    # 0x7f
+'qii',    # 0x80
+'qo',    # 0x81
+'qoo',    # 0x82
+'qa',    # 0x83
+'qaa',    # 0x84
+'q',    # 0x85
+'tlhe',    # 0x86
+'tlhi',    # 0x87
+'tlho',    # 0x88
+'tlha',    # 0x89
+'re',    # 0x8a
+'ri',    # 0x8b
+'ro',    # 0x8c
+'ra',    # 0x8d
+'ngaai',    # 0x8e
+'ngi',    # 0x8f
+'ngii',    # 0x90
+'ngo',    # 0x91
+'ngoo',    # 0x92
+'nga',    # 0x93
+'ngaa',    # 0x94
+'ng',    # 0x95
+'nng',    # 0x96
+'she',    # 0x97
+'shi',    # 0x98
+'sho',    # 0x99
+'sha',    # 0x9a
+'the',    # 0x9b
+'thi',    # 0x9c
+'tho',    # 0x9d
+'tha',    # 0x9e
+'th',    # 0x9f
+'lhi',    # 0xa0
+'lhii',    # 0xa1
+'lho',    # 0xa2
+'lhoo',    # 0xa3
+'lha',    # 0xa4
+'lhaa',    # 0xa5
+'lh',    # 0xa6
+'the',    # 0xa7
+'thi',    # 0xa8
+'thii',    # 0xa9
+'tho',    # 0xaa
+'thoo',    # 0xab
+'tha',    # 0xac
+'thaa',    # 0xad
+'th',    # 0xae
+'b',    # 0xaf
+'e',    # 0xb0
+'i',    # 0xb1
+'o',    # 0xb2
+'a',    # 0xb3
+'we',    # 0xb4
+'wi',    # 0xb5
+'wo',    # 0xb6
+'wa',    # 0xb7
+'ne',    # 0xb8
+'ni',    # 0xb9
+'no',    # 0xba
+'na',    # 0xbb
+'ke',    # 0xbc
+'ki',    # 0xbd
+'ko',    # 0xbe
+'ka',    # 0xbf
+'he',    # 0xc0
+'hi',    # 0xc1
+'ho',    # 0xc2
+'ha',    # 0xc3
+'ghu',    # 0xc4
+'gho',    # 0xc5
+'ghe',    # 0xc6
+'ghee',    # 0xc7
+'ghi',    # 0xc8
+'gha',    # 0xc9
+'ru',    # 0xca
+'ro',    # 0xcb
+'re',    # 0xcc
+'ree',    # 0xcd
+'ri',    # 0xce
+'ra',    # 0xcf
+'wu',    # 0xd0
+'wo',    # 0xd1
+'we',    # 0xd2
+'wee',    # 0xd3
+'wi',    # 0xd4
+'wa',    # 0xd5
+'hwu',    # 0xd6
+'hwo',    # 0xd7
+'hwe',    # 0xd8
+'hwee',    # 0xd9
+'hwi',    # 0xda
+'hwa',    # 0xdb
+'thu',    # 0xdc
+'tho',    # 0xdd
+'the',    # 0xde
+'thee',    # 0xdf
+'thi',    # 0xe0
+'tha',    # 0xe1
+'ttu',    # 0xe2
+'tto',    # 0xe3
+'tte',    # 0xe4
+'ttee',    # 0xe5
+'tti',    # 0xe6
+'tta',    # 0xe7
+'pu',    # 0xe8
+'po',    # 0xe9
+'pe',    # 0xea
+'pee',    # 0xeb
+'pi',    # 0xec
+'pa',    # 0xed
+'p',    # 0xee
+'gu',    # 0xef
+'go',    # 0xf0
+'ge',    # 0xf1
+'gee',    # 0xf2
+'gi',    # 0xf3
+'ga',    # 0xf4
+'khu',    # 0xf5
+'kho',    # 0xf6
+'khe',    # 0xf7
+'khee',    # 0xf8
+'khi',    # 0xf9
+'kha',    # 0xfa
+'kku',    # 0xfb
+'kko',    # 0xfc
+'kke',    # 0xfd
+'kkee',    # 0xfe
+'kki',    # 0xff
+)