Unicode中阿拉伯字母的结构

Question

我在维基百科上找到了两个不同的阿拉伯字母“版本”。第一个示例似乎将 3 个子组件合二为一：

\n\n

"\xd9\x80\xd9\x85\xd9\x80".split(\'\').map(x => x.codePointAt(0).toString(16))\n[ \'640\', \'645\', \'640\' ]\n

\n\n

在本页找到这个“m medial”字母给我这个：

\n\n

\xef\xbb\xa4\nfee4\n

\n\n

代码点 640 和 645 是“阿拉伯语 tatwheel”\xd9\x80和“阿拉伯语字母 meem” \xd9\x85。有没有搞错？这是如何运作的？到目前为止，我在 Unicode 阿拉伯语的信息中没有看到这些字形是如何“组成”的。为什么是由这些部分组成的呢？所有字形的结构是否都有一个模式？（维基百科第一个页面上的所有字形都很相似，但第二个页面上的所有字形都是一个代码点）。在哪里可以找到有关如何有效解析阿拉伯语（或任何其他语言）字符的信息？

\n

Answer 1

阿拉伯语是一种带有草书连接的文字；字母的形状根据它们是否出现在单词的开头、中间或最后而变化。有时您可能希望单独显示这些上下文表单，例如简单地显示它们的外观。

\n\n

建议的方法是使用特殊的连接字符来连接字母。其中之一是 tatweel（也称为kashida）），它本质上是一条两端都有 \xe2\x80\x9cglue\xe2\x80\x9d 的短线段。因此，如果您在字母 \xd9\x85 两侧都添加纹身字符，则文本渲染器会自动选择其中间形式，就好像它出现在单词的中间一样 (\xd9\x80\xd9\x85\xd9\x80) 。\xd9\x85 的底层字符代码不会\xe2\x80\x99 发生变化，只有其可见的字形发生变化。

\n\n

然而，由于历史原因，Unicode 还包含大量所谓的阿拉伯语表示形式。它们代表相同的上下文字母形状，但作为单独的字符代码，不会根据周围环境而改变；将 \xe2\x80\x9cisolated\xe2\x80\x9d 表示形式 \xd9\x85 放在两个纹身之间不会影响其外观，例如： \xd9\x80\xef\xbb\xa1\xd9\x80

\n\n

不建议使用这些演示形式来实际书写阿拉伯语。它们的存在只是为了与旧的遗留编码兼容，并且不需要\xe2\x80\x99来正确排版阿拉伯文本。我认为维基百科只是将它们用于演示目的并展示它们的存在。如果遇到表示形式，通常可以对字符串应用 Unicode 规范化（NFKD 或 NFKC）来获取底层基本字母。有关详细信息，请参阅有关演示文稿的 Unicode 常见问题解答。

\n