如何通过字符比较来执行Unicode感知字符

• Z时代
• 2024-01-10
• 分类：问答

我的应用程序有一个国际目标，许多国家的人都会使用它，他们将使用自己的语言输入文本（我必须处理的文本）。

例如，如果我必须使用一个字符一个字符地列出两个字符串的差异，那么这个简单的C＃代码是否足够？或者我缺少什么？

var differences = new List<Tuple<int, char, char>>();
for (int i=0; i < myString1.Length; ++i)
{
    if (myString1[i] != myString2[i])
        differences.Add(new Tuple<int, char, char>(i, myString1[i], myString2[i]));
}

给定的代码可以有效地以不同的语言执行此任务吗（我的用户不仅 限于 美国字符集）？

回答：

回答：

Unicode定义了一个 字符 列表（字母，数字，字母符号，控制代码等），但它们的表示形式（以字节为单位）定义为 encoding

。如今，最常见的Unicode编码是UTF-8，UTF-16和UTF-32。UTF-16通常与Unicode关联，因为它是在Windows，Java，NET环境，C和C

++语言（在Windows上）中为Unicode支持而选择的。请注意，这不是唯一的一种，并且在您的生活中，您肯定还会遇到UTF-8文本（尤其是来自Web和Linux文件系统的文本）和UTF-32（Windows世界之外）。必读的入门文章：绝对最低限度每个软件开发人员绝对，肯定必须了解Unicode和字符集（无借口！）和UTF-8无处不在-

宣言。IMO特别是第二个链接（无论您的意见是UTF-8还是UTF-16）都非常有启发性。

让我引用维基百科：

由于最常用的字符全部在“基本多语言平面”中，因此对代理对的处理通常没有经过全面测试。即使在流行且经过充分审查的应用程序软件（例如CVE-2008-2938，CVE-2012-2135）中，这也会导致持续的错误和潜在的安全漏洞。

要了解问题的出处，仅需一些简单的数学运算即可：Unicode定义了大约11万个代码点（请注意，并非所有代码点都是grapheme）。Windows环境下的C，C

++，C＃，VB.NET，Java和许多其他语言中的“

Unicode字符类型”（旧ASP经典页面上的VBScript明显例外）使用UTF-16编码，然后是两个字节（此处的类型名称为直观但完全具有误导性，因为它是一个

代码单位 ，而不是字符或代码点）。

请检查此区别，因为它是基础的：代码单元在逻辑上与字符不同，即使有时它们重合，它们也不是同一回事。这如何影响您的编程生活？假设您有此C＃代码，并且您的规范（由考虑字符的

真实 定义的人编写）说“密码长度必须为4个 ”：

bool IsValidPassword(string text ) {
    return text.Length >= 4;
}

该代码是 。Length财产申报数量 代码单位

在text字符串变量，现在你知道他们是不同的。您的代码将被验证n̊o̅为有效密码（但它由两个字符，四个代码点组成-

几乎总是与代码单元一致）。现在，试想一下将其应用于您的应用程序的所有层：一个经过UTF-8编码的数据库字段，该字段已通过先前的代码（输入为UTF-16）进行了有效验证，错误将累加，您的波兰朋友

ŚwiętosławKoźmicki

对此不会高兴。现在认为您必须使用相同的技术来验证用户的名字，并且您的用户是中国人（但不用担心，如果您不在乎，那么他们将在很短的时间内成为您的用户）。另一个例子：这种简单的C＃算法计算字符串中的不同字符将由于相同的原因而失败：

myString.Distinct().Count()

如果用户输入此汉字字符，????则您的代码将错误地返回… 2，因为它的UTF-16表示形式是0xD840

0xDC11（顺便说一句，由于它们分别是高和低替代，因此每个字符本身都不是有效的Unicode字符）。原因在这篇文章中有更详细的解释，还提供了一个可行的解决方案，因此我在这里重复以下基本代码：

StringInfo.GetTextElementEnumerator(text)
    .AsEnumerable<string>()
    .Distinct()
    .Count();

这大致相当于codePointCount()Java中计数字符串中的代码点的数量。我们需要，AsEnumerable<T>()因为GetTextElementEnumerator()return

IEnumerator而不是IEnumerable，在将字符串拆分为相同长度的块中描述了一个简单的实现（请记住要检查Unicode文本分段的所有规则，例如，如果尝试实现

省略号 算法以进行文本修剪）。

这仅与字符串长度有关吗？当然不是，如果您通过 Char来处理

，则Char可能需要修复代码。例如，请参阅有关在事件中处理的朝鲜语字符的问题KeyUp。

无关，但IMO有助于理解，此C代码（摘自本文）可在char（ASCII

/ ANSI或UTF-8）上运行，但是如果直接转换为use，它将失败wchar_t：

wchar_t* pValue = wcsrchr(wcschr(pExpression, L'|'), L':') + 1;

注意，在C

11有一个新的大组类到手柄编码和更清晰的类型别名：char8_t，char16_t和char32_t分别用于，UTF-8，UTF-16和UTF-32编码的字符。要知道，你也有std::u8string，std::u16string和std::u32string。请注意，即使length()（及其size()别名）仍返回代码单元的数量，您也可以轻松地使用codecvt()模板功能执行编码转换，并使用IMO这些类型，可以使您的代码更加清晰明了（不会令人惊讶的size()是u16string返回的数量char16_t

元素 ）。有关C

中字符计数的更多详细信息，请查看此不错的文章。在C中，使用charUTF-8编码会更容易：本文

IMO是必读的。

回答：

并非所有语言都相似，它们甚至没有共享一些基本概念。例如我们目前的定义字形可以从我们的理念很远字符。让我举一个例子来说明：在韩文韩文中，字母被组合成一个音节（字母和音节都是字符，当单独使用时，以不同的方式表示，并且在与其他字母的单词中表示）。字국（

古克

）是由三个字母组成一个音节ㄱ，ㅜ和ㄱ（第一和最后一个字母相同，但他们有不同的声音发音时他们在开始的时候还是一个字的结束，这就是为什么他们音译g和k）。

音节让我们引入了另一个概念： 预分解和分解序列 。韩文音节 han

한可以表示为一个字符（U+0D55C）或分解的字母序列ᄒ，ᅡ和ᆫ。例如，如果您正在阅读一个文本文件，则可能同时拥有这两个文件（并且用户可能在输入框中输入了两个序列），但是它们必须比较相等。请注意，如果您依次键入该字母，它们将始终显示为单个音节（复制并粘贴单个字符-

不带空格-并尝试），但最终形式（预分解或分解）取决于您的IME。

在捷克语中，“ ch”是有向图，它被视为单个字母。它有它自己的整理规则（它之间H和I），与捷克的排序 fyzika 到来之前 化学

！如果算上Characters并告诉用户 Chechtal

由8个Characters组成，他们会认为您的软件已被窃听，并且您对他们的语言的支持仅限于翻译后的资源。让我们添加例外：在 puchoblík中

（以及其他几个词）C，H它们不是有向图，并且它们是分开的。请注意，还有其他情况，例如斯洛伐克语中的“dž”

等即使它使用两个/三个UTF-16代码点也算作单个字符！在许多其他语言中（例如，加泰罗尼亚语中的

ll ）也是如此。真正的语言比PHP具有更多的例外和特殊情况！

注意单靠外观是不够的等价性，例如：A（U+0041大写拉丁字母A）不等同于А（U+0410CYRILLIC大写字母A）。相反，字符٢（U+0662ARABIC-

INDIC DIGIT TWO）和۲（U+06F2EXTENDED ARABIC-INDIC DIGIT

TWO）在视觉上和概念上都是等效的，但它们是不同的Unicode代码点（另请参见有关数字和 同义词的 下一段）。

像?和!等符号有时被用作字符，例如最早的Haida语言）。在某些语言中（例如最早的美洲印第安人书面形式），数字和其他符号也从拉丁字母中借用并用作字母（请注意这一点，如果您必须处理该语言并且必须从符号中去除字母数字，那么Unicode可以）不能区分这一点），例如

！ Khoisan非洲语言中的 Kung 。在加泰罗尼亚语中，当 ll

不是二字时，他们使用变音符号（或中点（+U00B7）…）来分隔字符，例如在 cel·les中

（在这种情况下，字符数为6，代码单位/代码点为7，其中假设不存在的词 塞勒 将导致5个字符）。

同一单词可以使用多种形式书写。例如，如果您提供全文搜索，则可能需要考虑一下。例如，中文单词（house）可以在 拼音中 音译为 Jiā

，在日语中，同样的单词也可以用相同的汉字家或 平假名 （以及其他）中的いえ写，或在 romaji中 音译为 ie

。这仅限于文字吗？不，字符也很常见，因为数字很常见：（罗马字母中的阿拉伯数字），阿拉伯语和波斯语以及中文和日文是完全相同的基数。让我们增加一些复杂性：用中文写相同的数字也很常见（简体：

2``

٢``二``兩``两）。我什至没有提到前缀（微米，纳米，千克等）。有关此问题的真实示例，请参见本文。它不仅限于远东语言：撇号（撇号（U+0027或更好）（U+2019右单引号）经常用在捷克语和斯洛伐克语中，而不是其重叠的对等词（U+02BC修饰符使徒））：

dʼ 和 d’ 等价（类似于我说过加泰罗尼亚语的middot）。

也许您应该正确处理要比较的德语小写字母“ ss” ß（并且大小写不敏感的比较会出现问题）。如果您必须提供 不完全

匹配的字符串i及其形式（请参见关于 Case的 部分），则在土耳其语中也会出现类似的问题。

如果您使用的是 专业 文本，则可能还会遇到连字。例如，即使在英语中，“ 美学” 也是9个代码点，但10个字符！例如，对于 ethel

字符–（U+0153拉丁小字体OE，如果您使用法语文本，则必不可少）也是如此； d’ouvre 等同于 d’œvre （也包括 ethel

和 œthel ）。两者都是（连同德语 ß ） 词汇 连字，但您也可能会遇到 印刷 连字（例如ffU+FB00LATIN SMALL

LIGATURE FF），它们在Unicode字符集中是自己的一部分（ 演示文稿

）。如今，甚至在英语中，变音符号也变得更加普遍（请参阅tchrist的帖子中有关摆脱打字机暴政的人们的信息，请仔细阅读Bringhurst的引用）。您是否认为您（和您的用户）永远不会键入

façade ， 朴素 和 prêt-à-porter 或“经典” noöne 或 合作方式 ？

在这里，我什至没有提到 单词计数，

因为它会带来更多问题：在韩语中，每个单词都是由音节组成的，但是在例如中文和日语中，字符被视为单词（除非您想使用一本字典）。现在让我们采用这个中文句子：这是一个示例文本rougly等效于日语句子これは，サンサルのテキストです。您如何计算它们？此外，如果将他们音

译成Shìyīgèshìlìwénběn 和 Kore wa，sanpuru no tekisutodesu，

那么应该在文本搜索中对它们进行匹配吗？

在谈到日本：全宽拉丁字符不同半宽的字符，如果你输入的是日本的 罗马字

的文本，你必须处理这个，否则你的用户会感到惊讶时，Ｔ不会比等于T（在这种情况下应该是什么只是字形成了代码点）。例如，如果要提供要翻译的markdown文件，请记住这一点，因为[name](link)解析可能因此而中断。

好，这足以突出问题 吗？

回答：

Unicode（出于ASCII 兼容性 和其他历史原因，主要是Unicode

）具有重复的字符，在进行比较之前，您必须执行规范化，否则à（单个代码点）将不等于à（a加上U+0300COMBINING

GRAVE ACCENT）。这是一个罕见的角落吗？不完全是，还可以看看乔恩·斯基特（Jon

Skeet）的这个真实示例。同样（参见 文化差异

小节）预先分解的序列引入 重复 序列。

请注意，变音符号不仅是混乱的根源。当用户使用键盘打字时，他可能会输入'（U+0027APOSTROPHE），但它也应该与排版中通常使用的’（U+2019RIGHT

SINGLE MARK）匹配（对于许多Unicode符号而言，这都是正确的，从用户的角度来看几乎是等效的，但在版式，想象在电子书中写文本搜索）。

简而言之，如果两个字符串在 规范上是等价的

，则必须被视为相等（即使它们是由不同的Unicode代码点组成的），如果它们具有相同的语言含义和外观，则它们在 规范上 是等价的。

回答：

如果您必须执行不区分大小写的比较，那么您将 遇到 更多 问题

。我假设您不会使用toupper()或等价物来进行业余爱好者不区分大小写的比较，除非所有人都想向您的用户解释为什么'i'.ToUpper() !=

'I'使用土耳其语（I不是大写字母i是İ。BTW小写字母I是ı）。

另一个问题是德语中的 eszettß（在古时使用长字+短字的连字-在英语中也提升为人物的尊严）。它具有大写版本，ẞ但（此时）.NET

Framework错误返回"ẞ" !=

"ß".ToUpper()（但在某些情况下必须使用它，另请参见此文章）。不幸的是，并非总是

ss 变为 ẞ （大写），并非总是 ss 等于 ß （小写），并且 sz 有时也等于 ẞ 。令人困惑，对不对？

回答：

全球化不仅涉及文本，还涉及日期和日历，数字格式和解析，颜色和布局。一本书不足以描述您应该关注的所有事情，但是我在这里要强调的是，很少有本地化的字符串无法使您的应用程序为国际市场做好准备。

即使只是文本，也会出现更多 问题 ：这对正则表达式如何适用？应该如何处理空间？是 全角空格 等于一个 半角空格 ？在 专业

应用程序中，应如何将“美国”与“美国”进行比较（在自由文本搜索中）？站在同一条思路上：相比之下，如何管理变音符号？

如何处理文字储存空间？忘记您可以安全地 检测 编码了，要打开一个文件，您需要知道其编码。当然，除非你打算做像HTML解析器<meta

charset="UTF-8">或XML / XHTML encoding="UTF-8"中<?xml>）。

回答：

我们在监视器上看到的文本只是计算机内存中的一小部分字节。按照惯例，每个值（或一组值，如int32_t代表一个数字）代表一个 字符

。然后如何在屏幕上绘制该字符的方法委托给其他对象（为简化起见，请考虑一下 font ）。

如果我们任意决定每个字符与一个字节表示那么我们有可用的256个符号（如当我们使用int8_t，System.SByte或java.lang.Byte为一些我们具有256个值的数值范围）。现在，我们需要确定每个值代表哪个字符，例如ASCII（限制为7位，128个值）以及

自定义 扩展名，以便也使用高128个值。

做到了，habemus 字符编码

为256个符号（包括字母，数字，字母字符和控制代码）。是的，每个ASCII扩展名都是专有的，但内容清晰且易于管理。文本处理非常普遍，以至于我们只需要用我们喜欢的语言添加一个适当的数据类型（char在C

语言中，请注意，它不是形式的别名，unsigned char或者signed

char是一个不同的类型；char在Pascal中；character在FORTRAN中等等）以及很少的库函数来管理。

不幸的是，这并不容易。ASCII仅限于非常基本的字符集，并且仅包含美国使用的拉丁字符（这就是其首选名称应为usASCII的原因）。它是如此有限，以至于甚至连带有变音符号的英语单词也不被支持（如果这改变了现代语言，反之亦然，则是另外一个故事）。您还会看到它还有其他问题（例如，排序错误和序数和字母比较问题）。

怎么处理呢？引入一个新概念： 代码页

。保留一组固定的基本字符（ASCII），并添加每种语言专用的另外128个字符。值0x81将代表西里尔字母Б（在DOS代码页866中）和希腊字符Ϊ（在DOS代码页869中）。

现在出现了严重的问题：1）您不能在同一文本文件中混合使用不同的字母。2）为了正确 理解

文本，您还必须知道用哪个代码页表示。哪里？没有标准的方法，您必须处理这个询问用户或进行合理的猜测（？！）。即使是现在，ZIP文件的“格式”文件名也仅限于ASCII（您可以使用UTF-8-稍后再见-

但它不是标准的-

因为没有标准的ZIP格式）。在本文中，一个Java工作解决方案。3）即使代码页也不是标准的，并且每个环境都有不同的设置（甚至DOS代码页和Windows代码页是不同的），名称也有所不同。4）255个字符对于例如中文或日语来说仍然太少，因此引入了更复杂的编码（例如Shift

JIS）。

当时（〜1985年），形势非常糟糕，绝对需要一个标准。ISO / IEC

8859到达了，并且至少解决了先前问题列表中的第3点。第1、2和4点仍未解决，需要一个解决方案（特别是如果您的目标不仅是原始文本，而且是

特殊的

印刷字符）。如今，这个标准（经过多次修订）仍然存在（并且在某种程度上与Windows-1252代码页一致），但是除非您正在使用某些旧系统，否则您可能永远不会使用它。

使我们摆脱这种混乱的标准是众所周知的：

。来自维基百科：

Unicode是一种计算行业标准，用于对世界上大多数书写系统中表示的文本进行一致的编码，表示和处理。最新的Unicode版本包含超过110,000个字符，涵盖100个脚本和多个符号集。

语言，库，操作系统已更新，以支持Unicode。现在我们有了所需的所有字符，每个字符都有一个共享的知名代码，过去只是一场噩梦。更换char用wchar_t（并接受住在一起wcout，wstring和朋友），只需使用System.Char或java.lang.Character和生活幸福。对？

。Unicode的使命是 “ …编码，表示和处理文本…” ，它不会将不同的文化 转换

和适应成抽象代码（除非您杀死各种各样的美，否则不可能做到这一点。我们的语言）。此外，编码本身引入了一些我们必须关心的事情（不是那么明显吗？！）。

以上是 如何通过字符比较来执行Unicode感知字符 的全部内容， 来源链接： utcz.com/qa/413161.html