unicode - 执行 unicode 大小写折叠后字符串的最大长度

Question

我需要对一组字符串执行 casefolding，并且必须事先确保它们在完成后不会超过给定的长度(以硬编码所需的缓冲区大小)。问题是字符串长度(以代码点为单位)在应用 casefolding 后可能会改变。参见，例如，在 Python3 中:

>>> "süß".casefold()
'süss'

现在，可以很容易地计算出一个字符串在执行 casefolding 后可能包含的最大代码点数:

>>> max(len(chr(s).casefold()) for s in range(0x10FFFF + 1))
3

但是它在所有情况下都有效吗？我的意思是，由于 Unicode 的某些神秘属性，代码点的顺序(它们出现的顺序)是否可能影响字符串的最终长度？或者我是否可以假设最终字符串将始终比原始字符串长最多 3 倍？

Answer 1

Unicode standard定义 casefolding 如下:

toCasefold(X): Map each character C in X to Case_Folding(C).

因此，无论上下文如何，字符串中的每个字符都会进行大小写折叠，并将结果连接起来。这意味着您的假设是正确的:一个 casefolded 字符串保证最多有原始代码点数的三倍。