如何从ruby中的希伯来语utf-8中去除元音/nekudot/变音符号？

Question

希伯来语将元音打印为字母周围的 nekudot/点。
带元音：“???????????????????????????????????????????????????? ????????????????????????????????????????????????”
没有元音：“????????????????????????????????????????????????????

我需要一种方法来从字符串中去除这些元音。如将带元音的字符串转换为不带元音的字符串。有什么建议？

-ps

我试过 "hebrew.gsub(/[^?-?]/, '')" 但这有两个问题： a：这将删除所有标点符号、英语等。我只想删除元音。b：一些字母也被删除了。（我的理解是有限的，但似乎有些字母/元音组合在 utf-8 中变成了“多字节”并且不会匹配“？-？”。

我在网上找到了这个：https : //gist.github.com/yakovsh/345a71d841871cc3d375，但 ruby​​ 建议仅适用于 rails，（假设它完全有效）。但是，该页面可能有助于找到解决方案。

请帮忙，提前致谢。

Answer 1

元音都在 U+0591 和 U+05C7 之间，所以你可以这样做

hebrew.gsub(/[\u0591-\u05c7]/,"")

例如

" ??????????? ???????? ??????? ????????? ?????????? ????????? ????????? ???? ???????? ?????????".gsub(/[\u0591-\u05c7]/,"")
# => " ????? ???? ???? ???? ?????? ????? ???? ??? ????? ????"

但是，只有当元音在字符串中都是单独的字符时才有效 - 或者在 Unicode 中说同样的话，如果文本是规范化形式 D。您可以通过调用来确保是这种情况 String#unicode_normalize首先它：

hebrew.unicode_normalize(:nfd).gsub(/[\u0591-\u05c7]/,"")

这一步是必要的，因为 Unicode 包含几个单独的字符，这些字符将字母与nekuddot 组合在一个代码点中，以实现与不支持组合变音符号的旧字符集的往返兼容性。这些字符意味着您无法仅通过查看字符串“??”来判断 由两个代码点序列组成，U+05D1 HEBREW LETTER BET后跟U+05BC HEBREW POINT DAGESH OR MAPIQ，或者只是单个字符U+FB31 HEBREW LETTER BET WITH DAGESH。将字符串放入规范化形式 D 将后者替换为前者，并且还将任何其他“预组合”字符拆分为它们的组成部分。