gpt4 book ai didi

unicode - 使用带有\dot 输入参数的 codepoint() 会产生不同的结果

转载 作者:行者123 更新时间:2023-12-03 07:53:16 24 4
gpt4 key购买 nike

我正在尝试查看是否可以从 Julia 中的符号中检测到\dot 运算符,这是我尝试过的:

以下两个 block 返回不同的结果

julia> [codepoint(i) for i in string(:ẋ)]
1-element Vector{UInt32}:
0x00001e8b
julia> [codepoint(i) for i in "ẋ"]
2-element Vector{UInt32}:
0x00000078
0x00000307

理想情况下,我会在开头有一个符号,而不是字符串,所以我需要使用第一种方法,但这不会返回 0x307,即\dot 的 unicode,从而很难检测到\dot。

那么差异背后的机制是什么呢?谢谢。

最佳答案

两个结果是等效的。

人类很复杂,语言也很复杂,因此 Unicode 需要有复杂的规则。

就您而言,您有两种代表:

  • U+1E8B(上面带点的拉丁文小写字母 X)
  • U+0087(拉丁文小写字母 X)+ U+0307(组合上面的点)

两者在 Unicode 上被认为是等效的。注意:比较字符串时,最好对字符串进行规范化。不幸的是,有两个主要的标准化:

  • NFD:规范化形式规范分解,所以是第二种情况。如果可能的话,总是将字符分解为基本字符+修饰符)。这种标准化是 Apple 所偏爱的,也是 Unicode 的最初想法。
  • NFC:标准化形式规范组合。如果有办法组合字符,那就完成了。如果有各种修饰符(因此优先级),则有关于如何制作它的规则。大多数其他操作系统都首选此方法。
  • 和K版本(兼容性而不是规范),但它更棘手:兼容性有多种原因。因此它们通常不用于显示而是用于搜索文本)。

参见https://en.wikipedia.org/wiki/Unicode_equivalence#Normalization

显示引擎(布局引擎、文本形状、字形显示、字体元数据)可能会生成相同的符号(每种字体对于它们期望的数据的规范化都有自己的偏好,但随后它们会尝试找到组合的字形)。

我认为就您的情况而言,文本文件中可能有两种不同的变体。一种使用两个字符,一种使用单个字符。复制字符时经常会发生这种情况(与另一种相比,某些编辑器更喜欢一种标准化)。

就您而言,我认为您应该规范化字符串,请参阅例如https://docs.julialang.org/en/v1/stdlib/Unicode/ 中的 Unicode.normalize

我们使用的是拉丁字符,因此属于 Unicode 的简单部分(但它是少数具有大写和小写的脚本之一)。

关于unicode - 使用带有\dot 输入参数的 codepoint() 会产生不同的结果,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/76626974/

24 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com