Césure

L'algorithme de Liang

Hyphenator implémente l'algorithme que Frank Liang a conçu pour TeX, écrit de zéro. Un motif est une chaîne de lettres avec des chiffres entre elles (.ach4, a1b, hy3ph), le point marquant le début ou la fin d'un mot. Chaque motif trouvé dans le mot, encadré de points, élève les chiffres entre ses lettres. Une coupure est permise là où le chiffre le plus élevé est impair, jamais plus près de l'une ou l'autre extrémité que les longueurs minimales de la langue, et jamais avant un signe combinant. Un mot listé parmi les exceptions (ta-ble, project) se coupe là où l'exception l'indique.

$hyphenator = Hyphenator::for('en_US');
$hyphenator->breaks('hyphenation');          // [2, 6]
$hyphenator->hyphenate('hyphenation', '-');  // hy-phen-ation
$hyphenator->hyphenate('hyphenation');       // with soft hyphens (U+00AD), the default

Un mot dont la forme en minuscules n'a pas autant de caractères que le mot lui-même (İstanbul) est laissé entier. Les longueurs minimales de la langue peuvent être remplacées : new Hyphenator($patterns, left: 3, right: 3) ; aucune n'est inférieure à un.

Langues

Dictionary trouve les motifs d'une locale par ses candidates et une table d'alias, ou accepte directement une étiquette de motifs (de-1901, la-x-classic, fi-x-school). La plupart des motifs sont ceux de hyph-utf8 (version 2026-02-21), les motifs de césure de TeX en UTF-8, importés pour chaque langue dont la licence les permet dans un paquet MIT. Chaque fichier est une copie intégrale, et data/LICENSES reproduit l'en-tête du fichier source avec son droit d'auteur et sa licence. Quand un fichier est offert sous plusieurs licences, c'est la licence permissive qui est utilisée. Sept langues dont les motifs TeX portent une licence réciproque ou n'en portent aucune ont des motifs écrits pour cette bibliothèque, sous sa licence MIT : voir Motifs écrits pour cette bibliothèque.

de donne l'orthographe réformée, de_CH et de_LI l'orthographe suisse traditionnelle, de-1901 l'orthographe traditionnelle. el donne l'orthographe monotonique, el-polyton l'orthographe polytonique. Le norvégien bokmål et le nynorsk partagent les motifs de hyph-no, sous l'étiquette du nynorsk. Le serbe est lu par les motifs du serbo-croate, en cyrillique pour sr et en écriture latine pour sr_Latn.

Motifs écrits pour cette bibliothèque

Les motifs TeX du tchèque (GPL 2 ou ultérieure seulement), du hongrois (MPL 1.1, GPL 2 ou LGPL 2.1 seulement), de l'arménien (LGPL seulement), de l'indonésien (GPL seulement), du letton (LGPL 2.1 ou GPL 2 seulement), du macédonien (GPL seulement) et du roumain (aucune licence déclarée) ne peuvent pas être fournis dans un paquet MIT. Ces sept langues ont plutôt des motifs écrits de zéro, à partir des règles orthographiques publiées de chaque langue : aucun motif, aucune liste d'exceptions ni aucune liste de mots sous une autre licence n'a été lu pour les écrire. Les règles sont écrites sous forme de données dans tests/Generator/SyllableRules.php, tests/Generator/PatternGenerator.php les transforme en motifs de Liang, php bin/generate-patterns.php écrit les fichiers <tag>.pat.txt, et les tests vérifient que les fichiers fournis sont ceux que donnent les règles.

Ce sont des règles, pas un dictionnaire, moins complètes que les motifs TeX. Une règle de syllabation voit des lettres, pas des mots : elle ne peut pas distinguer un mot composé ou un préfixe d'une syllabe, ni une diphtongue de deux voyelles écrites de la même façon. Là où les règles d'une langue en dépendent, les motifs ne permettent aucune coupure plutôt qu'une mauvaise. Ils manquent donc des coupures que trouvent les motifs TeX, et un mot hors des règles peut encore se couper là où un dictionnaire ne le ferait pas. Chaque langue est testée sur une liste de mots courants qui doivent se couper exactement là où ses règles le permettent.

Langues expérimentales

Les règles de l'arménien et du macédonien sont les moins sûres des sept : elles attendent encore la lecture d'un locuteur de chaque langue. Leurs motifs sont fournis, mais ils sont expérimentaux et désactivés par défaut : un Dictionary ne les sert que lorsqu'il est construit avec leurs étiquettes, listées dans Dictionary::EXPERIMENTAL. Sans elles, hy et mk n'ont aucun motif : supports() vaut false, les préréglages retirent hyphen et patterns() lance UnsupportedLanguage.

$dictionary = new Dictionary(experimental: ['hy']);    // Armenian served, Macedonian still off
$dictionary = new Dictionary(experimental: Dictionary::EXPERIMENTAL);
Typographer::for('hy_AM', dictionary: $dictionary);

Une étiquette hors de Dictionary::EXPERIMENTAL donnée à cet endroit ne change rien : les autres langues sont toujours servies. Dans Symfony, phil/typography-bundle règle la liste avec experimental_hyphenation.

Une application qui accepte la licence des motifs TeX de l'une de ces langues et veut leur complétude les charge elle-même, comme le montre Vos propres motifs.

Coupures de mots du thaï

Le thaï s'écrit sans espace entre les mots et coupe une ligne entre deux mots sans trait d'union visible, ce qu'un trait d'union conditionnel ne peut pas exprimer. Son préréglage exécute le correcteur word_break au lieu de hyphen : WordBreak place une espace de largeur nulle (U+200B) à chaque occasion de coupure de ligne qu'ICU trouve dans une suite de caractères thaïs, par IntlBreakIterator et son dictionnaire thaï. Un navigateur sans dictionnaire propre coupe ainsi quand même la ligne entre deux mots. Le correcteur ne s'exécute que là où la césure est demandée (Typographer::for('th', hyphenation: false) le retire). ext-intl est déjà un prérequis de la bibliothèque, pour Normalizer : le correcteur n'a donc besoin de rien de plus. Un correcteur n'ajoute jamais de balisage : la coupure est donc un caractère, pas un élément <wbr>. Les deux se comportent de la même façon dans un navigateur.

Typographer::for('th_TH')->fixText('สวัสดีครับ'); // "สวัสดี\u{200B}ครับ"

Les coupures sont celles de l'ICU auquel la construction de PHP est liée, et peuvent varier légèrement d'une version d'ICU à l'autre.

Écartées

Pour ces étiquettes, et pour le thaï, Dictionary::supports() vaut false, les préréglages retirent Hyphen, et Hyphenator::for() lance UnsupportedLanguage.

Vos propres motifs

new Dictionary($directory) lit <tag>.pat.txt et <tag>.hyp.txt dans un autre répertoire, pour les mêmes étiquettes. Un fichier d'exceptions absent signifie qu'il n'y en a aucune, et supports() ne vaut true que lorsque le fichier de motifs est présent. Les motifs peuvent aussi être donnés directement :

$patterns = Patterns::parse(file_get_contents('hyph-cs.pat.txt'), file_get_contents('hyph-cs.hyp.txt'), 2, 3);
$hyphenator = new Hyphenator($patterns);

C'est ainsi qu'une application utilise des motifs sous une licence que cette bibliothèque ne fournit pas, sous sa propre responsabilité.

Performance

Un dictionnaire lit les motifs d'une langue une fois et les garde : les motifs allemands, les plus volumineux, prennent environ quarante millisecondes à lire. Typographers partage un seul dictionnaire entre ses typographes ; un processus de longue durée devrait garder ses typographes plutôt que de les construire à chaque requête.