From 703045ff2e42d00a47bb1b59deb3ac3114325ea6 Mon Sep 17 00:00:00 2001
From: mivan <ivan.mittelholcz@gmail.com>
Date: Thu, 23 Feb 2017 12:36:57 +0100
Subject: [PATCH] #23: no sentence break between date and hyphen followed by an
 uppercase letter

---
 src/quex_modules/definitions.qx    |  9 ++++++++-
 src/quex_modules/snt.qx            | 22 +++++++++++++++++-----
 test/test_default_snt_boundary.txt | 15 ++++++++++++++-
 3 files changed, 39 insertions(+), 7 deletions(-)

diff --git a/src/quex_modules/definitions.qx b/src/quex_modules/definitions.qx
index 4213c67..03282b3 100644
--- a/src/quex_modules/definitions.qx
+++ b/src/quex_modules/definitions.qx
@@ -245,6 +245,8 @@ define {
     // SNTBEGINCHR: mondatkezdő karakter (pont is lehet, pl. a ".hu vita a
     //      neten.")
     //      TODO: whitespace karaktereket megadni rendesen!!!
+    // ENDPAR: zaro zarojelek
+    // ENDQUO: zaro idezojelek
     // ENDQUOPAR: záró záró- és idézőjelek
     //      Ez a régi: ("\""|"''"|"'"|")"|"]")
     //      Megj.: mondathatár (BOUNDARY) után is következhetnek (l. SNTEND)
@@ -321,7 +323,12 @@ define {
 
     SNTBEGINCHR [: difference( {BASE_CLASS}, union([?!], {WSPACE}) ) :]
 
-    ENDQUOPAR   [: intersection( {BASE_CLASS}, ["'\)\]] ) :]
+    ENDPAR      [: intersection( {BASE_CLASS}, [\)\]}] ) :]
+
+    ENDQUO      [: intersection( {BASE_CLASS}, ["'”’] ) :]
+
+    ENDQUOPAR   [: union( {ENDQUO}, {ENDPAR} ) :]
+    /* ENDQUOPAR   [: intersection( {BASE_CLASS}, ["'\)\]] ) :] */
 
     INPARENTCHR [: intersection( {BASE_CLASS}, difference([^.!?\)], {NEWLINECHAR}) ) :]
 
diff --git a/src/quex_modules/snt.qx b/src/quex_modules/snt.qx
index 6ba631e..e3fd2c2 100644
--- a/src/quex_modules/snt.qx
+++ b/src/quex_modules/snt.qx
@@ -25,9 +25,11 @@ define {
     //          \n\n már paragrafus törésnek számít, a mondat végét
     //          is jelenti. A mondathatároló (.?!) csak opcionális a
     //          mondat végén.
-    // SNTEND: mondat végződés
+    // SNTEND: mondatvegi opcionalis zarojelek es idezojelek
     // INPARENT: BRACKET_PART szabályhoz a zárójelen belüli karakterek között
     //      megengedhető sortörések kezelése
+    // HYPHEN_OR_DASH: idezo- es kotojeles szabalynal a gondolatjelet is
+    //      megengedjuk, esetleges szokozokkel egyutt
 
     CHARINSNTN  {CHARINSNT}*{NEWLINE}?{CHARINSNT}*
 
@@ -35,10 +37,13 @@ define {
 
     SIMPLESNT   ({NEWLINE}?{SNTCHAR}+)*
 
-    SNTEND      ({NEWLINE}?{SPACE}*({ENDQUOPAR}|{BOUNDARY}))?({SPACE}*({ENDQUOPAR}|{BOUNDARY}))*
+    /* SNTEND      ({NEWLINE}?{SPACE}*({ENDPAR}|{BOUNDARY}))?({SPACE}*({ENDPAR}|{BOUNDARY}))* */
+    /* SNTEND      ({NEWLINE}?{SPACE}*({ENDQUOPAR}|{BOUNDARY}))?({SPACE}*({ENDQUOPAR}|{BOUNDARY}))* */
+    SNTEND      ({NEWLINE}?({ENDQUO}|({SPACE}*({ENDPAR}|{BOUNDARY}))))?({ENDQUO}|({SPACE}*({ENDPAR}|{BOUNDARY})))*
 
     INPARENT    ({INPARENTCHR}{NEWLINE}?)*
 
+    HYPHEN_OR_DASH " "?("-"|"–")" "?
 
     // Mondatrészek szabályai: ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
     // 0. Egyszerű mondat: megenged egyszeres sortöréseket a mondaton belül, de
@@ -56,7 +61,7 @@ define {
     // Az egyszerű mondat ilyen szerkezetű: {SNTBEGIN}{SIMPLESNT}{SNTEND}
     // Minden összetettebb esetben az SNTBEGIN után következhet valamilyen
     // részmondat szerűség. Ezek lesznek itt definiálva:
-    //      Megj.: a definíciók utáni kommentes definíciók az eredeti, BOUDARY-t
+    //      Megj.: a definíciók utáni kommentes definíciók az eredeti, BOUNDARY-t
     //      tartalmazó SIMPLESNT hatását állítják helyre
 
     // 1. Mondathatár túllépés: mondatzáró után kis betű
@@ -77,11 +82,17 @@ define {
     // LOWERCASE_PART      ({SIMPLESNT}{BOUNDARY}{SNTEND}{CHARINSNTN}{LOWER})
     LOWERCASE_PART      ({SIMPLESNT}{BOUNDARY}+{SNTEND}?{CHARINSNTN}{LOWER})
 
-    // 2. Mondatzáró után idéző- vagy kötő jel.
+    // 2. Mondatzáró után idézőjel (esetleg kotojel is).
     // BE: A "Ne már!"-ral az a baj.
     // KI: <s>A "Ne már!"-ral az a baj.</s>
     // QUOTATIONMARK_PART  ({SIMPLESNT}{BOUNDARY}{SNTEND}"-"{WORDCHAR})
-    QUOTATIONMARK_PART  ({SIMPLESNT}{BOUNDARY}+{SNTEND}"-"{WORDCHAR})
+    QUOTATIONMARK_PART  ({SIMPLESNT}{BOUNDARY}+"\""[\- ]?{LOWER})
+
+    // 2/b. Szam - kotojel - nagybetu
+    // BE: Januar 2. - Budapest
+    // KI: <s>Januar 2. - Budapest</s>
+    // QUOTATIONMARK_PART  ({SIMPLESNT}{BOUNDARY}{SNTEND}"-"{WORDCHAR})
+    HYPHEN_PART         ({SIMPLESNT}[0-9]"."{HYPHEN_OR_DASH}{UPPER})
 
     // 3. Pont után közvetlenül szóalkotó karakter a pontot magát leszámítva.
     // BE: A WWW.AKARMI.HU.
@@ -109,6 +120,7 @@ mode PROGRAM {
     // egységesen kezelve
     {SNTBEGIN}(({LOWERCASE_PART}
                |{QUOTATIONMARK_PART}
+               |{HYPHEN_PART}
                |{WORDCHAR_PART}
                |{COMMA_PART}
                |{BRACKET_PART}
diff --git a/test/test_default_snt_boundary.txt b/test/test_default_snt_boundary.txt
index a4057e8..950a155 100644
--- a/test/test_default_snt_boundary.txt
+++ b/test/test_default_snt_boundary.txt
@@ -23,10 +23,23 @@ IN : - Szia Péterkém! Holnap találkozunk - mondta Gizi.
 OUT: <s>- Szia Péterkém!</s><ws> </ws><s>Holnap találkozunk - mondta Gizi.</s>
 
 
-2. Mondatzáró után idéző- vagy kötő jel. ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
+2. Mondatzáró után idézőjel, esetleg kötőjellel. ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
+IN : A "Ne már!" után nincs mondatvég.
+OUT: <s>A "Ne már!" után nincs mondatvég.</s>
+
 IN : A "Ne már!"-ral az a baj.
 OUT: <s>A "Ne már!"-ral az a baj.</s>
 
+# kontrol
+IN : Elso. "Masodik." Harmadik.
+OUT: <s>Elso.</s><ws> </ws><s>"Masodik."</s><ws> </ws><s>Harmadik.</s>
+
+2/b. Szam-kotojel-nagybetu
+IN : Született: január 2. - Budapest.
+OUT: <s>Született: január 2. - Budapest.</s>
+IN : Született: január 2. – Budapest.
+OUT: <s>Született: január 2. – Budapest.</s>
+
 
 3. Pont után közvetlenül szóalkotó karakter a pontot magát leszámítva. ~~~~~~~~
 IN : A WWW.AKARMI.HU.