- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在用 C# 编写文本处理 Windows 应用程序。该应用程序处理许多纯文本文件以计算字符、单词等。为此,该应用程序遍历每个文件中的字符。我发现一些文本文件使用 Unicode 字符 U+00E1(带尖音符的小写字母 A)表示重音字母,例如 á
,而其他文本文件使用简单的无重音符号 a
( U+0061,小写字母 A) 后跟 U+0301(组合尖音符)。记事本或我用过的其他编辑器在屏幕上呈现文本的方式没有视觉差异,但底层字符流明显不同。
我想以同样的方式检测和处理这两种情况。换句话说,我希望我的应用程序将一个字母后跟一个组合代码点组合成等效的独立字符。例如,我想将序列 U+0061 U+0301 组合成 U+00E1。据我所知,除了针对纯字母和组合字符的所有可能组合的大型且容易出错的查找表之外,没有简单的算法可以执行此操作。
是否有更简单、更直接的算法来执行此组合?
最佳答案
你指的是 Unicode normalization forms .该页面介绍了一些有趣的细节,但要点是代表例如重音字母作为单个代码点(例如 á
作为 U+00E1)是规范化形式 C 或 NFC,作为单独的代码点(例如 á
作为 U+0061 U+0301 ) 是 NFD。
Unicode specification 的第 3.11 节进入有关如何实现它的血淋淋的细节,以及一些额外的细节 here .
幸运的是,您不需要自己实现:string.Normalize()
已经存在。
"\u00E1".Normalize(NormalizationForm.FormD); // \u0061\u0301
"\u0061\u0301".Normalize(NormalizationForm.FormC); // \u00E1
也就是说,我们只是触及了“角色”是什么的皮毛。一个很好的例子是使用表情符号,但它也适用于各种脚本:有现代脚本,其中普通字符由两个代码点组成,并且没有可用的单个组合代码点。这会弹出例如泰米尔语和泰语,以及一些东欧语言 (IIRC)。
我最喜欢的例子是👩🏽🚒,或“女消防员:中等肤色”。想猜猜它是如何编码的吗?没错,4 个不同的代码点:U+1F469 U+1F3FD U+200D U+1F692。
所以你给一个女人加上棕色肤色,把她粘在消防车上,你就会得到一个棕色皮肤的女消防员。
(只是为了好玩,尝试将👩🏽🚒粘贴到各种编辑器中,然后在其上使用退格键。如果它正确呈现,一些编辑器将其变成👩🏽然后👩然后删除它,而其他人则跳过各个部分。但是,您选择它作为单个字符。这反射(reflect)了在某些脚本中编辑复杂字符的工作方式)。
(另一个有趣的金 block 是国旗表情符号。Unicode 定义了“区域指示符号字母 A-Z”(U+1F1E6 到 U+1F1FF),并且国旗被编码为国家的 ISO 3166-1 alpha-2 字母国家代码,使用这些指标符号。所以 🇺🇸 是 🇺 后跟 🇸。将 🇸 粘贴在 🇺 之后,就会出现一个标志!)
当然,如果您逐个代码点迭代此代码点,您将单独访问 U+1F469 U+1F3FD U+200D U+1F692,这可能不是您想要的。
如果你逐个字符地迭代这个,你会因为 surrogate pairs 而做得更糟: 像 U+1F469 这样的代码点太大了,无法使用一个 16 位字符来表示,所以我们需要使用其中两个。这意味着如果您尝试遍历 U+1F469,您实际上会发现您有两个字符:0xD83D(高代理项)和 0xDC69(低代理项)。
相反,我们需要引入extended grapheme clusters ,代表您传统上认为的单个字符。如果您想自己做这件事,又会很复杂,而且有人会再次为您提供帮助:StringInfo.GetTextElementEnumerator
.请注意,这是 .NET 5 之前的问题,并且 didn't properly handle all EGCs .
然而,在 .NET 5 中:
// Number of chars, as 3 of the codepoints need to use surrogate pairs when
// encoded with UTF-16
"👩🏽🚒".Length; // 7
// Number of Unicode codepoints
"👩🏽🚒".EnumerateRunes().Count(); // 4
// Number of extended grapheme clusters
GetTextElements("👩🏽🚒").Count(); // 1
public static IEnumerable<string> GetTextElements(string s)
{
TextElementEnumerator charEnum = StringInfo.GetTextElementEnumerator(s);
while (charEnum.MoveNext())
{
yield return charEnum.GetTextElement();
}
}
我在这里使用表情符号作为一个可以理解的例子,但这些问题也会出现在现代脚本中,使用文本的人需要意识到这些问题。
关于c# - 将(一些)Unicode 非间距标记与相关字母组合以进行统一处理,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/66062139/
虽然我在 reactjs 组件(组件名称为 renderLocationLink)的渲染方法返回的 html 中包含了 a 标签的 onclick 处理程序,但渲染正确地发生了 onclick 处理程
我必须以 docx 格式存储一些文档,但无法忍受使用 msword:我想编辑某种纯文本标记,除了基于 XML 的东西(我也不喜欢那样)和从/到那个到/从 docx 转换。 有什么选择吗? 编辑:由于人
有一个页面,其 anchor 标记在延迟后变得可点击。我想使用用户脚本在可点击后点击它。 页面加载时,HTML 源代码为: Download 延迟一段时间后,#button 变
我正在将 XML 文件解析为 pandas 数据帧。使用下面的代码我可以成功获取所有内容,但是这使用了完整 XML 的编辑版本。完整的 XML 在主数据表之上有一堆摘要数据,请参阅完整的 XML he
目前我正在研究 xml.sax 解析器来解析 xml 文件 假设我有以下代码 filepath = 'users/file.xml' try: parser = xml.sax.make_pa
我正在尝试构建一种语法来解释用户输入的文本,搜索引擎风格。它将支持 AND、OR、NOT 和 ANDNOT bool 运算符。我几乎所有东西都在工作,但我想添加一个规则,将引用字符串之外的两个相邻关键
我遇到了 Terraform EKS 标记的问题,并且似乎没有找到可行的解决方案来在创建新集群时标记所有 VPC 子网。 提供一些上下文:我们有一个 AWS VPC,我们在其中将多个 EKS 集群部署
我是xpath的新手,对此了解不多。我知道有一种方法可以使用xpath在xml / xhtml文件中查找特定标签。就我而言,我试图找到第一个(a)链接元素。不幸的是,我的xpath字符串[// a [
我在索引页上的产品卡上遇到问题。在产品卡内部,我有 Vue 组件来渲染表单(数量和添加到购物车按钮)。当我单击“添加到购物车”按钮时,我得到了预期的结果。响应被发送到根 vue 组件,然后我看到产品已
html setMouse(true)} onMouseEnter={() => setMouse(false)} className='resume-container'> CSS .resum
我在组件中有一组枚举,如下所示: type TOption = (clVisible, clVisibleAlways, clRenderable, clEditable); TOptions
是否有出于性能考虑的javadoc标签? 人们可以想象: /** * ...other javadoc tags... * @perform Expected to run in O(n) tim
html setMouse(true)} onMouseEnter={() => setMouse(false)} className='resume-container'> CSS .resum
我有一个包含多个小子图的图。目标是当且仅当子图中的所有节点都是蓝色时,才将子图中的所有蓝色节点标记为红色。如果子图中的一个节点具有不同的颜色,绿色,那么我们将不会更改该子图中节点的颜色。 这是我正在使
我正在使用 json-ld 开发事件标记以包含在确认电子邮件中。 我的一些事件会定期重复发生。但是,最新的 Schema.org 规范不支持重复发生的事件,因此我遵循了此处提供的建议:http://l
我创建了一个插件,可以添加带有相应行号的标记。现在,这很棒,因为它现在显示在“标记” View 中。有没有办法当我双击标记上的一行时,它会转到标记指示的行? 谢谢。 最佳答案 双击“标记” View
是否有一个插件具有与 Facebook 标记类似的行为? 它的特别之处在于它具有: 在键入的单词之间自动完成 特殊输出的 html(与另一个输入字段同步) 最佳答案 您可以使用jquery提及输入pl
有没有更好的方法来读取java文件中的 token ?我目前正在使用 StringTokenizer 来分割 token 。但在大多数情况下,它的效率可能非常低,因为您必须逐个 token 地读取 t
我想知道是否有某种方法可以标记文件来识别该文件是否包含x。 考虑以下示例: 在批量转换过程中,我正在创建一个日志文件,其中列出了各个转换的成功/失败。 所以流程如下: 开始转换过程 创建名为batch
我一直在尝试模拟点击标签,但这并没有像我需要的那样工作。我的 anchor 标记看起来像这样 Download this pic 正常的 $("a").click() 或 trigger('cli
我是一名优秀的程序员,十分优秀!