delphi - 从 Delphi 字符串中检测和检索代码点和代理项

Question

我试图更好地理解 Delphi 中的代理对和 Unicode 实现。

如果我在 Delphi 中对 Unicode 字符串 S := 'Ĥà̲V̂e' 调用 length()，我将返回 8。

这是因为各个字符 [Ĥ]、[à̲]、[V̂] 和 [e] 的长度分别为 2、3、2 和 1。这是因为 Ĥ 有一个代理项，à̲ 有两个附加代理项，V̂ 有一个代理项，而 e 没有代理项。

如果我想返回字符串中的第二个元素(包括所有代理项 [à̲])，我该怎么做？我知道我需要对各个字节进行某种测试。我使用例程运行了一些测试

function GetFirstCodepointSize(const S: UTF8String): Integer;  

在 this SO Question 中引用。

但得到了一些不寻常的结果，例如，这里有一些不同代码点的长度和大小。 下面是我如何生成这些表格的片段。

...
UTFCRUDResultStrings.add('INPUT: '+#9#9+ DATA +#9#9+ 'GetFirstCodePointSize = ' +intToStr(GetFirstCodepointSize(DATA))
+#9#9+ 'Length =' + intToStr(length(DATA)));
...

第一组:这对我来说很有意义，每个代码点大小加倍，但每个代码点都是一个字符，Delphi 给我的长度仅为 1，完美。

INPUT:      ď       GetFirstCodePointSize = 2       Length =1
INPUT:      ơ       GetFirstCodePointSize = 2       Length =1
INPUT:      ǥ       GetFirstCodePointSize = 2       Length =1

第二组:在我看来，长度和代码点最初看起来像是相反的？我猜测其原因是字符+代理项被单独处理，因此第一个代码点大小是“H”的，即1，但长度返回“H”加“^”的长度。

INPUT:      Ĥ      GetFirstCodePointSize = 1       Length =2
INPUT:      à̲     GetFirstCodePointSize = 1       Length =3
INPUT:      V̂      GetFirstCodePointSize = 1       Length =2
INPUT:      e       GetFirstCodePointSize = 1       Length =1

一些额外的测试...

INPUT:      ¼       GetFirstCodePointSize = 2       Length =1
INPUT:      ₧       GetFirstCodePointSize = 3       Length =1
INPUT:      𤭢      GetFirstCodePointSize = 4       Length =2
INPUT:      ß       GetFirstCodePointSize = 2       Length =1
INPUT:      𨳒      GetFirstCodePointSize = 4       Length =2

Delphi 中是否有可靠的方法来确定 Unicode 字符串中的元素的开始和结束位置？

我知道我使用“元素”一词的术语可能不对，但我认为代码点和字符也不正确，特别是考虑到一个元素的代码点大小可能为 3，但长度仅为 1。

Answer 1

I am trying to better understand surrogate pairs and Unicode implementation in Delphi.

让我们先了解一些术语。

由 Unicode 定义的每个“字符”(称为字素)都分配有一个唯一的代码点。

在 Unicode 转换格式 (UTF) 编码中 - UTF-7、UTF-8、UTF-16 和 UTF-32 - 每个代码点都被编码为代码单元<的序列/强>。每个代码单元的大小由编码决定 - UTF-7 为 7 位，UTF-8 为 8 位，UTF-16 为 16 位，UTF-32 为 32 位(因此得名)。

在 Delphi 2009 及更高版本中，String 是 UnicodeString 的别名，Char 是 WideChar 的别名>。 WideChar 是 16 位。 UnicodeString 保存一个 UTF-16 编码的字符串(在早期版本的 Delphi 中，等效的字符串类型是 WideString)，并且每个 WideChar 是一个 UTF-16 代码单元。

在 UTF-16 中，可以使用 1 或 2 个代码单元对代码点进行编码。 1 个代码单元可以对基本多语言平面 (BMP) 范围内的代码点值进行编码 - $0000 到 $FFFF(含)。更高的代码点需要 2 个代码单元，也称为代理对。

If I call length() on the Unicode string S := 'Ĥà̲V̂e' in Delphi, I will get back, 8.

This is because the lengths of the individual characters [Ĥ],[à̲],[V̂], and [e] are 2, 3, 2, and 1 respectively.

This is because Ĥ has a surrogate, à̲ has two additional surrogates, V̂ has a surrogate and e has no surrogates.

是的，UTF-16 UnicodeString 中有 8 个 WideChar 元素(代码单元)。您所说的“替代品”实际上称为“组合标记”。每个组合标记都是其自己唯一的代码点，因此也是其自己的代码单元序列。

If I wanted to return the second element in the string including all surrogates, [à̲], how would I do that?

您必须从 UnicodeString 的开头开始分析每个 WideChar，直到找到一个不是附加到前一个 WideChar< 的组合标记为止。/。在 Windows 上，最简单的方法是使用 CharNextW()函数，例如:

var
  S: String;
  P: PChar;
begin
  S := 'Ĥà̲V̂e';
  P := CharNext(PChar(S)); // returns a pointer to  à̲
end;

Delphi RTL 没有等效的函数。您可能需要手动编写一个库，或者使用第三方库。 RTL 确实有一个 StrNextChar() 函数，但它只处理 UTF-16 代理，而不是组合标记(CharNext() 处理两者)。因此，您可以使用 StrNextChar() 扫描 UnicodeString 中的每个代码点，但您必须查看每个代码点才能知道它是否是组合标记，例如:

uses
  Character;

function MyCharNext(P: PChar): PChar;
begin
  if (P <> nil) and (P^ <> #0) then
  begin
    Result := StrNextChar(P);
    while GetUnicodeCategory(Result^) = ucCombiningMark do
      Result := StrNextChar(Result);
  end else begin
    Result := nil;
  end;
end;

var
  S: String;
  P: PChar;
begin
  S := 'Ĥà̲V̂e';
  P := MyCharNext(PChar(S)); // should return a pointer to  à̲
end;

I know I would need to do some sort of testing of the individual bytes.

不是字节，而是它们在解码时表示的代码点。

I ran some tests using the routine

function GetFirstCodepointSize(const S: UTF8String): Integer

仔细观察该函数签名。看到参数类型了吗？它是 UTF-8 字符串，而不是 UTF-16 字符串。这甚至在您获得该功能的答案中有所说明:

Here is an example how to parse UTF8 string

UTF-8 和 UTF-16 是非常不同的编码，因此具有不同的语义。您不能使用 UTF-8 语义来处理 UTF-16 字符串，反之亦然。

Is there a reliable way in Delphi to determine where an element in a Unicode String starts and ends?

不直接。您必须从头开始解析字符串，根据需要跳过元素，直到到达所需的元素。请记住，每个代码点可以编码为 1 或 2 个代码单元元素，并且每个逻辑字形可以使用多个代码点(以及多个代码单元序列)进行编码。

I know my terminology using the word element may be off, but I don't think codepoint and character are right either, particularly given that one element may have a codepoint size of 3, but have a length of only one.

1 个字形由 1+ 个代码点组成，每个代码点被编码为 1+ 个代码单元。

Could someone implement the following function?

function GetElementAtIndex(S: String; StrIdx : Integer): String;

尝试这样的事情:

uses
  SysUtils, Character;

function MyCharNext(P: PChar): PChar;
begin
  Result := P;
  if Result <> nil then
  begin
    Result := StrNextChar(Result);
    while GetUnicodeCategory(Result^) = ucCombiningMark do
      Result := StrNextChar(Result);
  end;
end;

function GetElementAtIndex(S: String; StrIdx : Integer): String;
var
  pStart, pEnd: PChar;
begin
  Result := '';
  if (S = '') or (StrIdx < 0) then Exit;
  pStart := PChar(S);
  while StrIdx > 1 do
  begin
    pStart := MyCharNext(pStart);
    if pStart^ = #0 then Exit; 
    Dec(StrIdx);
  end;
  pEnd := MyCharNext(pStart);
  {$POINTERMATH ON}
  SetString(Result, pStart, pEnd-pStart);
end;