Coverage for /pythoncovmergedfiles/medio/medio/usr/local/lib/python3.10/site-packages/charset_normalizer/constant.py: 100%

Shortcuts on this page

r m x   toggle line displays

j k   next/prev highlighted chunk

0   (zero) top of page

1   (one) first highlighted chunk

23 statements  

1from __future__ import annotations 

2 

3from codecs import BOM_UTF8, BOM_UTF16_BE, BOM_UTF16_LE, BOM_UTF32_BE, BOM_UTF32_LE 

4from encodings.aliases import aliases 

5from re import IGNORECASE 

6from re import compile as re_compile 

7 

8# Contain for each eligible encoding a list of/item bytes SIG/BOM 

9ENCODING_MARKS: dict[str, bytes | list[bytes]] = { 

10 "utf_8": BOM_UTF8, 

11 "utf_7": [ 

12 b"\x2b\x2f\x76\x38", 

13 b"\x2b\x2f\x76\x39", 

14 b"\x2b\x2f\x76\x2b", 

15 b"\x2b\x2f\x76\x2f", 

16 b"\x2b\x2f\x76\x38\x2d", 

17 ], 

18 "gb18030": b"\x84\x31\x95\x33", 

19 "utf_32": [BOM_UTF32_BE, BOM_UTF32_LE], 

20 "utf_16": [BOM_UTF16_BE, BOM_UTF16_LE], 

21} 

22 

23TOO_SMALL_SEQUENCE: int = 32 

24TOO_BIG_SEQUENCE: int = int(10e6) 

25 

26UTF8_MAXIMAL_ALLOCATION: int = 1_112_064 

27 

28# Up-to-date Unicode ucd/15.0.0 

29UNICODE_RANGES_COMBINED: dict[str, range] = { 

30 "Control character": range(32), 

31 "Basic Latin": range(32, 128), 

32 "Latin-1 Supplement": range(128, 256), 

33 "Latin Extended-A": range(256, 384), 

34 "Latin Extended-B": range(384, 592), 

35 "IPA Extensions": range(592, 688), 

36 "Spacing Modifier Letters": range(688, 768), 

37 "Combining Diacritical Marks": range(768, 880), 

38 "Greek and Coptic": range(880, 1024), 

39 "Cyrillic": range(1024, 1280), 

40 "Cyrillic Supplement": range(1280, 1328), 

41 "Armenian": range(1328, 1424), 

42 "Hebrew": range(1424, 1536), 

43 "Arabic": range(1536, 1792), 

44 "Syriac": range(1792, 1872), 

45 "Arabic Supplement": range(1872, 1920), 

46 "Thaana": range(1920, 1984), 

47 "NKo": range(1984, 2048), 

48 "Samaritan": range(2048, 2112), 

49 "Mandaic": range(2112, 2144), 

50 "Syriac Supplement": range(2144, 2160), 

51 "Arabic Extended-B": range(2160, 2208), 

52 "Arabic Extended-A": range(2208, 2304), 

53 "Devanagari": range(2304, 2432), 

54 "Bengali": range(2432, 2560), 

55 "Gurmukhi": range(2560, 2688), 

56 "Gujarati": range(2688, 2816), 

57 "Oriya": range(2816, 2944), 

58 "Tamil": range(2944, 3072), 

59 "Telugu": range(3072, 3200), 

60 "Kannada": range(3200, 3328), 

61 "Malayalam": range(3328, 3456), 

62 "Sinhala": range(3456, 3584), 

63 "Thai": range(3584, 3712), 

64 "Lao": range(3712, 3840), 

65 "Tibetan": range(3840, 4096), 

66 "Myanmar": range(4096, 4256), 

67 "Georgian": range(4256, 4352), 

68 "Hangul Jamo": range(4352, 4608), 

69 "Ethiopic": range(4608, 4992), 

70 "Ethiopic Supplement": range(4992, 5024), 

71 "Cherokee": range(5024, 5120), 

72 "Unified Canadian Aboriginal Syllabics": range(5120, 5760), 

73 "Ogham": range(5760, 5792), 

74 "Runic": range(5792, 5888), 

75 "Tagalog": range(5888, 5920), 

76 "Hanunoo": range(5920, 5952), 

77 "Buhid": range(5952, 5984), 

78 "Tagbanwa": range(5984, 6016), 

79 "Khmer": range(6016, 6144), 

80 "Mongolian": range(6144, 6320), 

81 "Unified Canadian Aboriginal Syllabics Extended": range(6320, 6400), 

82 "Limbu": range(6400, 6480), 

83 "Tai Le": range(6480, 6528), 

84 "New Tai Lue": range(6528, 6624), 

85 "Khmer Symbols": range(6624, 6656), 

86 "Buginese": range(6656, 6688), 

87 "Tai Tham": range(6688, 6832), 

88 "Combining Diacritical Marks Extended": range(6832, 6912), 

89 "Balinese": range(6912, 7040), 

90 "Sundanese": range(7040, 7104), 

91 "Batak": range(7104, 7168), 

92 "Lepcha": range(7168, 7248), 

93 "Ol Chiki": range(7248, 7296), 

94 "Cyrillic Extended-C": range(7296, 7312), 

95 "Georgian Extended": range(7312, 7360), 

96 "Sundanese Supplement": range(7360, 7376), 

97 "Vedic Extensions": range(7376, 7424), 

98 "Phonetic Extensions": range(7424, 7552), 

99 "Phonetic Extensions Supplement": range(7552, 7616), 

100 "Combining Diacritical Marks Supplement": range(7616, 7680), 

101 "Latin Extended Additional": range(7680, 7936), 

102 "Greek Extended": range(7936, 8192), 

103 "General Punctuation": range(8192, 8304), 

104 "Superscripts and Subscripts": range(8304, 8352), 

105 "Currency Symbols": range(8352, 8400), 

106 "Combining Diacritical Marks for Symbols": range(8400, 8448), 

107 "Letterlike Symbols": range(8448, 8528), 

108 "Number Forms": range(8528, 8592), 

109 "Arrows": range(8592, 8704), 

110 "Mathematical Operators": range(8704, 8960), 

111 "Miscellaneous Technical": range(8960, 9216), 

112 "Control Pictures": range(9216, 9280), 

113 "Optical Character Recognition": range(9280, 9312), 

114 "Enclosed Alphanumerics": range(9312, 9472), 

115 "Box Drawing": range(9472, 9600), 

116 "Block Elements": range(9600, 9632), 

117 "Geometric Shapes": range(9632, 9728), 

118 "Miscellaneous Symbols": range(9728, 9984), 

119 "Dingbats": range(9984, 10176), 

120 "Miscellaneous Mathematical Symbols-A": range(10176, 10224), 

121 "Supplemental Arrows-A": range(10224, 10240), 

122 "Braille Patterns": range(10240, 10496), 

123 "Supplemental Arrows-B": range(10496, 10624), 

124 "Miscellaneous Mathematical Symbols-B": range(10624, 10752), 

125 "Supplemental Mathematical Operators": range(10752, 11008), 

126 "Miscellaneous Symbols and Arrows": range(11008, 11264), 

127 "Glagolitic": range(11264, 11360), 

128 "Latin Extended-C": range(11360, 11392), 

129 "Coptic": range(11392, 11520), 

130 "Georgian Supplement": range(11520, 11568), 

131 "Tifinagh": range(11568, 11648), 

132 "Ethiopic Extended": range(11648, 11744), 

133 "Cyrillic Extended-A": range(11744, 11776), 

134 "Supplemental Punctuation": range(11776, 11904), 

135 "CJK Radicals Supplement": range(11904, 12032), 

136 "Kangxi Radicals": range(12032, 12256), 

137 "Ideographic Description Characters": range(12272, 12288), 

138 "CJK Symbols and Punctuation": range(12288, 12352), 

139 "Hiragana": range(12352, 12448), 

140 "Katakana": range(12448, 12544), 

141 "Bopomofo": range(12544, 12592), 

142 "Hangul Compatibility Jamo": range(12592, 12688), 

143 "Kanbun": range(12688, 12704), 

144 "Bopomofo Extended": range(12704, 12736), 

145 "CJK Strokes": range(12736, 12784), 

146 "Katakana Phonetic Extensions": range(12784, 12800), 

147 "Enclosed CJK Letters and Months": range(12800, 13056), 

148 "CJK Compatibility": range(13056, 13312), 

149 "CJK Unified Ideographs Extension A": range(13312, 19904), 

150 "Yijing Hexagram Symbols": range(19904, 19968), 

151 "CJK Unified Ideographs": range(19968, 40960), 

152 "Yi Syllables": range(40960, 42128), 

153 "Yi Radicals": range(42128, 42192), 

154 "Lisu": range(42192, 42240), 

155 "Vai": range(42240, 42560), 

156 "Cyrillic Extended-B": range(42560, 42656), 

157 "Bamum": range(42656, 42752), 

158 "Modifier Tone Letters": range(42752, 42784), 

159 "Latin Extended-D": range(42784, 43008), 

160 "Syloti Nagri": range(43008, 43056), 

161 "Common Indic Number Forms": range(43056, 43072), 

162 "Phags-pa": range(43072, 43136), 

163 "Saurashtra": range(43136, 43232), 

164 "Devanagari Extended": range(43232, 43264), 

165 "Kayah Li": range(43264, 43312), 

166 "Rejang": range(43312, 43360), 

167 "Hangul Jamo Extended-A": range(43360, 43392), 

168 "Javanese": range(43392, 43488), 

169 "Myanmar Extended-B": range(43488, 43520), 

170 "Cham": range(43520, 43616), 

171 "Myanmar Extended-A": range(43616, 43648), 

172 "Tai Viet": range(43648, 43744), 

173 "Meetei Mayek Extensions": range(43744, 43776), 

174 "Ethiopic Extended-A": range(43776, 43824), 

175 "Latin Extended-E": range(43824, 43888), 

176 "Cherokee Supplement": range(43888, 43968), 

177 "Meetei Mayek": range(43968, 44032), 

178 "Hangul Syllables": range(44032, 55216), 

179 "Hangul Jamo Extended-B": range(55216, 55296), 

180 "High Surrogates": range(55296, 56192), 

181 "High Private Use Surrogates": range(56192, 56320), 

182 "Low Surrogates": range(56320, 57344), 

183 "Private Use Area": range(57344, 63744), 

184 "CJK Compatibility Ideographs": range(63744, 64256), 

185 "Alphabetic Presentation Forms": range(64256, 64336), 

186 "Arabic Presentation Forms-A": range(64336, 65024), 

187 "Variation Selectors": range(65024, 65040), 

188 "Vertical Forms": range(65040, 65056), 

189 "Combining Half Marks": range(65056, 65072), 

190 "CJK Compatibility Forms": range(65072, 65104), 

191 "Small Form Variants": range(65104, 65136), 

192 "Arabic Presentation Forms-B": range(65136, 65280), 

193 "Halfwidth and Fullwidth Forms": range(65280, 65520), 

194 "Specials": range(65520, 65536), 

195 "Linear B Syllabary": range(65536, 65664), 

196 "Linear B Ideograms": range(65664, 65792), 

197 "Aegean Numbers": range(65792, 65856), 

198 "Ancient Greek Numbers": range(65856, 65936), 

199 "Ancient Symbols": range(65936, 66000), 

200 "Phaistos Disc": range(66000, 66048), 

201 "Lycian": range(66176, 66208), 

202 "Carian": range(66208, 66272), 

203 "Coptic Epact Numbers": range(66272, 66304), 

204 "Old Italic": range(66304, 66352), 

205 "Gothic": range(66352, 66384), 

206 "Old Permic": range(66384, 66432), 

207 "Ugaritic": range(66432, 66464), 

208 "Old Persian": range(66464, 66528), 

209 "Deseret": range(66560, 66640), 

210 "Shavian": range(66640, 66688), 

211 "Osmanya": range(66688, 66736), 

212 "Osage": range(66736, 66816), 

213 "Elbasan": range(66816, 66864), 

214 "Caucasian Albanian": range(66864, 66928), 

215 "Vithkuqi": range(66928, 67008), 

216 "Linear A": range(67072, 67456), 

217 "Latin Extended-F": range(67456, 67520), 

218 "Cypriot Syllabary": range(67584, 67648), 

219 "Imperial Aramaic": range(67648, 67680), 

220 "Palmyrene": range(67680, 67712), 

221 "Nabataean": range(67712, 67760), 

222 "Hatran": range(67808, 67840), 

223 "Phoenician": range(67840, 67872), 

224 "Lydian": range(67872, 67904), 

225 "Meroitic Hieroglyphs": range(67968, 68000), 

226 "Meroitic Cursive": range(68000, 68096), 

227 "Kharoshthi": range(68096, 68192), 

228 "Old South Arabian": range(68192, 68224), 

229 "Old North Arabian": range(68224, 68256), 

230 "Manichaean": range(68288, 68352), 

231 "Avestan": range(68352, 68416), 

232 "Inscriptional Parthian": range(68416, 68448), 

233 "Inscriptional Pahlavi": range(68448, 68480), 

234 "Psalter Pahlavi": range(68480, 68528), 

235 "Old Turkic": range(68608, 68688), 

236 "Old Hungarian": range(68736, 68864), 

237 "Hanifi Rohingya": range(68864, 68928), 

238 "Rumi Numeral Symbols": range(69216, 69248), 

239 "Yezidi": range(69248, 69312), 

240 "Arabic Extended-C": range(69312, 69376), 

241 "Old Sogdian": range(69376, 69424), 

242 "Sogdian": range(69424, 69488), 

243 "Old Uyghur": range(69488, 69552), 

244 "Chorasmian": range(69552, 69600), 

245 "Elymaic": range(69600, 69632), 

246 "Brahmi": range(69632, 69760), 

247 "Kaithi": range(69760, 69840), 

248 "Sora Sompeng": range(69840, 69888), 

249 "Chakma": range(69888, 69968), 

250 "Mahajani": range(69968, 70016), 

251 "Sharada": range(70016, 70112), 

252 "Sinhala Archaic Numbers": range(70112, 70144), 

253 "Khojki": range(70144, 70224), 

254 "Multani": range(70272, 70320), 

255 "Khudawadi": range(70320, 70400), 

256 "Grantha": range(70400, 70528), 

257 "Newa": range(70656, 70784), 

258 "Tirhuta": range(70784, 70880), 

259 "Siddham": range(71040, 71168), 

260 "Modi": range(71168, 71264), 

261 "Mongolian Supplement": range(71264, 71296), 

262 "Takri": range(71296, 71376), 

263 "Ahom": range(71424, 71504), 

264 "Dogra": range(71680, 71760), 

265 "Warang Citi": range(71840, 71936), 

266 "Dives Akuru": range(71936, 72032), 

267 "Nandinagari": range(72096, 72192), 

268 "Zanabazar Square": range(72192, 72272), 

269 "Soyombo": range(72272, 72368), 

270 "Unified Canadian Aboriginal Syllabics Extended-A": range(72368, 72384), 

271 "Pau Cin Hau": range(72384, 72448), 

272 "Devanagari Extended-A": range(72448, 72544), 

273 "Bhaiksuki": range(72704, 72816), 

274 "Marchen": range(72816, 72896), 

275 "Masaram Gondi": range(72960, 73056), 

276 "Gunjala Gondi": range(73056, 73136), 

277 "Makasar": range(73440, 73472), 

278 "Kawi": range(73472, 73568), 

279 "Lisu Supplement": range(73648, 73664), 

280 "Tamil Supplement": range(73664, 73728), 

281 "Cuneiform": range(73728, 74752), 

282 "Cuneiform Numbers and Punctuation": range(74752, 74880), 

283 "Early Dynastic Cuneiform": range(74880, 75088), 

284 "Cypro-Minoan": range(77712, 77824), 

285 "Egyptian Hieroglyphs": range(77824, 78896), 

286 "Egyptian Hieroglyph Format Controls": range(78896, 78944), 

287 "Anatolian Hieroglyphs": range(82944, 83584), 

288 "Bamum Supplement": range(92160, 92736), 

289 "Mro": range(92736, 92784), 

290 "Tangsa": range(92784, 92880), 

291 "Bassa Vah": range(92880, 92928), 

292 "Pahawh Hmong": range(92928, 93072), 

293 "Medefaidrin": range(93760, 93856), 

294 "Miao": range(93952, 94112), 

295 "Ideographic Symbols and Punctuation": range(94176, 94208), 

296 "Tangut": range(94208, 100352), 

297 "Tangut Components": range(100352, 101120), 

298 "Khitan Small Script": range(101120, 101632), 

299 "Tangut Supplement": range(101632, 101760), 

300 "Kana Extended-B": range(110576, 110592), 

301 "Kana Supplement": range(110592, 110848), 

302 "Kana Extended-A": range(110848, 110896), 

303 "Small Kana Extension": range(110896, 110960), 

304 "Nushu": range(110960, 111360), 

305 "Duployan": range(113664, 113824), 

306 "Shorthand Format Controls": range(113824, 113840), 

307 "Znamenny Musical Notation": range(118528, 118736), 

308 "Byzantine Musical Symbols": range(118784, 119040), 

309 "Musical Symbols": range(119040, 119296), 

310 "Ancient Greek Musical Notation": range(119296, 119376), 

311 "Kaktovik Numerals": range(119488, 119520), 

312 "Mayan Numerals": range(119520, 119552), 

313 "Tai Xuan Jing Symbols": range(119552, 119648), 

314 "Counting Rod Numerals": range(119648, 119680), 

315 "Mathematical Alphanumeric Symbols": range(119808, 120832), 

316 "Sutton SignWriting": range(120832, 121520), 

317 "Latin Extended-G": range(122624, 122880), 

318 "Glagolitic Supplement": range(122880, 122928), 

319 "Cyrillic Extended-D": range(122928, 123024), 

320 "Nyiakeng Puachue Hmong": range(123136, 123216), 

321 "Toto": range(123536, 123584), 

322 "Wancho": range(123584, 123648), 

323 "Nag Mundari": range(124112, 124160), 

324 "Ethiopic Extended-B": range(124896, 124928), 

325 "Mende Kikakui": range(124928, 125152), 

326 "Adlam": range(125184, 125280), 

327 "Indic Siyaq Numbers": range(126064, 126144), 

328 "Ottoman Siyaq Numbers": range(126208, 126288), 

329 "Arabic Mathematical Alphabetic Symbols": range(126464, 126720), 

330 "Mahjong Tiles": range(126976, 127024), 

331 "Domino Tiles": range(127024, 127136), 

332 "Playing Cards": range(127136, 127232), 

333 "Enclosed Alphanumeric Supplement": range(127232, 127488), 

334 "Enclosed Ideographic Supplement": range(127488, 127744), 

335 "Miscellaneous Symbols and Pictographs": range(127744, 128512), 

336 "Emoticons range(Emoji)": range(128512, 128592), 

337 "Ornamental Dingbats": range(128592, 128640), 

338 "Transport and Map Symbols": range(128640, 128768), 

339 "Alchemical Symbols": range(128768, 128896), 

340 "Geometric Shapes Extended": range(128896, 129024), 

341 "Supplemental Arrows-C": range(129024, 129280), 

342 "Supplemental Symbols and Pictographs": range(129280, 129536), 

343 "Chess Symbols": range(129536, 129648), 

344 "Symbols and Pictographs Extended-A": range(129648, 129792), 

345 "Symbols for Legacy Computing": range(129792, 130048), 

346 "CJK Unified Ideographs Extension B": range(131072, 173792), 

347 "CJK Unified Ideographs Extension C": range(173824, 177984), 

348 "CJK Unified Ideographs Extension D": range(177984, 178208), 

349 "CJK Unified Ideographs Extension E": range(178208, 183984), 

350 "CJK Unified Ideographs Extension F": range(183984, 191472), 

351 "CJK Compatibility Ideographs Supplement": range(194560, 195104), 

352 "CJK Unified Ideographs Extension G": range(196608, 201552), 

353 "CJK Unified Ideographs Extension H": range(201552, 205744), 

354 "Tags": range(917504, 917632), 

355 "Variation Selectors Supplement": range(917760, 918000), 

356 "Supplementary Private Use Area-A": range(983040, 1048576), 

357 "Supplementary Private Use Area-B": range(1048576, 1114112), 

358} 

359 

360 

361UNICODE_SECONDARY_RANGE_KEYWORD: list[str] = [ 

362 "Supplement", 

363 "Extended", 

364 "Extensions", 

365 "Modifier", 

366 "Marks", 

367 "Punctuation", 

368 "Symbols", 

369 "Forms", 

370 "Operators", 

371 "Miscellaneous", 

372 "Drawing", 

373 "Block", 

374 "Shapes", 

375 "Supplemental", 

376 "Tags", 

377] 

378 

379RE_POSSIBLE_ENCODING_INDICATION = re_compile( 

380 r"(?:(?:encoding)|(?:charset)|(?:coding))(?:[\:= ]{1,10})(?:[\"\']?)([a-zA-Z0-9\-_]+)(?:[\"\']?)", 

381 IGNORECASE, 

382) 

383 

384IANA_NO_ALIASES = [ 

385 "cp720", 

386 "cp737", 

387 "cp856", 

388 "cp874", 

389 "cp875", 

390 "cp1006", 

391 "koi8_r", 

392 "koi8_t", 

393 "koi8_u", 

394] 

395 

396IANA_SUPPORTED: list[str] = sorted( 

397 filter( 

398 lambda x: x.endswith("_codec") is False 

399 and x not in {"rot_13", "tactis", "mbcs"}, 

400 list(set(aliases.values())) + IANA_NO_ALIASES, 

401 ) 

402) 

403 

404IANA_SUPPORTED_COUNT: int = len(IANA_SUPPORTED) 

405 

406# pre-computed code page that are similar using the function cp_similarity. 

407IANA_SUPPORTED_SIMILAR: dict[str, list[str]] = { 

408 "cp037": ["cp1026", "cp1140", "cp273", "cp500"], 

409 "cp1026": ["cp037", "cp1140", "cp273", "cp500"], 

410 "cp1125": ["cp866"], 

411 "cp1140": ["cp037", "cp1026", "cp273", "cp500"], 

412 "cp1250": ["iso8859_2"], 

413 "cp1251": ["kz1048", "ptcp154"], 

414 "cp1252": ["iso8859_15", "iso8859_9", "latin_1"], 

415 "cp1253": ["iso8859_7"], 

416 "cp1254": ["iso8859_15", "iso8859_9", "latin_1"], 

417 "cp1257": ["iso8859_13"], 

418 "cp273": ["cp037", "cp1026", "cp1140", "cp500"], 

419 "cp437": ["cp850", "cp858", "cp860", "cp861", "cp862", "cp863", "cp865"], 

420 "cp500": ["cp037", "cp1026", "cp1140", "cp273"], 

421 "cp850": ["cp437", "cp857", "cp858", "cp865"], 

422 "cp857": ["cp850", "cp858", "cp865"], 

423 "cp858": ["cp437", "cp850", "cp857", "cp865"], 

424 "cp860": ["cp437", "cp861", "cp862", "cp863", "cp865"], 

425 "cp861": ["cp437", "cp860", "cp862", "cp863", "cp865"], 

426 "cp862": ["cp437", "cp860", "cp861", "cp863", "cp865"], 

427 "cp863": ["cp437", "cp860", "cp861", "cp862", "cp865"], 

428 "cp865": ["cp437", "cp850", "cp857", "cp858", "cp860", "cp861", "cp862", "cp863"], 

429 "cp866": ["cp1125"], 

430 "iso8859_10": ["iso8859_14", "iso8859_15", "iso8859_4", "iso8859_9", "latin_1"], 

431 "iso8859_11": ["tis_620"], 

432 "iso8859_13": ["cp1257"], 

433 "iso8859_14": [ 

434 "iso8859_10", 

435 "iso8859_15", 

436 "iso8859_16", 

437 "iso8859_3", 

438 "iso8859_9", 

439 "latin_1", 

440 ], 

441 "iso8859_15": [ 

442 "cp1252", 

443 "cp1254", 

444 "iso8859_10", 

445 "iso8859_14", 

446 "iso8859_16", 

447 "iso8859_3", 

448 "iso8859_9", 

449 "latin_1", 

450 ], 

451 "iso8859_16": [ 

452 "iso8859_14", 

453 "iso8859_15", 

454 "iso8859_2", 

455 "iso8859_3", 

456 "iso8859_9", 

457 "latin_1", 

458 ], 

459 "iso8859_2": ["cp1250", "iso8859_16", "iso8859_4"], 

460 "iso8859_3": ["iso8859_14", "iso8859_15", "iso8859_16", "iso8859_9", "latin_1"], 

461 "iso8859_4": ["iso8859_10", "iso8859_2", "iso8859_9", "latin_1"], 

462 "iso8859_7": ["cp1253"], 

463 "iso8859_9": [ 

464 "cp1252", 

465 "cp1254", 

466 "cp1258", 

467 "iso8859_10", 

468 "iso8859_14", 

469 "iso8859_15", 

470 "iso8859_16", 

471 "iso8859_3", 

472 "iso8859_4", 

473 "latin_1", 

474 ], 

475 "kz1048": ["cp1251", "ptcp154"], 

476 "latin_1": [ 

477 "cp1252", 

478 "cp1254", 

479 "cp1258", 

480 "iso8859_10", 

481 "iso8859_14", 

482 "iso8859_15", 

483 "iso8859_16", 

484 "iso8859_3", 

485 "iso8859_4", 

486 "iso8859_9", 

487 ], 

488 "mac_iceland": ["mac_roman", "mac_turkish"], 

489 "mac_roman": ["mac_iceland", "mac_turkish"], 

490 "mac_turkish": ["mac_iceland", "mac_roman"], 

491 "ptcp154": ["cp1251", "kz1048"], 

492 "tis_620": ["iso8859_11"], 

493} 

494 

495 

496CHARDET_CORRESPONDENCE: dict[str, str] = { 

497 "iso2022_kr": "ISO-2022-KR", 

498 "iso2022_jp": "ISO-2022-JP", 

499 "euc_kr": "EUC-KR", 

500 "tis_620": "TIS-620", 

501 "utf_32": "UTF-32", 

502 "euc_jp": "EUC-JP", 

503 "koi8_r": "KOI8-R", 

504 "iso8859_1": "ISO-8859-1", 

505 "iso8859_2": "ISO-8859-2", 

506 "iso8859_5": "ISO-8859-5", 

507 "iso8859_6": "ISO-8859-6", 

508 "iso8859_7": "ISO-8859-7", 

509 "iso8859_8": "ISO-8859-8", 

510 "utf_16": "UTF-16", 

511 "cp855": "IBM855", 

512 "mac_cyrillic": "MacCyrillic", 

513 "gb2312": "GB2312", 

514 "gb18030": "GB18030", 

515 "cp932": "CP932", 

516 "cp866": "IBM866", 

517 "utf_8": "utf-8", 

518 "utf_8_sig": "UTF-8-SIG", 

519 "shift_jis": "SHIFT_JIS", 

520 "big5": "Big5", 

521 "cp1250": "windows-1250", 

522 "cp1251": "windows-1251", 

523 "cp1252": "Windows-1252", 

524 "cp1253": "windows-1253", 

525 "cp1255": "windows-1255", 

526 "cp1256": "windows-1256", 

527 "cp1254": "Windows-1254", 

528 "cp949": "CP949", 

529} 

530 

531 

532COMMON_SAFE_ASCII_CHARACTERS: set[str] = { 

533 "<", 

534 ">", 

535 "=", 

536 ":", 

537 "/", 

538 "&", 

539 ";", 

540 "{", 

541 "}", 

542 "[", 

543 "]", 

544 ",", 

545 "|", 

546 '"', 

547 "-", 

548 "(", 

549 ")", 

550} 

551 

552 

553KO_NAMES: set[str] = {"johab", "cp949", "euc_kr"} 

554ZH_NAMES: set[str] = {"big5", "cp950", "big5hkscs", "hz"} 

555 

556# Logging LEVEL below DEBUG 

557TRACE: int = 5 

558 

559 

560# Language label that contain the em dash "—" 

561# character are to be considered alternative seq to origin 

562FREQUENCIES: dict[str, list[str]] = { 

563 "English": [ 

564 "e", 

565 "a", 

566 "t", 

567 "i", 

568 "o", 

569 "n", 

570 "s", 

571 "r", 

572 "h", 

573 "l", 

574 "d", 

575 "c", 

576 "u", 

577 "m", 

578 "f", 

579 "p", 

580 "g", 

581 "w", 

582 "y", 

583 "b", 

584 "v", 

585 "k", 

586 "x", 

587 "j", 

588 "z", 

589 "q", 

590 ], 

591 "English—": [ 

592 "e", 

593 "a", 

594 "t", 

595 "i", 

596 "o", 

597 "n", 

598 "s", 

599 "r", 

600 "h", 

601 "l", 

602 "d", 

603 "c", 

604 "m", 

605 "u", 

606 "f", 

607 "p", 

608 "g", 

609 "w", 

610 "b", 

611 "y", 

612 "v", 

613 "k", 

614 "j", 

615 "x", 

616 "z", 

617 "q", 

618 ], 

619 "German": [ 

620 "e", 

621 "n", 

622 "i", 

623 "r", 

624 "s", 

625 "t", 

626 "a", 

627 "d", 

628 "h", 

629 "u", 

630 "l", 

631 "g", 

632 "o", 

633 "c", 

634 "m", 

635 "b", 

636 "f", 

637 "k", 

638 "w", 

639 "z", 

640 "p", 

641 "v", 

642 "ü", 

643 "ä", 

644 "ö", 

645 "j", 

646 ], 

647 "French": [ 

648 "e", 

649 "a", 

650 "s", 

651 "n", 

652 "i", 

653 "t", 

654 "r", 

655 "l", 

656 "u", 

657 "o", 

658 "d", 

659 "c", 

660 "p", 

661 "m", 

662 "é", 

663 "v", 

664 "g", 

665 "f", 

666 "b", 

667 "h", 

668 "q", 

669 "à", 

670 "x", 

671 "è", 

672 "y", 

673 "j", 

674 ], 

675 "Dutch": [ 

676 "e", 

677 "n", 

678 "a", 

679 "i", 

680 "r", 

681 "t", 

682 "o", 

683 "d", 

684 "s", 

685 "l", 

686 "g", 

687 "h", 

688 "v", 

689 "m", 

690 "u", 

691 "k", 

692 "c", 

693 "p", 

694 "b", 

695 "w", 

696 "j", 

697 "z", 

698 "f", 

699 "y", 

700 "x", 

701 "ë", 

702 ], 

703 "Italian": [ 

704 "e", 

705 "i", 

706 "a", 

707 "o", 

708 "n", 

709 "l", 

710 "t", 

711 "r", 

712 "s", 

713 "c", 

714 "d", 

715 "u", 

716 "p", 

717 "m", 

718 "g", 

719 "v", 

720 "f", 

721 "b", 

722 "z", 

723 "h", 

724 "q", 

725 "è", 

726 "à", 

727 "k", 

728 "y", 

729 "ò", 

730 ], 

731 "Polish": [ 

732 "a", 

733 "i", 

734 "o", 

735 "e", 

736 "n", 

737 "r", 

738 "z", 

739 "w", 

740 "s", 

741 "c", 

742 "t", 

743 "k", 

744 "y", 

745 "d", 

746 "p", 

747 "m", 

748 "u", 

749 "l", 

750 "j", 

751 "ł", 

752 "g", 

753 "b", 

754 "h", 

755 "ą", 

756 "ę", 

757 "ó", 

758 ], 

759 "Spanish": [ 

760 "e", 

761 "a", 

762 "o", 

763 "n", 

764 "s", 

765 "r", 

766 "i", 

767 "l", 

768 "d", 

769 "t", 

770 "c", 

771 "u", 

772 "m", 

773 "p", 

774 "b", 

775 "g", 

776 "v", 

777 "f", 

778 "y", 

779 "ó", 

780 "h", 

781 "q", 

782 "í", 

783 "j", 

784 "z", 

785 "á", 

786 ], 

787 "Russian": [ 

788 "о", 

789 "а", 

790 "е", 

791 "и", 

792 "н", 

793 "с", 

794 "т", 

795 "р", 

796 "в", 

797 "л", 

798 "к", 

799 "м", 

800 "д", 

801 "п", 

802 "у", 

803 "г", 

804 "я", 

805 "ы", 

806 "з", 

807 "б", 

808 "й", 

809 "ь", 

810 "ч", 

811 "х", 

812 "ж", 

813 "ц", 

814 ], 

815 # Jap-Kanji 

816 "Japanese": [ 

817 "人", 

818 "一", 

819 "大", 

820 "亅", 

821 "丁", 

822 "丨", 

823 "竹", 

824 "笑", 

825 "口", 

826 "日", 

827 "今", 

828 "二", 

829 "彳", 

830 "行", 

831 "十", 

832 "土", 

833 "丶", 

834 "寸", 

835 "寺", 

836 "時", 

837 "乙", 

838 "丿", 

839 "乂", 

840 "气", 

841 "気", 

842 "冂", 

843 "巾", 

844 "亠", 

845 "市", 

846 "目", 

847 "儿", 

848 "見", 

849 "八", 

850 "小", 

851 "凵", 

852 "県", 

853 "月", 

854 "彐", 

855 "門", 

856 "間", 

857 "木", 

858 "東", 

859 "山", 

860 "出", 

861 "本", 

862 "中", 

863 "刀", 

864 "分", 

865 "耳", 

866 "又", 

867 "取", 

868 "最", 

869 "言", 

870 "田", 

871 "心", 

872 "思", 

873 "刂", 

874 "前", 

875 "京", 

876 "尹", 

877 "事", 

878 "生", 

879 "厶", 

880 "云", 

881 "会", 

882 "未", 

883 "来", 

884 "白", 

885 "冫", 

886 "楽", 

887 "灬", 

888 "馬", 

889 "尸", 

890 "尺", 

891 "駅", 

892 "明", 

893 "耂", 

894 "者", 

895 "了", 

896 "阝", 

897 "都", 

898 "高", 

899 "卜", 

900 "占", 

901 "厂", 

902 "广", 

903 "店", 

904 "子", 

905 "申", 

906 "奄", 

907 "亻", 

908 "俺", 

909 "上", 

910 "方", 

911 "冖", 

912 "学", 

913 "衣", 

914 "艮", 

915 "食", 

916 "自", 

917 ], 

918 # Jap-Katakana 

919 "Japanese—": [ 

920 "ー", 

921 "ン", 

922 "ス", 

923 "・", 

924 "ル", 

925 "ト", 

926 "リ", 

927 "イ", 

928 "ア", 

929 "ラ", 

930 "ッ", 

931 "ク", 

932 "ド", 

933 "シ", 

934 "レ", 

935 "ジ", 

936 "タ", 

937 "フ", 

938 "ロ", 

939 "カ", 

940 "テ", 

941 "マ", 

942 "ィ", 

943 "グ", 

944 "バ", 

945 "ム", 

946 "プ", 

947 "オ", 

948 "コ", 

949 "デ", 

950 "ニ", 

951 "ウ", 

952 "メ", 

953 "サ", 

954 "ビ", 

955 "ナ", 

956 "ブ", 

957 "ャ", 

958 "エ", 

959 "ュ", 

960 "チ", 

961 "キ", 

962 "ズ", 

963 "ダ", 

964 "パ", 

965 "ミ", 

966 "ェ", 

967 "ョ", 

968 "ハ", 

969 "セ", 

970 "ベ", 

971 "ガ", 

972 "モ", 

973 "ツ", 

974 "ネ", 

975 "ボ", 

976 "ソ", 

977 "ノ", 

978 "ァ", 

979 "ヴ", 

980 "ワ", 

981 "ポ", 

982 "ペ", 

983 "ピ", 

984 "ケ", 

985 "ゴ", 

986 "ギ", 

987 "ザ", 

988 "ホ", 

989 "ゲ", 

990 "ォ", 

991 "ヤ", 

992 "ヒ", 

993 "ユ", 

994 "ヨ", 

995 "ヘ", 

996 "ゼ", 

997 "ヌ", 

998 "ゥ", 

999 "ゾ", 

1000 "ヶ", 

1001 "ヂ", 

1002 "ヲ", 

1003 "ヅ", 

1004 "ヵ", 

1005 "ヱ", 

1006 "ヰ", 

1007 "ヮ", 

1008 "ヽ", 

1009 "゠", 

1010 "ヾ", 

1011 "ヷ", 

1012 "ヿ", 

1013 "ヸ", 

1014 "ヹ", 

1015 "ヺ", 

1016 ], 

1017 # Jap-Hiragana 

1018 "Japanese——": [ 

1019 "の", 

1020 "に", 

1021 "る", 

1022 "た", 

1023 "と", 

1024 "は", 

1025 "し", 

1026 "い", 

1027 "を", 

1028 "で", 

1029 "て", 

1030 "が", 

1031 "な", 

1032 "れ", 

1033 "か", 

1034 "ら", 

1035 "さ", 

1036 "っ", 

1037 "り", 

1038 "す", 

1039 "あ", 

1040 "も", 

1041 "こ", 

1042 "ま", 

1043 "う", 

1044 "く", 

1045 "よ", 

1046 "き", 

1047 "ん", 

1048 "め", 

1049 "お", 

1050 "け", 

1051 "そ", 

1052 "つ", 

1053 "だ", 

1054 "や", 

1055 "え", 

1056 "ど", 

1057 "わ", 

1058 "ち", 

1059 "み", 

1060 "せ", 

1061 "じ", 

1062 "ば", 

1063 "へ", 

1064 "び", 

1065 "ず", 

1066 "ろ", 

1067 "ほ", 

1068 "げ", 

1069 "む", 

1070 "べ", 

1071 "ひ", 

1072 "ょ", 

1073 "ゆ", 

1074 "ぶ", 

1075 "ご", 

1076 "ゃ", 

1077 "ね", 

1078 "ふ", 

1079 "ぐ", 

1080 "ぎ", 

1081 "ぼ", 

1082 "ゅ", 

1083 "づ", 

1084 "ざ", 

1085 "ぞ", 

1086 "ぬ", 

1087 "ぜ", 

1088 "ぱ", 

1089 "ぽ", 

1090 "ぷ", 

1091 "ぴ", 

1092 "ぃ", 

1093 "ぁ", 

1094 "ぇ", 

1095 "ぺ", 

1096 "ゞ", 

1097 "ぢ", 

1098 "ぉ", 

1099 "ぅ", 

1100 "ゐ", 

1101 "ゝ", 

1102 "ゑ", 

1103 "゛", 

1104 "゜", 

1105 "ゎ", 

1106 "ゔ", 

1107 "゚", 

1108 "ゟ", 

1109 "゙", 

1110 "ゕ", 

1111 "ゖ", 

1112 ], 

1113 "Portuguese": [ 

1114 "a", 

1115 "e", 

1116 "o", 

1117 "s", 

1118 "i", 

1119 "r", 

1120 "d", 

1121 "n", 

1122 "t", 

1123 "m", 

1124 "u", 

1125 "c", 

1126 "l", 

1127 "p", 

1128 "g", 

1129 "v", 

1130 "b", 

1131 "f", 

1132 "h", 

1133 "ã", 

1134 "q", 

1135 "é", 

1136 "ç", 

1137 "á", 

1138 "z", 

1139 "í", 

1140 ], 

1141 "Swedish": [ 

1142 "e", 

1143 "a", 

1144 "n", 

1145 "r", 

1146 "t", 

1147 "s", 

1148 "i", 

1149 "l", 

1150 "d", 

1151 "o", 

1152 "m", 

1153 "k", 

1154 "g", 

1155 "v", 

1156 "h", 

1157 "f", 

1158 "u", 

1159 "p", 

1160 "ä", 

1161 "c", 

1162 "b", 

1163 "ö", 

1164 "å", 

1165 "y", 

1166 "j", 

1167 "x", 

1168 ], 

1169 "Chinese": [ 

1170 "的", 

1171 "一", 

1172 "是", 

1173 "不", 

1174 "了", 

1175 "在", 

1176 "人", 

1177 "有", 

1178 "我", 

1179 "他", 

1180 "这", 

1181 "个", 

1182 "们", 

1183 "中", 

1184 "来", 

1185 "上", 

1186 "大", 

1187 "为", 

1188 "和", 

1189 "国", 

1190 "地", 

1191 "到", 

1192 "以", 

1193 "说", 

1194 "时", 

1195 "要", 

1196 "就", 

1197 "出", 

1198 "会", 

1199 "可", 

1200 "也", 

1201 "你", 

1202 "对", 

1203 "生", 

1204 "能", 

1205 "而", 

1206 "子", 

1207 "那", 

1208 "得", 

1209 "于", 

1210 "着", 

1211 "下", 

1212 "自", 

1213 "之", 

1214 "年", 

1215 "过", 

1216 "发", 

1217 "后", 

1218 "作", 

1219 "里", 

1220 "用", 

1221 "道", 

1222 "行", 

1223 "所", 

1224 "然", 

1225 "家", 

1226 "种", 

1227 "事", 

1228 "成", 

1229 "方", 

1230 "多", 

1231 "经", 

1232 "么", 

1233 "去", 

1234 "法", 

1235 "学", 

1236 "如", 

1237 "都", 

1238 "同", 

1239 "现", 

1240 "当", 

1241 "没", 

1242 "动", 

1243 "面", 

1244 "起", 

1245 "看", 

1246 "定", 

1247 "天", 

1248 "分", 

1249 "还", 

1250 "进", 

1251 "好", 

1252 "小", 

1253 "部", 

1254 "其", 

1255 "些", 

1256 "主", 

1257 "样", 

1258 "理", 

1259 "心", 

1260 "她", 

1261 "本", 

1262 "前", 

1263 "开", 

1264 "但", 

1265 "因", 

1266 "只", 

1267 "从", 

1268 "想", 

1269 "实", 

1270 ], 

1271 "Ukrainian": [ 

1272 "о", 

1273 "а", 

1274 "н", 

1275 "і", 

1276 "и", 

1277 "р", 

1278 "в", 

1279 "т", 

1280 "е", 

1281 "с", 

1282 "к", 

1283 "л", 

1284 "у", 

1285 "д", 

1286 "м", 

1287 "п", 

1288 "з", 

1289 "я", 

1290 "ь", 

1291 "б", 

1292 "г", 

1293 "й", 

1294 "ч", 

1295 "х", 

1296 "ц", 

1297 "ї", 

1298 ], 

1299 "Norwegian": [ 

1300 "e", 

1301 "r", 

1302 "n", 

1303 "t", 

1304 "a", 

1305 "s", 

1306 "i", 

1307 "o", 

1308 "l", 

1309 "d", 

1310 "g", 

1311 "k", 

1312 "m", 

1313 "v", 

1314 "f", 

1315 "p", 

1316 "u", 

1317 "b", 

1318 "h", 

1319 "å", 

1320 "y", 

1321 "j", 

1322 "ø", 

1323 "c", 

1324 "æ", 

1325 "w", 

1326 ], 

1327 "Finnish": [ 

1328 "a", 

1329 "i", 

1330 "n", 

1331 "t", 

1332 "e", 

1333 "s", 

1334 "l", 

1335 "o", 

1336 "u", 

1337 "k", 

1338 "ä", 

1339 "m", 

1340 "r", 

1341 "v", 

1342 "j", 

1343 "h", 

1344 "p", 

1345 "y", 

1346 "d", 

1347 "ö", 

1348 "g", 

1349 "c", 

1350 "b", 

1351 "f", 

1352 "w", 

1353 "z", 

1354 ], 

1355 "Vietnamese": [ 

1356 "n", 

1357 "h", 

1358 "t", 

1359 "i", 

1360 "c", 

1361 "g", 

1362 "a", 

1363 "o", 

1364 "u", 

1365 "m", 

1366 "l", 

1367 "r", 

1368 "à", 

1369 "đ", 

1370 "s", 

1371 "e", 

1372 "v", 

1373 "p", 

1374 "b", 

1375 "y", 

1376 "ư", 

1377 "d", 

1378 "á", 

1379 "k", 

1380 "ộ", 

1381 "ế", 

1382 ], 

1383 "Czech": [ 

1384 "o", 

1385 "e", 

1386 "a", 

1387 "n", 

1388 "t", 

1389 "s", 

1390 "i", 

1391 "l", 

1392 "v", 

1393 "r", 

1394 "k", 

1395 "d", 

1396 "u", 

1397 "m", 

1398 "p", 

1399 "í", 

1400 "c", 

1401 "h", 

1402 "z", 

1403 "á", 

1404 "y", 

1405 "j", 

1406 "b", 

1407 "ě", 

1408 "é", 

1409 "ř", 

1410 ], 

1411 "Hungarian": [ 

1412 "e", 

1413 "a", 

1414 "t", 

1415 "l", 

1416 "s", 

1417 "n", 

1418 "k", 

1419 "r", 

1420 "i", 

1421 "o", 

1422 "z", 

1423 "á", 

1424 "é", 

1425 "g", 

1426 "m", 

1427 "b", 

1428 "y", 

1429 "v", 

1430 "d", 

1431 "h", 

1432 "u", 

1433 "p", 

1434 "j", 

1435 "ö", 

1436 "f", 

1437 "c", 

1438 ], 

1439 "Korean": [ 

1440 "이", 

1441 "다", 

1442 "에", 

1443 "의", 

1444 "는", 

1445 "로", 

1446 "하", 

1447 "을", 

1448 "가", 

1449 "고", 

1450 "지", 

1451 "서", 

1452 "한", 

1453 "은", 

1454 "기", 

1455 "으", 

1456 "년", 

1457 "대", 

1458 "사", 

1459 "시", 

1460 "를", 

1461 "리", 

1462 "도", 

1463 "인", 

1464 "스", 

1465 "일", 

1466 ], 

1467 "Indonesian": [ 

1468 "a", 

1469 "n", 

1470 "e", 

1471 "i", 

1472 "r", 

1473 "t", 

1474 "u", 

1475 "s", 

1476 "d", 

1477 "k", 

1478 "m", 

1479 "l", 

1480 "g", 

1481 "p", 

1482 "b", 

1483 "o", 

1484 "h", 

1485 "y", 

1486 "j", 

1487 "c", 

1488 "w", 

1489 "f", 

1490 "v", 

1491 "z", 

1492 "x", 

1493 "q", 

1494 ], 

1495 "Turkish": [ 

1496 "a", 

1497 "e", 

1498 "i", 

1499 "n", 

1500 "r", 

1501 "l", 

1502 "ı", 

1503 "k", 

1504 "d", 

1505 "t", 

1506 "s", 

1507 "m", 

1508 "y", 

1509 "u", 

1510 "o", 

1511 "b", 

1512 "ü", 

1513 "ş", 

1514 "v", 

1515 "g", 

1516 "z", 

1517 "h", 

1518 "c", 

1519 "p", 

1520 "ç", 

1521 "ğ", 

1522 ], 

1523 "Romanian": [ 

1524 "e", 

1525 "i", 

1526 "a", 

1527 "r", 

1528 "n", 

1529 "t", 

1530 "u", 

1531 "l", 

1532 "o", 

1533 "c", 

1534 "s", 

1535 "d", 

1536 "p", 

1537 "m", 

1538 "ă", 

1539 "f", 

1540 "v", 

1541 "î", 

1542 "g", 

1543 "b", 

1544 "ș", 

1545 "ț", 

1546 "z", 

1547 "h", 

1548 "â", 

1549 "j", 

1550 ], 

1551 "Farsi": [ 

1552 "ا", 

1553 "ی", 

1554 "ر", 

1555 "د", 

1556 "ن", 

1557 "ه", 

1558 "و", 

1559 "م", 

1560 "ت", 

1561 "ب", 

1562 "س", 

1563 "ل", 

1564 "ک", 

1565 "ش", 

1566 "ز", 

1567 "ف", 

1568 "گ", 

1569 "ع", 

1570 "خ", 

1571 "ق", 

1572 "ج", 

1573 "آ", 

1574 "پ", 

1575 "ح", 

1576 "ط", 

1577 "ص", 

1578 ], 

1579 "Arabic": [ 

1580 "ا", 

1581 "ل", 

1582 "ي", 

1583 "م", 

1584 "و", 

1585 "ن", 

1586 "ر", 

1587 "ت", 

1588 "ب", 

1589 "ة", 

1590 "ع", 

1591 "د", 

1592 "س", 

1593 "ف", 

1594 "ه", 

1595 "ك", 

1596 "ق", 

1597 "أ", 

1598 "ح", 

1599 "ج", 

1600 "ش", 

1601 "ط", 

1602 "ص", 

1603 "ى", 

1604 "خ", 

1605 "إ", 

1606 ], 

1607 "Danish": [ 

1608 "e", 

1609 "r", 

1610 "n", 

1611 "t", 

1612 "a", 

1613 "i", 

1614 "s", 

1615 "d", 

1616 "l", 

1617 "o", 

1618 "g", 

1619 "m", 

1620 "k", 

1621 "f", 

1622 "v", 

1623 "u", 

1624 "b", 

1625 "h", 

1626 "p", 

1627 "å", 

1628 "y", 

1629 "ø", 

1630 "æ", 

1631 "c", 

1632 "j", 

1633 "w", 

1634 ], 

1635 "Serbian": [ 

1636 "а", 

1637 "и", 

1638 "о", 

1639 "е", 

1640 "н", 

1641 "р", 

1642 "с", 

1643 "у", 

1644 "т", 

1645 "к", 

1646 "ј", 

1647 "в", 

1648 "д", 

1649 "м", 

1650 "п", 

1651 "л", 

1652 "г", 

1653 "з", 

1654 "б", 

1655 "a", 

1656 "i", 

1657 "e", 

1658 "o", 

1659 "n", 

1660 "ц", 

1661 "ш", 

1662 ], 

1663 "Lithuanian": [ 

1664 "i", 

1665 "a", 

1666 "s", 

1667 "o", 

1668 "r", 

1669 "e", 

1670 "t", 

1671 "n", 

1672 "u", 

1673 "k", 

1674 "m", 

1675 "l", 

1676 "p", 

1677 "v", 

1678 "d", 

1679 "j", 

1680 "g", 

1681 "ė", 

1682 "b", 

1683 "y", 

1684 "ų", 

1685 "š", 

1686 "ž", 

1687 "c", 

1688 "ą", 

1689 "į", 

1690 ], 

1691 "Slovene": [ 

1692 "e", 

1693 "a", 

1694 "i", 

1695 "o", 

1696 "n", 

1697 "r", 

1698 "s", 

1699 "l", 

1700 "t", 

1701 "j", 

1702 "v", 

1703 "k", 

1704 "d", 

1705 "p", 

1706 "m", 

1707 "u", 

1708 "z", 

1709 "b", 

1710 "g", 

1711 "h", 

1712 "č", 

1713 "c", 

1714 "š", 

1715 "ž", 

1716 "f", 

1717 "y", 

1718 ], 

1719 "Slovak": [ 

1720 "o", 

1721 "a", 

1722 "e", 

1723 "n", 

1724 "i", 

1725 "r", 

1726 "v", 

1727 "t", 

1728 "s", 

1729 "l", 

1730 "k", 

1731 "d", 

1732 "m", 

1733 "p", 

1734 "u", 

1735 "c", 

1736 "h", 

1737 "j", 

1738 "b", 

1739 "z", 

1740 "á", 

1741 "y", 

1742 "ý", 

1743 "í", 

1744 "č", 

1745 "é", 

1746 ], 

1747 "Hebrew": [ 

1748 "י", 

1749 "ו", 

1750 "ה", 

1751 "ל", 

1752 "ר", 

1753 "ב", 

1754 "ת", 

1755 "מ", 

1756 "א", 

1757 "ש", 

1758 "נ", 

1759 "ע", 

1760 "ם", 

1761 "ד", 

1762 "ק", 

1763 "ח", 

1764 "פ", 

1765 "ס", 

1766 "כ", 

1767 "ג", 

1768 "ט", 

1769 "צ", 

1770 "ן", 

1771 "ז", 

1772 "ך", 

1773 ], 

1774 "Bulgarian": [ 

1775 "а", 

1776 "и", 

1777 "о", 

1778 "е", 

1779 "н", 

1780 "т", 

1781 "р", 

1782 "с", 

1783 "в", 

1784 "л", 

1785 "к", 

1786 "д", 

1787 "п", 

1788 "м", 

1789 "з", 

1790 "г", 

1791 "я", 

1792 "ъ", 

1793 "у", 

1794 "б", 

1795 "ч", 

1796 "ц", 

1797 "й", 

1798 "ж", 

1799 "щ", 

1800 "х", 

1801 ], 

1802 "Croatian": [ 

1803 "a", 

1804 "i", 

1805 "o", 

1806 "e", 

1807 "n", 

1808 "r", 

1809 "j", 

1810 "s", 

1811 "t", 

1812 "u", 

1813 "k", 

1814 "l", 

1815 "v", 

1816 "d", 

1817 "m", 

1818 "p", 

1819 "g", 

1820 "z", 

1821 "b", 

1822 "c", 

1823 "č", 

1824 "h", 

1825 "š", 

1826 "ž", 

1827 "ć", 

1828 "f", 

1829 ], 

1830 "Hindi": [ 

1831 "क", 

1832 "र", 

1833 "स", 

1834 "न", 

1835 "त", 

1836 "म", 

1837 "ह", 

1838 "प", 

1839 "य", 

1840 "ल", 

1841 "व", 

1842 "ज", 

1843 "द", 

1844 "ग", 

1845 "ब", 

1846 "श", 

1847 "ट", 

1848 "अ", 

1849 "ए", 

1850 "थ", 

1851 "भ", 

1852 "ड", 

1853 "च", 

1854 "ध", 

1855 "ष", 

1856 "इ", 

1857 ], 

1858 "Estonian": [ 

1859 "a", 

1860 "i", 

1861 "e", 

1862 "s", 

1863 "t", 

1864 "l", 

1865 "u", 

1866 "n", 

1867 "o", 

1868 "k", 

1869 "r", 

1870 "d", 

1871 "m", 

1872 "v", 

1873 "g", 

1874 "p", 

1875 "j", 

1876 "h", 

1877 "ä", 

1878 "b", 

1879 "õ", 

1880 "ü", 

1881 "f", 

1882 "c", 

1883 "ö", 

1884 "y", 

1885 ], 

1886 "Thai": [ 

1887 "า", 

1888 "น", 

1889 "ร", 

1890 "อ", 

1891 "ก", 

1892 "เ", 

1893 "ง", 

1894 "ม", 

1895 "ย", 

1896 "ล", 

1897 "ว", 

1898 "ด", 

1899 "ท", 

1900 "ส", 

1901 "ต", 

1902 "ะ", 

1903 "ป", 

1904 "บ", 

1905 "ค", 

1906 "ห", 

1907 "แ", 

1908 "จ", 

1909 "พ", 

1910 "ช", 

1911 "ข", 

1912 "ใ", 

1913 ], 

1914 "Greek": [ 

1915 "α", 

1916 "τ", 

1917 "ο", 

1918 "ι", 

1919 "ε", 

1920 "ν", 

1921 "ρ", 

1922 "σ", 

1923 "κ", 

1924 "η", 

1925 "π", 

1926 "ς", 

1927 "υ", 

1928 "μ", 

1929 "λ", 

1930 "ί", 

1931 "ό", 

1932 "ά", 

1933 "γ", 

1934 "έ", 

1935 "δ", 

1936 "ή", 

1937 "ω", 

1938 "χ", 

1939 "θ", 

1940 "ύ", 

1941 ], 

1942 "Tamil": [ 

1943 "க", 

1944 "த", 

1945 "ப", 

1946 "ட", 

1947 "ர", 

1948 "ம", 

1949 "ல", 

1950 "ன", 

1951 "வ", 

1952 "ற", 

1953 "ய", 

1954 "ள", 

1955 "ச", 

1956 "ந", 

1957 "இ", 

1958 "ண", 

1959 "அ", 

1960 "ஆ", 

1961 "ழ", 

1962 "ங", 

1963 "எ", 

1964 "உ", 

1965 "ஒ", 

1966 "ஸ", 

1967 ], 

1968 "Kazakh": [ 

1969 "а", 

1970 "ы", 

1971 "е", 

1972 "н", 

1973 "т", 

1974 "р", 

1975 "л", 

1976 "і", 

1977 "д", 

1978 "с", 

1979 "м", 

1980 "қ", 

1981 "к", 

1982 "о", 

1983 "б", 

1984 "и", 

1985 "у", 

1986 "ғ", 

1987 "ж", 

1988 "ң", 

1989 "з", 

1990 "ш", 

1991 "й", 

1992 "п", 

1993 "г", 

1994 "ө", 

1995 ], 

1996} 

1997 

1998LANGUAGE_SUPPORTED_COUNT: int = len(FREQUENCIES)