Support for characters beyond BMP and below PUA

1 files changed, 258 insertions, 0 deletions

diff --git a/unidecode/x0a3.py b/unidecode/x0a3.py
new file mode 100644
index 0000000..5e77aec
--- /dev/null
+++ b/unidecode/x0a3.py
@@ -0,0 +1,258 @@
+data = (
+'nzup',    # 0x00
+'nzurx',    # 0x01
+'nzur',    # 0x02
+'nzyt',    # 0x03
+'nzyx',    # 0x04
+'nzy',    # 0x05
+'nzyp',    # 0x06
+'nzyrx',    # 0x07
+'nzyr',    # 0x08
+'sit',    # 0x09
+'six',    # 0x0a
+'si',    # 0x0b
+'sip',    # 0x0c
+'siex',    # 0x0d
+'sie',    # 0x0e
+'siep',    # 0x0f
+'sat',    # 0x10
+'sax',    # 0x11
+'sa',    # 0x12
+'sap',    # 0x13
+'suox',    # 0x14
+'suo',    # 0x15
+'suop',    # 0x16
+'sot',    # 0x17
+'sox',    # 0x18
+'so',    # 0x19
+'sop',    # 0x1a
+'sex',    # 0x1b
+'se',    # 0x1c
+'sep',    # 0x1d
+'sut',    # 0x1e
+'sux',    # 0x1f
+'su',    # 0x20
+'sup',    # 0x21
+'surx',    # 0x22
+'sur',    # 0x23
+'syt',    # 0x24
+'syx',    # 0x25
+'sy',    # 0x26
+'syp',    # 0x27
+'syrx',    # 0x28
+'syr',    # 0x29
+'ssit',    # 0x2a
+'ssix',    # 0x2b
+'ssi',    # 0x2c
+'ssip',    # 0x2d
+'ssiex',    # 0x2e
+'ssie',    # 0x2f
+'ssiep',    # 0x30
+'ssat',    # 0x31
+'ssax',    # 0x32
+'ssa',    # 0x33
+'ssap',    # 0x34
+'ssot',    # 0x35
+'ssox',    # 0x36
+'sso',    # 0x37
+'ssop',    # 0x38
+'ssex',    # 0x39
+'sse',    # 0x3a
+'ssep',    # 0x3b
+'ssut',    # 0x3c
+'ssux',    # 0x3d
+'ssu',    # 0x3e
+'ssup',    # 0x3f
+'ssyt',    # 0x40
+'ssyx',    # 0x41
+'ssy',    # 0x42
+'ssyp',    # 0x43
+'ssyrx',    # 0x44
+'ssyr',    # 0x45
+'zhat',    # 0x46
+'zhax',    # 0x47
+'zha',    # 0x48
+'zhap',    # 0x49
+'zhuox',    # 0x4a
+'zhuo',    # 0x4b
+'zhuop',    # 0x4c
+'zhot',    # 0x4d
+'zhox',    # 0x4e
+'zho',    # 0x4f
+'zhop',    # 0x50
+'zhet',    # 0x51
+'zhex',    # 0x52
+'zhe',    # 0x53
+'zhep',    # 0x54
+'zhut',    # 0x55
+'zhux',    # 0x56
+'zhu',    # 0x57
+'zhup',    # 0x58
+'zhurx',    # 0x59
+'zhur',    # 0x5a
+'zhyt',    # 0x5b
+'zhyx',    # 0x5c
+'zhy',    # 0x5d
+'zhyp',    # 0x5e
+'zhyrx',    # 0x5f
+'zhyr',    # 0x60
+'chat',    # 0x61
+'chax',    # 0x62
+'cha',    # 0x63
+'chap',    # 0x64
+'chuot',    # 0x65
+'chuox',    # 0x66
+'chuo',    # 0x67
+'chuop',    # 0x68
+'chot',    # 0x69
+'chox',    # 0x6a
+'cho',    # 0x6b
+'chop',    # 0x6c
+'chet',    # 0x6d
+'chex',    # 0x6e
+'che',    # 0x6f
+'chep',    # 0x70
+'chux',    # 0x71
+'chu',    # 0x72
+'chup',    # 0x73
+'churx',    # 0x74
+'chur',    # 0x75
+'chyt',    # 0x76
+'chyx',    # 0x77
+'chy',    # 0x78
+'chyp',    # 0x79
+'chyrx',    # 0x7a
+'chyr',    # 0x7b
+'rrax',    # 0x7c
+'rra',    # 0x7d
+'rruox',    # 0x7e
+'rruo',    # 0x7f
+'rrot',    # 0x80
+'rrox',    # 0x81
+'rro',    # 0x82
+'rrop',    # 0x83
+'rret',    # 0x84
+'rrex',    # 0x85
+'rre',    # 0x86
+'rrep',    # 0x87
+'rrut',    # 0x88
+'rrux',    # 0x89
+'rru',    # 0x8a
+'rrup',    # 0x8b
+'rrurx',    # 0x8c
+'rrur',    # 0x8d
+'rryt',    # 0x8e
+'rryx',    # 0x8f
+'rry',    # 0x90
+'rryp',    # 0x91
+'rryrx',    # 0x92
+'rryr',    # 0x93
+'nrat',    # 0x94
+'nrax',    # 0x95
+'nra',    # 0x96
+'nrap',    # 0x97
+'nrox',    # 0x98
+'nro',    # 0x99
+'nrop',    # 0x9a
+'nret',    # 0x9b
+'nrex',    # 0x9c
+'nre',    # 0x9d
+'nrep',    # 0x9e
+'nrut',    # 0x9f
+'nrux',    # 0xa0
+'nru',    # 0xa1
+'nrup',    # 0xa2
+'nrurx',    # 0xa3
+'nrur',    # 0xa4
+'nryt',    # 0xa5
+'nryx',    # 0xa6
+'nry',    # 0xa7
+'nryp',    # 0xa8
+'nryrx',    # 0xa9
+'nryr',    # 0xaa
+'shat',    # 0xab
+'shax',    # 0xac
+'sha',    # 0xad
+'shap',    # 0xae
+'shuox',    # 0xaf
+'shuo',    # 0xb0
+'shuop',    # 0xb1
+'shot',    # 0xb2
+'shox',    # 0xb3
+'sho',    # 0xb4
+'shop',    # 0xb5
+'shet',    # 0xb6
+'shex',    # 0xb7
+'she',    # 0xb8
+'shep',    # 0xb9
+'shut',    # 0xba
+'shux',    # 0xbb
+'shu',    # 0xbc
+'shup',    # 0xbd
+'shurx',    # 0xbe
+'shur',    # 0xbf
+'shyt',    # 0xc0
+'shyx',    # 0xc1
+'shy',    # 0xc2
+'shyp',    # 0xc3
+'shyrx',    # 0xc4
+'shyr',    # 0xc5
+'rat',    # 0xc6
+'rax',    # 0xc7
+'ra',    # 0xc8
+'rap',    # 0xc9
+'ruox',    # 0xca
+'ruo',    # 0xcb
+'ruop',    # 0xcc
+'rot',    # 0xcd
+'rox',    # 0xce
+'ro',    # 0xcf
+'rop',    # 0xd0
+'rex',    # 0xd1
+'re',    # 0xd2
+'rep',    # 0xd3
+'rut',    # 0xd4
+'rux',    # 0xd5
+'ru',    # 0xd6
+'rup',    # 0xd7
+'rurx',    # 0xd8
+'rur',    # 0xd9
+'ryt',    # 0xda
+'ryx',    # 0xdb
+'ry',    # 0xdc
+'ryp',    # 0xdd
+'ryrx',    # 0xde
+'ryr',    # 0xdf
+'jit',    # 0xe0
+'jix',    # 0xe1
+'ji',    # 0xe2
+'jip',    # 0xe3
+'jiet',    # 0xe4
+'jiex',    # 0xe5
+'jie',    # 0xe6
+'jiep',    # 0xe7
+'juot',    # 0xe8
+'juox',    # 0xe9
+'juo',    # 0xea
+'juop',    # 0xeb
+'jot',    # 0xec
+'jox',    # 0xed
+'jo',    # 0xee
+'jop',    # 0xef
+'jut',    # 0xf0
+'jux',    # 0xf1
+'ju',    # 0xf2
+'jup',    # 0xf3
+'jurx',    # 0xf4
+'jur',    # 0xf5
+'jyt',    # 0xf6
+'jyx',    # 0xf7
+'jy',    # 0xf8
+'jyp',    # 0xf9
+'jyrx',    # 0xfa
+'jyr',    # 0xfb
+'qit',    # 0xfc
+'qix',    # 0xfd
+'qi',    # 0xfe
+'qip',    # 0xff
+)