确定用户感知字符数的正确算法是什么？

Question

我的任务是计算输入中感知字符的数量.输入是一组 int(我们可以将其视为一个int[]),表示Unicode代码点.

不允许使用java.text.BreakIterator.getCharacterInstance().(我的意思是他们的公式是允许的并且是我想要的,但是编织它们的源代码和状态表让我无处可去>.<)

我想知道在给定一些代码点的情况下,计算字形集群数量的正确算法是什么？

最初,我认为我所要做的就是结合所有出现的:

1. U+0300 – U+036F (结合变音符号)

2. U+1DC0 – U+1DFF (结合变音符号补充)

3. U+20D0 – U+20FF (结合符号的变音符号)

4. U+FE20 - U+FE2F (结合半分)

进入以前的非变音符号.

但是我意识到在该操作之前,我必须首先删除所有非字符.

这包括:

1. U+FDD0 - U+FDEF

2. 每个平面的最后两个代码点

但似乎还有更多事情要做.Unicode.org指出我们需要包括U+200C(零宽度非连接器)和U+200D(零宽度连接器)作为连续字符集(源)的一部分.

除此之外,它还讨论了更多的事情,但整个主题都以抽象的方式处理.例如,什么是对的代码点范围间距组合标记,韩文字符JAMO形成韩文音节？

有没有人知道在给定int[]代码点的情况下计算字素集群数量的正确算法？

Answer 1

没有适合所有用途的单一规范方法，但一个好的起点是您链接到的 Unicode.org 页面上的 Unicode 字素簇边界算法。基本上，Unicode 提供了每个代码点的字素中断属性的数据库，然后描述了一种算法，用于根据指定的字素中断属性来决定两个代码点之间是否允许出现字素中断。

这是我不久前玩过的一个实现的一部分（用 C++ 编写）：

bool BoundaryAllowed(char32_t cp, char32_t cp2) {
  // lbp: left break property; rbp: right break property
  auto lbp = get_property_for_codepoint(cp),
       rbp = get_property_for_codepoint(cp2);

  // Do not break between a CR and LF. Otherwise, break before and after
  // controls.
  if ((CR == lbp && LF == rbp)) {
    // The Unicode grapheme boundary algorithm does not handle LFCR new lines
    return false;
  }

  if (Control == lbp || CR == lbp || LF == lbp || Control == rbp || CR == rbp ||
      LF == rbp) {
    return true;
  }

  // Do not break Hangul syllable sequences.
  if ((L == lbp && (L == rbp || V == rbp || LV == rbp || LVT == rbp)) ||
      ((LV == lbp || V == lbp) && (V == rbp || T == rbp)) ||
      ((LVT == lbp || T == lbp) && (T == rbp))) {
    return false;
  }

  // Do not break before extending characters.
  if (Extend == rbp) {
    return false;
  }

  // Do not break before SpacingMarks, or after Prepend characters.
  if (Prepend == lbp || SpacingMark == rbp) {
    return false;
  }

  return true; // Otherwise, break everywhere.
}

为了获取不同类型代码点的范围，您只需查看 Unicode 字符数据库。具有字素中断属性的文件（以范围的形式描述它们）大约有 1200 行长：http://www.unicode.org/Public/6.1.0/ucd/auxiliary/

我不太确定忽略非字符代码点有多大价值，但如果您的使用需要它，那么您将其添加到您的实现中。