如何获取某个UTF-8语言组中的所有字符？

Question

我不知道确切的技术术语，但是作为标准，UTF-8包含来自某些语言组的字符，可以在Windows 字符图中使用Arial Unicode MS这样的字体进行观察。

• 拉丁
• 西里尔
• 希腊语
• 希伯来语
• 阿拉伯
• 德夫纳加里
• 古吉拉提
• 卡纳达语
• 老挝
• 平假名
• 货币符号
• 箱型图

如何获得每个集合下的字符列表？这可能是一个API，也可能只是网络上某个地方的普通列表/数据库。我找到了列出所有内容的Wiki文章，但没有以可迭代的形式列出。有任何想法吗？

Answer 1

您可以在已发布的UnicodeData.txt（这是一个CSV格式的文件，列出每个带有组信息的字符）中访问Unicode字符的整个列表。

按班级分组

第三列以2位数字的缩写形式指定字符类，此处以long数字形式指定。

• letter-character -Lu，Ll，Lt，Lm，Lo或Nl类
• combining-character -Mn或Mc类
• decimal-digit-character -Nd级
• connecting-character -PC级
• formatting-character -Cf级

甚至可以使用C＃LINQ遍历某个组的字符：

var charInfo = Enumerable.Range(0, 0x110000)
                         .Where(x => x < 0x00d800 || x > 0x00dfff)
                         .Select(char.ConvertFromUtf32)
                         .GroupBy(s => char.GetUnicodeCategory(s, 0))
                         .ToDictionary(g => g.Key);

foreach (var ch in charInfo[UnicodeCategory.LowercaseLetter])
{
    Console.Write(ch);
}

按语言分组

但是，没有明确提及语言分组，因此您必须解析名称的第一个单词才能按语言对每个字符进行分组。这是最可靠的方法，因为每个拉丁文Unicode字符都以前缀“ Latin”开头。示例如下：

• 拉丁语：拉丁大写字母A
• 拉丁扩展A：带有小写字母的拉丁小写字母C
• 拉丁文扩展B：拉丁文大写字母音调六
• 拉丁文扩展附加：拉丁文大写字母B，上面带有点