Support for characters beyond BMP and below PUA

1 files changed, 258 insertions, 0 deletions

diff --git a/unidecode/x0bd.py b/unidecode/x0bd.py
new file mode 100644
index 0000000..6473883
--- /dev/null
+++ b/unidecode/x0bd.py
@@ -0,0 +1,258 @@
+data = (
+'bols',    # 0x00
+'bolt',    # 0x01
+'bolp',    # 0x02
+'bolh',    # 0x03
+'bom',    # 0x04
+'bob',    # 0x05
+'bobs',    # 0x06
+'bos',    # 0x07
+'boss',    # 0x08
+'bong',    # 0x09
+'boj',    # 0x0a
+'boc',    # 0x0b
+'bok',    # 0x0c
+'bot',    # 0x0d
+'bop',    # 0x0e
+'boh',    # 0x0f
+'bwa',    # 0x10
+'bwag',    # 0x11
+'bwagg',    # 0x12
+'bwags',    # 0x13
+'bwan',    # 0x14
+'bwanj',    # 0x15
+'bwanh',    # 0x16
+'bwad',    # 0x17
+'bwal',    # 0x18
+'bwalg',    # 0x19
+'bwalm',    # 0x1a
+'bwalb',    # 0x1b
+'bwals',    # 0x1c
+'bwalt',    # 0x1d
+'bwalp',    # 0x1e
+'bwalh',    # 0x1f
+'bwam',    # 0x20
+'bwab',    # 0x21
+'bwabs',    # 0x22
+'bwas',    # 0x23
+'bwass',    # 0x24
+'bwang',    # 0x25
+'bwaj',    # 0x26
+'bwac',    # 0x27
+'bwak',    # 0x28
+'bwat',    # 0x29
+'bwap',    # 0x2a
+'bwah',    # 0x2b
+'bwae',    # 0x2c
+'bwaeg',    # 0x2d
+'bwaegg',    # 0x2e
+'bwaegs',    # 0x2f
+'bwaen',    # 0x30
+'bwaenj',    # 0x31
+'bwaenh',    # 0x32
+'bwaed',    # 0x33
+'bwael',    # 0x34
+'bwaelg',    # 0x35
+'bwaelm',    # 0x36
+'bwaelb',    # 0x37
+'bwaels',    # 0x38
+'bwaelt',    # 0x39
+'bwaelp',    # 0x3a
+'bwaelh',    # 0x3b
+'bwaem',    # 0x3c
+'bwaeb',    # 0x3d
+'bwaebs',    # 0x3e
+'bwaes',    # 0x3f
+'bwaess',    # 0x40
+'bwaeng',    # 0x41
+'bwaej',    # 0x42
+'bwaec',    # 0x43
+'bwaek',    # 0x44
+'bwaet',    # 0x45
+'bwaep',    # 0x46
+'bwaeh',    # 0x47
+'boe',    # 0x48
+'boeg',    # 0x49
+'boegg',    # 0x4a
+'boegs',    # 0x4b
+'boen',    # 0x4c
+'boenj',    # 0x4d
+'boenh',    # 0x4e
+'boed',    # 0x4f
+'boel',    # 0x50
+'boelg',    # 0x51
+'boelm',    # 0x52
+'boelb',    # 0x53
+'boels',    # 0x54
+'boelt',    # 0x55
+'boelp',    # 0x56
+'boelh',    # 0x57
+'boem',    # 0x58
+'boeb',    # 0x59
+'boebs',    # 0x5a
+'boes',    # 0x5b
+'boess',    # 0x5c
+'boeng',    # 0x5d
+'boej',    # 0x5e
+'boec',    # 0x5f
+'boek',    # 0x60
+'boet',    # 0x61
+'boep',    # 0x62
+'boeh',    # 0x63
+'byo',    # 0x64
+'byog',    # 0x65
+'byogg',    # 0x66
+'byogs',    # 0x67
+'byon',    # 0x68
+'byonj',    # 0x69
+'byonh',    # 0x6a
+'byod',    # 0x6b
+'byol',    # 0x6c
+'byolg',    # 0x6d
+'byolm',    # 0x6e
+'byolb',    # 0x6f
+'byols',    # 0x70
+'byolt',    # 0x71
+'byolp',    # 0x72
+'byolh',    # 0x73
+'byom',    # 0x74
+'byob',    # 0x75
+'byobs',    # 0x76
+'byos',    # 0x77
+'byoss',    # 0x78
+'byong',    # 0x79
+'byoj',    # 0x7a
+'byoc',    # 0x7b
+'byok',    # 0x7c
+'byot',    # 0x7d
+'byop',    # 0x7e
+'byoh',    # 0x7f
+'bu',    # 0x80
+'bug',    # 0x81
+'bugg',    # 0x82
+'bugs',    # 0x83
+'bun',    # 0x84
+'bunj',    # 0x85
+'bunh',    # 0x86
+'bud',    # 0x87
+'bul',    # 0x88
+'bulg',    # 0x89
+'bulm',    # 0x8a
+'bulb',    # 0x8b
+'buls',    # 0x8c
+'bult',    # 0x8d
+'bulp',    # 0x8e
+'bulh',    # 0x8f
+'bum',    # 0x90
+'bub',    # 0x91
+'bubs',    # 0x92
+'bus',    # 0x93
+'buss',    # 0x94
+'bung',    # 0x95
+'buj',    # 0x96
+'buc',    # 0x97
+'buk',    # 0x98
+'but',    # 0x99
+'bup',    # 0x9a
+'buh',    # 0x9b
+'bweo',    # 0x9c
+'bweog',    # 0x9d
+'bweogg',    # 0x9e
+'bweogs',    # 0x9f
+'bweon',    # 0xa0
+'bweonj',    # 0xa1
+'bweonh',    # 0xa2
+'bweod',    # 0xa3
+'bweol',    # 0xa4
+'bweolg',    # 0xa5
+'bweolm',    # 0xa6
+'bweolb',    # 0xa7
+'bweols',    # 0xa8
+'bweolt',    # 0xa9
+'bweolp',    # 0xaa
+'bweolh',    # 0xab
+'bweom',    # 0xac
+'bweob',    # 0xad
+'bweobs',    # 0xae
+'bweos',    # 0xaf
+'bweoss',    # 0xb0
+'bweong',    # 0xb1
+'bweoj',    # 0xb2
+'bweoc',    # 0xb3
+'bweok',    # 0xb4
+'bweot',    # 0xb5
+'bweop',    # 0xb6
+'bweoh',    # 0xb7
+'bwe',    # 0xb8
+'bweg',    # 0xb9
+'bwegg',    # 0xba
+'bwegs',    # 0xbb
+'bwen',    # 0xbc
+'bwenj',    # 0xbd
+'bwenh',    # 0xbe
+'bwed',    # 0xbf
+'bwel',    # 0xc0
+'bwelg',    # 0xc1
+'bwelm',    # 0xc2
+'bwelb',    # 0xc3
+'bwels',    # 0xc4
+'bwelt',    # 0xc5
+'bwelp',    # 0xc6
+'bwelh',    # 0xc7
+'bwem',    # 0xc8
+'bweb',    # 0xc9
+'bwebs',    # 0xca
+'bwes',    # 0xcb
+'bwess',    # 0xcc
+'bweng',    # 0xcd
+'bwej',    # 0xce
+'bwec',    # 0xcf
+'bwek',    # 0xd0
+'bwet',    # 0xd1
+'bwep',    # 0xd2
+'bweh',    # 0xd3
+'bwi',    # 0xd4
+'bwig',    # 0xd5
+'bwigg',    # 0xd6
+'bwigs',    # 0xd7
+'bwin',    # 0xd8
+'bwinj',    # 0xd9
+'bwinh',    # 0xda
+'bwid',    # 0xdb
+'bwil',    # 0xdc
+'bwilg',    # 0xdd
+'bwilm',    # 0xde
+'bwilb',    # 0xdf
+'bwils',    # 0xe0
+'bwilt',    # 0xe1
+'bwilp',    # 0xe2
+'bwilh',    # 0xe3
+'bwim',    # 0xe4
+'bwib',    # 0xe5
+'bwibs',    # 0xe6
+'bwis',    # 0xe7
+'bwiss',    # 0xe8
+'bwing',    # 0xe9
+'bwij',    # 0xea
+'bwic',    # 0xeb
+'bwik',    # 0xec
+'bwit',    # 0xed
+'bwip',    # 0xee
+'bwih',    # 0xef
+'byu',    # 0xf0
+'byug',    # 0xf1
+'byugg',    # 0xf2
+'byugs',    # 0xf3
+'byun',    # 0xf4
+'byunj',    # 0xf5
+'byunh',    # 0xf6
+'byud',    # 0xf7
+'byul',    # 0xf8
+'byulg',    # 0xf9
+'byulm',    # 0xfa
+'byulb',    # 0xfb
+'byuls',    # 0xfc
+'byult',    # 0xfd
+'byulp',    # 0xfe
+'byulh',    # 0xff
+)