Support for characters beyond BMP and below PUA

1 files changed, 258 insertions, 0 deletions

diff --git a/unidecode/x0cc.py b/unidecode/x0cc.py
new file mode 100644
index 0000000..58f819a
--- /dev/null
+++ b/unidecode/x0cc.py
@@ -0,0 +1,258 @@
+data = (
+'jjyim',    # 0x00
+'jjyib',    # 0x01
+'jjyibs',    # 0x02
+'jjyis',    # 0x03
+'jjyiss',    # 0x04
+'jjying',    # 0x05
+'jjyij',    # 0x06
+'jjyic',    # 0x07
+'jjyik',    # 0x08
+'jjyit',    # 0x09
+'jjyip',    # 0x0a
+'jjyih',    # 0x0b
+'jji',    # 0x0c
+'jjig',    # 0x0d
+'jjigg',    # 0x0e
+'jjigs',    # 0x0f
+'jjin',    # 0x10
+'jjinj',    # 0x11
+'jjinh',    # 0x12
+'jjid',    # 0x13
+'jjil',    # 0x14
+'jjilg',    # 0x15
+'jjilm',    # 0x16
+'jjilb',    # 0x17
+'jjils',    # 0x18
+'jjilt',    # 0x19
+'jjilp',    # 0x1a
+'jjilh',    # 0x1b
+'jjim',    # 0x1c
+'jjib',    # 0x1d
+'jjibs',    # 0x1e
+'jjis',    # 0x1f
+'jjiss',    # 0x20
+'jjing',    # 0x21
+'jjij',    # 0x22
+'jjic',    # 0x23
+'jjik',    # 0x24
+'jjit',    # 0x25
+'jjip',    # 0x26
+'jjih',    # 0x27
+'ca',    # 0x28
+'cag',    # 0x29
+'cagg',    # 0x2a
+'cags',    # 0x2b
+'can',    # 0x2c
+'canj',    # 0x2d
+'canh',    # 0x2e
+'cad',    # 0x2f
+'cal',    # 0x30
+'calg',    # 0x31
+'calm',    # 0x32
+'calb',    # 0x33
+'cals',    # 0x34
+'calt',    # 0x35
+'calp',    # 0x36
+'calh',    # 0x37
+'cam',    # 0x38
+'cab',    # 0x39
+'cabs',    # 0x3a
+'cas',    # 0x3b
+'cass',    # 0x3c
+'cang',    # 0x3d
+'caj',    # 0x3e
+'cac',    # 0x3f
+'cak',    # 0x40
+'cat',    # 0x41
+'cap',    # 0x42
+'cah',    # 0x43
+'cae',    # 0x44
+'caeg',    # 0x45
+'caegg',    # 0x46
+'caegs',    # 0x47
+'caen',    # 0x48
+'caenj',    # 0x49
+'caenh',    # 0x4a
+'caed',    # 0x4b
+'cael',    # 0x4c
+'caelg',    # 0x4d
+'caelm',    # 0x4e
+'caelb',    # 0x4f
+'caels',    # 0x50
+'caelt',    # 0x51
+'caelp',    # 0x52
+'caelh',    # 0x53
+'caem',    # 0x54
+'caeb',    # 0x55
+'caebs',    # 0x56
+'caes',    # 0x57
+'caess',    # 0x58
+'caeng',    # 0x59
+'caej',    # 0x5a
+'caec',    # 0x5b
+'caek',    # 0x5c
+'caet',    # 0x5d
+'caep',    # 0x5e
+'caeh',    # 0x5f
+'cya',    # 0x60
+'cyag',    # 0x61
+'cyagg',    # 0x62
+'cyags',    # 0x63
+'cyan',    # 0x64
+'cyanj',    # 0x65
+'cyanh',    # 0x66
+'cyad',    # 0x67
+'cyal',    # 0x68
+'cyalg',    # 0x69
+'cyalm',    # 0x6a
+'cyalb',    # 0x6b
+'cyals',    # 0x6c
+'cyalt',    # 0x6d
+'cyalp',    # 0x6e
+'cyalh',    # 0x6f
+'cyam',    # 0x70
+'cyab',    # 0x71
+'cyabs',    # 0x72
+'cyas',    # 0x73
+'cyass',    # 0x74
+'cyang',    # 0x75
+'cyaj',    # 0x76
+'cyac',    # 0x77
+'cyak',    # 0x78
+'cyat',    # 0x79
+'cyap',    # 0x7a
+'cyah',    # 0x7b
+'cyae',    # 0x7c
+'cyaeg',    # 0x7d
+'cyaegg',    # 0x7e
+'cyaegs',    # 0x7f
+'cyaen',    # 0x80
+'cyaenj',    # 0x81
+'cyaenh',    # 0x82
+'cyaed',    # 0x83
+'cyael',    # 0x84
+'cyaelg',    # 0x85
+'cyaelm',    # 0x86
+'cyaelb',    # 0x87
+'cyaels',    # 0x88
+'cyaelt',    # 0x89
+'cyaelp',    # 0x8a
+'cyaelh',    # 0x8b
+'cyaem',    # 0x8c
+'cyaeb',    # 0x8d
+'cyaebs',    # 0x8e
+'cyaes',    # 0x8f
+'cyaess',    # 0x90
+'cyaeng',    # 0x91
+'cyaej',    # 0x92
+'cyaec',    # 0x93
+'cyaek',    # 0x94
+'cyaet',    # 0x95
+'cyaep',    # 0x96
+'cyaeh',    # 0x97
+'ceo',    # 0x98
+'ceog',    # 0x99
+'ceogg',    # 0x9a
+'ceogs',    # 0x9b
+'ceon',    # 0x9c
+'ceonj',    # 0x9d
+'ceonh',    # 0x9e
+'ceod',    # 0x9f
+'ceol',    # 0xa0
+'ceolg',    # 0xa1
+'ceolm',    # 0xa2
+'ceolb',    # 0xa3
+'ceols',    # 0xa4
+'ceolt',    # 0xa5
+'ceolp',    # 0xa6
+'ceolh',    # 0xa7
+'ceom',    # 0xa8
+'ceob',    # 0xa9
+'ceobs',    # 0xaa
+'ceos',    # 0xab
+'ceoss',    # 0xac
+'ceong',    # 0xad
+'ceoj',    # 0xae
+'ceoc',    # 0xaf
+'ceok',    # 0xb0
+'ceot',    # 0xb1
+'ceop',    # 0xb2
+'ceoh',    # 0xb3
+'ce',    # 0xb4
+'ceg',    # 0xb5
+'cegg',    # 0xb6
+'cegs',    # 0xb7
+'cen',    # 0xb8
+'cenj',    # 0xb9
+'cenh',    # 0xba
+'ced',    # 0xbb
+'cel',    # 0xbc
+'celg',    # 0xbd
+'celm',    # 0xbe
+'celb',    # 0xbf
+'cels',    # 0xc0
+'celt',    # 0xc1
+'celp',    # 0xc2
+'celh',    # 0xc3
+'cem',    # 0xc4
+'ceb',    # 0xc5
+'cebs',    # 0xc6
+'ces',    # 0xc7
+'cess',    # 0xc8
+'ceng',    # 0xc9
+'cej',    # 0xca
+'cec',    # 0xcb
+'cek',    # 0xcc
+'cet',    # 0xcd
+'cep',    # 0xce
+'ceh',    # 0xcf
+'cyeo',    # 0xd0
+'cyeog',    # 0xd1
+'cyeogg',    # 0xd2
+'cyeogs',    # 0xd3
+'cyeon',    # 0xd4
+'cyeonj',    # 0xd5
+'cyeonh',    # 0xd6
+'cyeod',    # 0xd7
+'cyeol',    # 0xd8
+'cyeolg',    # 0xd9
+'cyeolm',    # 0xda
+'cyeolb',    # 0xdb
+'cyeols',    # 0xdc
+'cyeolt',    # 0xdd
+'cyeolp',    # 0xde
+'cyeolh',    # 0xdf
+'cyeom',    # 0xe0
+'cyeob',    # 0xe1
+'cyeobs',    # 0xe2
+'cyeos',    # 0xe3
+'cyeoss',    # 0xe4
+'cyeong',    # 0xe5
+'cyeoj',    # 0xe6
+'cyeoc',    # 0xe7
+'cyeok',    # 0xe8
+'cyeot',    # 0xe9
+'cyeop',    # 0xea
+'cyeoh',    # 0xeb
+'cye',    # 0xec
+'cyeg',    # 0xed
+'cyegg',    # 0xee
+'cyegs',    # 0xef
+'cyen',    # 0xf0
+'cyenj',    # 0xf1
+'cyenh',    # 0xf2
+'cyed',    # 0xf3
+'cyel',    # 0xf4
+'cyelg',    # 0xf5
+'cyelm',    # 0xf6
+'cyelb',    # 0xf7
+'cyels',    # 0xf8
+'cyelt',    # 0xf9
+'cyelp',    # 0xfa
+'cyelh',    # 0xfb
+'cyem',    # 0xfc
+'cyeb',    # 0xfd
+'cyebs',    # 0xfe
+'cyes',    # 0xff
+)