mlmorph 1.4.3

Malayalam morphological analyzer
Documentation 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205

use regex::Regex;

const ENGLISH_PATTERNS: &[&str] = &[
    r"\\S+[അ-ഔ]\\S+",
    r"\\S+റ്റ്\\S+",
    r"^ജെ",
    r"^ട",
    r"^ഡ",
    r"^ഫാ",
    r"^ഫി",
    r"^ഫീ",
    r"^ഫു",
    r"^ഫെ",
    r"^ഫെ",
    r"^ഫൈ",
    r"^ഫൊ",
    r"^ഫോ",
    r"^ബാൻ",
    r"^ബാറ്റ്",
    r"^ബെ",
    r"^മെറ്റ",
    r"മ്യൂ",
    r"^ഷോ",
    r"^സ്ക്രീ",
    r"^ഹാ",
    r"^ഹി",
    r"^ഹെ",
    r"^ഹൊ",
    r"^ഹോ",
    r"^ഹൗ",
    r"^ഹ്യ",
    r"^ഹ്വ",
    r"^ള",
    r"^ഴ",
    r"^റ",
    r"^റോ",
    r"^റ്റൈ",
    r"ഓൺ",
    r"ക്ച",
    r"ക്ട്$",
    r"ക്യൂ",
    r"ക്സ",
    r"ക്ലോ",
    r"ക്റ്റ്",
    r"ഗ്രഫ",
    r"ഗ്രഫി",
    r"ഗിൾ",
    r"ങ്സ്",
    r"ച്വ",
    r"ജ്യു",
    r"ജ്യൂ",
    r"ട്ര",
    r"ഡിയോ",
    r"ഡ്$",
    r"ഡ്ക",
    r"ഡ്മ",
    r"ഡ്വ",
    r"ഡ്സ",
    r"ണിയൻ$",
    r"ണിയർ$",
    r"ണ്ടർ$",
    r"ൻഡ",
    r"ൻസ്",
    r"ന്റം",
    r"ന്റിക്",
    r"ന്റ്$",
    r"ന്റ്സ്",
    r"ൻ്റ്$",
    r"ന്റർ",
    r"പ്രൊ",
    r"പ്സ്$",
    r"പ്റ്റ",
    r"ഫ്ര",
    r"ഫ്ല",
    r"ഫ്ള",
    r"ഫ്റ്റ",
    r"ഫൈ",
    r"ബിൻ",
    r"ബിർ",
    r"ബിൽ",
    r"ബിൾ",
    r"ബിറ്റ്",
    r"ബെർ",
    r"ബൈ",
    r"ബ്രേ",
    r"ബ്രോ",
    r"ബ്ല",
    r"ബ്സ",
    r"ബ്ള",
    r"മെമ്മ",
    r"മൈസ",
    r"മ്പ്യൂ",
    r"യിറ്റ്",
    r"യ്ൻ",
    r"യ്സ",
    r"യ്സ്",
    r"യിസ",
    r"യ്റ്റ്",
    r"ർജ",
    r"ർട",
    r"ലിറ്റി",
    r"ലീസ്",
    r"ലൈസർ",
    r"ൽസ്",
    r"വെയർ$",
    r"വൈസ്",
    r"വേസ്",
    r"ഷിസ്",
    r"ഷ്യൻ$",
    r"ഷ്യർ$",
    r"ഷ്യൽ$",
    r"ഷ്യസ്$",
    r"സബ്",
    r"സർ$",
    r"സൽ$",
    r"സെൽ",
    r"സെർ",
    r"സെൻ",
    r"സിസ്",
    r"സിറ്റി",
    r"സെന്റ",
    r"സ്കൂൾ",
    r"സ്പേസ്",
    r"സൈറ്റ",
    r"സ്പ്ല",
    r"സ്പ്ള",
    r"സ്ബ",
    r"സ്ല",
    r"സ്ള",
    r"സ്കാൻ",
    r"സ്കോ",
    r"സ്റ്റ",
    r"^സ്വീ",
    r"സ്ല",
    r"സ്ട്ര",
    r"ളജി",
    r"ൾട്ട",
    r"ഴ്സ",
    r"റ്റിക്$",
    r"റ്റിക്കലി$",
    r"റ്റേൺ",
    r"റ്ററ",
    r"റ്റർ",
    r"റ്റലൈ",
    r"റൈറ്റ",
    r"ിംഗ്$",
    r"ിങ്$",
    r"ിങ്ങ്$",
    r"ിഷൻ",
    r"ിസം$",
    r"ിംസ്",
    r"ീസ്$",
    r"േഷൻ",
    r"ൈറ്റ",
    r"ോഷൻ",
    r"ൗണ്ട",
    r"്രീം",
    r"ക്വേ",
    r"[0-9]+",
];

lazy_static::lazy_static! {
    static ref COMPILED_ENGLISH_PATTERN: Regex = {
        let pattern = ENGLISH_PATTERNS.join("|");
        Regex::new(&pattern).unwrap()
    };

    static ref MALAYALAM_PATTERN: Regex = {
        Regex::new(r"[\u{0D00}-\u{0D7F}\u{200C}-\u{200D}]+").unwrap()
    };

    static ref ZWS_PATTERN: Regex = {
        Regex::new(r"[\u{200B}-\u{200D}]").unwrap()
    };
}

pub fn check_foreign_word(word: &str) -> i32 {
    let word = word.trim();
    // Remove all ZWS, ZWNJ, ZWJ before pattern matching
    let word = ZWS_PATTERN.replace_all(word, "");

    if !is_valid_malayalam_word(&word) {
        // Unknown word. Surely foreign
        return 1;
    }

    if has_sure_patterns(&word) {
        return 1;
    }

    0
}

fn has_sure_patterns(word: &str) -> bool {
    COMPILED_ENGLISH_PATTERN.is_match(word)
}

fn is_valid_malayalam_word(word: &str) -> bool {
    if word.len() <= 1 {
        return false;
    }

    // Ignore all non-Malayalam words
    MALAYALAM_PATTERN.is_match(word)
}