[test] Add Urdu ligature sequences from CRULP

test/shaping/texts/in-tree/shaper-arabic/script-arabic/MANIFEST

@@ -1 +1,2 @@
+crulp
 misc

test/shaping/texts/in-tree/shaper-arabic/script-arabic/crulp/MANIFEST

@@ -0,0 +1 @@
+ligatures

test/shaping/texts/in-tree/shaper-arabic/script-arabic/crulp/ligatures/2grams.txt

@@ -0,0 +1,601 @@
+با
+پا
+تا
+ٹا
+ثا
+جا
+چا
+حا
+خا
+سا
+شا
+صا
+ضا
+طا
+عا
+غا
+فا
+قا
+کا
+گا
+لا
+ما
+نا
+ہا
+ھا
+یا
+تب
+ٹب
+جب
+چب
+حب
+سب
+شب
+صب
+طب
+عب
+قب
+کب
+لب
+نب
+ہب
+ھب
+ئب
+یب
+بب
+غب
+رب
+تپ
+جپ
+چپ
+ٹپ
+شپ
+غپ
+کپ
+گپ
+لپ
+مپ
+نپ
+ہپ
+ھپ
+ئپ
+یپ
+پت
+تت
+ثت
+چت
+حت
+خت
+ست
+شت
+صت
+ضت
+طت
+ظت
+عت
+غت
+فت
+قت
+کت
+گت
+لت
+مت
+نت
+ہت
+ھت
+ئت
+یت
+ٹت
+جت
+بت
+پٹ
+ٹٹ
+جٹ
+چٹ
+سٹ
+غٹ
+فٹ
+کٹ
+گٹ
+لٹ
+مٹ
+نٹ
+ہٹ
+ھٹ
+ئٹ
+یٹ
+شٹ
+تٹ
+بٹ
+حث
+عث
+لث
+نث
+ئث
+یث
+بث
+پج
+تج
+جج
+حج
+سج
+کج
+لج
+نج
+ہج
+ھج
+ئج
+یج
+گج
+بج
+پچ
+جچ
+سچ
+کچ
+مچ
+نچ
+ئچ
+تچ
+چچ
+خچ
+غچ
+یچ
+گچ
+ٹچ
+بچ
+تح
+جح
+صح
+ضح
+لح
+مح
+نح
+یح
+شح
+فح
+ئح
+بح
+ٹخ
+چخ
+سخ
+لخ
+مخ
+نخ
+ئخ
+یخ
+پخ
+بخ
+پد
+تد
+جد
+چد
+حد
+خد
+سد
+شد
+صد
+ضد
+عد
+غد
+فد
+قد
+کد
+گد
+لد
+مد
+ند
+ہد
+ئد
+ید
+بد
+پڈ
+ٹڈ
+جڈ
+چڈ
+سڈ
+گڈ
+لڈ
+مڈ
+نڈ
+ہڈ
+ئڈ
+یڈ
+کڈ
+تڈ
+بڈ
+پذ
+تذ
+جذ
+حذ
+خذ
+شذ
+عذ
+غذ
+فذ
+قذ
+کذ
+لذ
+مذ
+نذ
+ہذ
+ئذ
+یذ
+گذ
+بذ
+پر
+تر
+ٹر
+ثر
+جر
+چر
+حر
+خر
+سر
+شر
+صر
+ضر
+طر
+ظر
+عر
+غر
+فر
+قر
+کر
+گر
+لر
+مر
+نر
+ہر
+ئر
+یر
+بر
+پڑ
+تڑ
+جڑ
+چڑ
+سڑ
+غڑ
+کڑ
+گڑ
+لڑ
+مڑ
+ہڑ
+ھڑ
+یڑ
+نڑ
+بڑ
+پز
+تز
+جز
+حز
+خز
+سز
+عز
+فز
+قز
+کز
+گز
+لز
+مز
+نز
+ہز
+ئز
+یز
+ٹز
+ٹز
+غز
+بز
+پژ
+کژ
+مژ
+نژ
+ہژ
+یژ
+پس
+تس
+ٹس
+جس
+چس
+خس
+حس
+فس
+قس
+کس
+گس
+لس
+مس
+نس
+ہس
+ئس
+یس
+ھس
+عس
+سس
+بس
+تش
+ٹش
+جش
+چش
+خش
+حش
+فش
+قش
+کش
+گش
+لش
+مش
+نش
+ہش
+ئش
+یش
+ھش
+عش
+شش
+بش
+قص
+لص
+نص
+ئص
+یص
+خص
+بص
+فض
+قض
+مض
+ئض
+یض
+غض
+کض
+بض
+خط
+سط
+قط
+ئط
+یط
+جع
+شع
+ضع
+طع
+فع
+قع
+لع
+مع
+نع
+ئع
+یع
+سع
+کع
+بع
+لغ
+یغ
+بغ
+تف
+حف
+سف
+شف
+صف
+طف
+عف
+غف
+فف
+قف
+لف
+نف
+ہف
+ئف
+یف
+خف
+کف
+گف
+بف
+چق
+حق
+سق
+شق
+طق
+فق
+لق
+مق
+نق
+ہق
+ئق
+یق
+بق
+پک
+تک
+ٹک
+جک
+چک
+سک
+شک
+فک
+کک
+لک
+مک
+ہک
+ھک
+ئک
+یک
+حک
+بک
+پگ
+تگ
+جگ
+چگ
+سگ
+لگ
+نگ
+یگ
+ہگ
+مگ
+گگ
+بگ
+پل
+تل
+ٹل
+لل
+مل
+نل
+ہل
+ھل
+ئل
+یل
+خل
+ثل
+بل
+تم
+ٹم
+ثم
+جم
+چم
+خم
+سم
+شم
+صم
+ضم
+عم
+غم
+فم
+قم
+کم
+گم
+لم
+نم
+ہم
+ھم
+ئم
+یم
+بم
+پن
+تن
+ٹن
+جن
+چن
+خن
+شن
+طن
+ظن
+عن
+فن
+قن
+کن
+گن
+لن
+من
+نن
+ہن
+ھن
+ئن
+ین
+غن
+بن
+یں
+پو
+تو
+ٹو
+ثو
+جو
+چو
+حو
+خو
+سو
+ضو
+عو
+غو
+فو
+قو
+کو
+گو
+لو
+مو
+نو
+ہو
+ھو
+ئو
+یو
+بو
+ئہ
+یئہ
+بی
+پی
+تی
+ٹی
+ثی
+جی
+چی
+حی
+خی
+سی
+شی
+صی
+ضی
+طی
+ظی
+عی
+غی
+فی
+قی
+کی
+گی
+لی
+می
+نی
+ہی
+ھی
+ئی
+بے
+پے
+تے
+ٹے
+ثے
+جے
+چے
+سے
+شے
+صے
+طے
+غے
+فے
+قے
+کے
+گے
+لے
+مے
+نے
+ہے
+ھے
+ئے
+خے
+حے
+ضے
+عے
+پہ
+تہ
+ثہ
+جہ
+چہ
+خہ
+سہ
+شہ
+صہ
+ضہ
+طہ
+عہ
+غہ
+فہ
+قہ
+کہ
+گہ
+لہ
+مہ
+یہ
+ہہ
+ٹہ
+بہ
+تھ
+ٹھ
+جھ
+چھ
+کھ
+گھ
+بھ

test/shaping/texts/in-tree/shaper-arabic/script-arabic/crulp/ligatures/7grams.txt

@@ -0,0 +1,354 @@
+پھینکتا
+پھینکنا
+بھینچتا
+بھینچنا
+بھینچنا
+پھینچتا
+پھینچنا
+پھینٹتا
+پھینٹتا
+پھنیٹنا
+بھنبھنا
+پھٹپھٹا
+نمکینیا
+جھپیٹتا
+جھپیٹنا
+جھینپتا
+جھینپنا
+چھنگلیا
+چنبیلیا
+چھٹنکیا
+چھینکنا
+چھپکلیا
+کھینچتا
+کھینچنا
+جھینکتا
+جھینکنا
+چھینکتا
+گھسیٹتا
+گھسیٹنا
+سنبھلتا
+سنبھلنا
+جھپیٹیا
+کینچلیا
+چھمچھما
+کھلبلیا
+چھلچھلا
+جھمجھما
+کھٹکھٹا
+گھنگھنا
+مستثنیا
+جھمیلیا
+مینگنیا
+بھینٹتا
+بھینٹنا
+پھنپھنا
+چھچھلتا
+چھچھلیا
+چھچھلنا
+کھکھنا
+گھینپتا
+گھینپنا
+کھسکھسا
+ٹکھیلیا
+تعظیما
+بھلبھلا
+پھلپھلا
+تھلتھلا
+جھنجھنا
+چھنچھنا
+تعلیمیا
+کھپکھپا
+بھتیجیا
+ہتھیلیا
+فیکلٹیا
+تھکتھکا
+کمینگیا
+سنگینیا
+چھتیسیا
+نگیٹھیا
+لمحصنت
+لمحصنت
+تشبیہیت
+نیشنلسٹ
+سپلیمنٹ
+سپیشلسٹ
+سٹیٹمنٹ
+یسپشنسٹ
+مینجمنٹ
+کنسلٹنٹ
+یکسچینج
+سلیکٹیڑ
+بھنبھیر
+کمنٹیٹر
+مسکیٹئر
+یکٹیشنر
+جیسلمیر
+سپلیمنٹر
+سیلیبیز
+کیمیکلز
+نٹلیجنس
+میکینکس
+ٹیفکیٹس
+نستعلیق
+سینتھٹک
+مینیجنگ
+میکینکل
+ٹیکنیکل
+پلیٹینم
+تھیلیئم
+تھینیئم
+لمستقیم
+جنٹلمین
+کمپیٹیشن
+متعلقین
+متکلمین
+مستحقیین
+منتظمین
+لمسلمین
+لمطففین
+بیٹسمین
+ٹیفیکیشن
+سبکتگین
+لیٹیشین
+متخصصین
+لنبیین
+منجمین
+ٹیکسیشن
+پنیسلین
+بھسکتیں
+ٹھسکتیں
+ٹھمکتیں
+ٹھٹکتیں
+بھیلتیں
+پھیتلتیں
+ٹھیلتیں
+چینگتیں
+چپٹیتیں
+چھلتیں
+چھنٹتیں
+بیھٹتں
+ینٹھتیں
+بھینچیں
+پھینچیں
+پگھلتیں
+ٹگھلتیں
+بھبکتیں
+بھپکتیں
+بھٹکتیں
+بھنگتیں
+بھنگنیں
+بھیگتیں
+پھٹکتیں
+تھپکتیں
+ٹھنکتین
+جھلکتین
+چھلکتین
+جھینکین
+جھینکین
+جھلستین
+جھپکتین
+جھٹکتین
+چھٹکتین
+جھیلتین
+جھینپین
+جھپٹتین
+چھینتین
+گھسٹتین
+گھسیٹین
+حقیقتین
+لپٹیتین
+پھسلتین
+تحصیلین
+بھیجتین
+پھنستین
+پھنستین
+فضیلتین
+فضیلتین
+کھینچین
+مشیتین
+ھکیلتین
+لنگھتین
+بھگتتین
+پسیجتین
+پھینکین
+سلجھتین
+کھٹکتین
+کھسکتین
+کھیلتین
+چھچھیلین
+پہنچتیں
+چھیجتیں
+سمجھتیں
+سمیٹتیں
+سیکھتیں
+سیکھتیں
+کھینچتیں
+کھینچتیں
+فضیحتیں
+میٹھتیں
+گٹھیلیں
+گنٹھتیں
+تعلیلیں
+تمثیلیں
+سنبھلیں
+سینتتین
+کھسلتیں
+بھینٹیں
+پھبکتیں
+پھپکتیں
+پھسکتیں
+تھنچتیں
+مصلحتیں
+مملکتین
+تنظیمیں
+بھنکتیں
+بھنکتیں
+شخصیتیں
+شخصیتیں
+کھنکتیں
+گھٹکتیں
+جھپیٹیں
+سلطنتیں
+بیٹھکیں
+سنگینیں
+بھینسیں
+تکلیفیں
+طبیعتیں
+ئسکلیں
+مصیبتیں
+کیفیتیں
+کلینکیں
+تفصیلیں
+میٹنگیں
+حیثیتیں
+معیشتیں
+تشبیہیں
+تشبیہیں
+جمعیتیں
+پیشکشیں
+تعطیلیں
+تنبیہیں
+تحقیقیں
+پینسلیں
+تسبیحیں
+نمکینکو
+چھٹنکیو
+چھنگلیو
+چھپکلیو
+چھینکیو
+بھنبھو
+پھٹپٹھو
+مینگنیو
+کھلبلیو
+بھتیجیو
+کیمبلپو
+کیمبلپو
+لجسلیٹیو
+میکسیکو
+نسٹیٹیو
+کینچلیو
+نسٹیبلو
+ہتھیلیو
+منجنیقیو
+گیلیلیو
+ٹیفکیٹو
+کینٹیٹو
+کمینگیو
+لیفٹسٹو
+چنبیلیو
+پینتیسو
+تینتیسو
+سینتیسو
+چھبیلیو
+کمینی
+چھتیسیو
+پینسٹھو
+پیشینگو
+نگیٹھیو
+فٹسمینو
+گنجینہ
+بھینچتی
+بھینچنی
+پھینچتی
+پھینچنی
+پھینٹتی
+پھینٹنی
+جھینپتی
+جھینپنی
+جھینکتی
+جھینکنی
+چھینکتی
+چھینکنی
+پھینکتی
+پھینکنی
+جھپیٹتی
+سنبھلتی
+متبنی
+پھٹپھٹی
+سنبھلنی
+کھٹیکنی
+کھینچتی
+کھینچنی
+گھسیٹتی
+گھسیٹنی
+گتھنیلی
+گھینپتی
+گھینپنی
+بھینٹتی
+بھینٹنی
+مستثنی
+مستغنی
+ہیلسنکی
+فلسطینی
+ٹیکنیکی
+لمنتہی
+پھسپھسی
+بھینچتے
+بھینچنے
+بھینچئے
+پھینچتے
+پھینچنے
+پھینچئے
+پسیجتے
+پھینٹتے
+پھینٹنے
+پھینٹئے
+پھینکئے
+جھینپتے
+جھینپنے
+جھینپئے
+جھینکتے
+جھینکنے
+جھینکئے
+چھینکتے
+چھینکنے
+چھینکئے
+کھینچتے
+کھینچنے
+کھینچئے
+گھسیٹتے
+گھسیٹنے
+گھسیٹئے
+جھپیٹتے
+جھپیٹنے
+جھپیٹئے
+سنبھلتے
+سنبھلنے
+سنبھلئے
+پھٹپھٹے
+چھچھلئے
+گھینپئے
+گھینپتے
+گھینپنے
+چھچھلتے
+چھچھلنے
+بھینٹتے
+بھینٹنے
+بھینٹئے
+پھینکتے
+پھینکنے
+لبینتہ
+لممتحنہ
+متخیلہ
+تفضیلیہ

test/shaping/texts/in-tree/shaper-arabic/script-arabic/crulp/ligatures/8grams.txt

@@ -0,0 +1,26 @@
+چھنچھنیا
+جھنجھٹیا
+جھنجھنیا
+گھنگھنیا
+سپلیمینٹر
+شیکسپئر
+لمطففین
+جھینکتیں
+چھینکتین
+بھینچتین
+پھینچتین
+جھینپتین
+کھینچتین
+گھسیٹتین
+پھینکتین
+گھینپتین
+چھچھلتین
+سنبھلتین
+پھینٹتین
+بھینٹتین
+جھپیٹتین
+فلسطینو
+بیٹسمینو
+نسپیلیٹی
+نیشنیلٹی
+قسطنطیہ

test/shaping/texts/in-tree/shaper-arabic/script-arabic/crulp/ligatures/LICENSE

@@ -0,0 +1,3 @@
+CC BY-NC-SA 3.0
+http://www.crulp.org/software/license/CreativeCommons.html
+https://creativecommons.org/licenses/by-nc-sa/3.0/

test/shaping/texts/in-tree/shaper-arabic/script-arabic/crulp/ligatures/MANIFEST

@@ -0,0 +1,7 @@
+2grams.txt
+3grams.txt
+4grams.txt
+5grams.txt
+6grams.txt
+7grams.txt
+8grams.txt

test/shaping/texts/in-tree/shaper-arabic/script-arabic/crulp/ligatures/README

@@ -0,0 +1,16 @@
+ORIGINAL README:
+
+Valid Ligatures of Urdu.
+
+In 1980 Mr. Ahmad Mirza Jamil has invented a ligature based Nastaleeq writing
+system. He has written about 18,000 valid ligatures of Urdu and developed a
+Noori Nastaliq font. Center for Research in Urdu Language Processing (CRULP) is
+releasing a soft copy of these ligatures in Unicode format. CRULP has
+extensively used these ligatures for testing the fonts developed at the center
+and realised that it will be a valuable resource for other font developers.
+These ligatures are grouped in 2 to 8 characters and are sorted in the end
+character order.
+
+These ligatures have been copied from a "Noori Nastaliq computerised Urdu
+calligraphy (list of ligatures)" calligraphically designed and compiled by
+Ahmad Mirza Jamil, Elite Publishers Limited, Karachi.

test/shaping/texts/in-tree/shaper-arabic/script-arabic/crulp/ligatures/SOURCES

@@ -0,0 +1,4 @@
+Adapted from:
+
+http://www.crulp.org/software/ling_resources/UrduLigatures.htm
+http://www.crulp.org/Downloads/ling_resources/ligatures/Valid_Urdu_Ligatures_v1.1.zip