Unicode兼容字符

✍ dations ◷ 2025-07-27 00:58:41 #Unicode

当讲解和谈论统一码和UCS时,经常提到“兼容字符”这个字眼。兼容字符是指统一码联盟主张不要使用的图像式字符,正如统一码联盟所说:

若不是为了与其他标准间兼容和能够双向对应转换,就不会在统一码中编码的字符。

然而,其定义实在远比这话语有更深层和复杂的意味。每个字符都有一个标准分解(canonical decomposition)的属性,可是大部分字符这个属性的值是这个字符自身,但超过五千个字符的属性的值不是该字符自身。这个属性值能将兼容字符映射到一个或多个的其他的非兼容字符,并借此定义这五千多个字符为统一码中的兼容字符。指定某字符为兼容字符的理由各异,下面有更详细的说明。“分解”这个用语有时会令人感到困惑,因为有些字符“分解”后还是单个字符的形态,这时该字符的分解值就是另一个相等或近似相等的字符。兼容字符与其非空值的标准分解(语义上)是确切等价的。

如果一个兼容字符可以用多个分解序列表示,那么采用了(canonical order)的序列是该字符的。例如,ộ,有两种分解序列:(U+006F LATIN SMALL LETTER O) (U+0302 COMBINING CIRCUMFLEX ACCENT) (U+0323 COMBINING DOT BELOW)或者 (U+006F LATIN SMALL LETTER O) (U+0323 COMBINING DOT BELOW)(U+0302 COMBINING CIRCUMFLEX ACCENT),两个附加符号出现在分解序列中的位置是可交换的。

Unicode的另一个概念兼容性分解(compatibility decomposition),是把一个兼容字符映射为一个或多个的其他的非兼容字符。但兼容字符与兼容性分解可能会有语义(如排版格式上)的损失。例如上角标数字字符⁴与普通的数字字符4。

Unicode的所有(precomposed character)都是兼容字符。即所有预组合字符都能够用其他字符或字符序列来表示。因此的总是存在。具有不同于自身且不为空值的属性值的字符,称为(canonical composite)。

根据兼容分解属性的值,可将统一码的 5,402 个字符分成 17 逻辑分类,并赋予其关键字。具有兼容分解但没有关键字的字符被称作,这些字符并不是兼容字符。兼容可分解字符的关键字包括:<initial>、<medial>、<final>、<isolated>、<wide>, <narrow>、<small>、<square>、<vertical>、<circle>、<noBreak>、<fraction>、<sub>、<super>和 <compat>。这些关键字提供了一些消息:包含兼容字符和它的兼容分解字符序列。兼容字符可分为以下三类:

因为这些语义上不同的字符有可能会使用相似的字形,文字处理软件应该向用户指示出其可能的混淆。当比较和排序文本字符串时,同一字符的不同字形或格式化文本的不同版本不应该改变文本处理结果。例如,软件用户可能会困惑,在查找一页中的大写字母“I”时,软件无法找到在视觉上相似的罗马数字“Ⅰ”(二者是,但不是)。

对于遵循统一码标准的文字处理和显示软件来说,有些兼容字符是不必要的。这些包含:

譬如,罗马数十二(“Ⅻ”:U+216B)可以分解成一个罗马数十(“Ⅹ”:U+2169)和两个罗马数一 (‘Ⅰ’: U+2160)。Unicode认为字符序列'U+2169 U+2160 U+2160'是否被组合为单个字符'Ⅻ',这是文本绘制软件要处理的问题。

如 Å(U+00C5),统一码倾向视为两个分开的字符,一个拉丁字母 A (“Latin letter A”)结合一个“Combining Ring Above”(U+030A)。

总结而言,上述的预组合的字符的使用是不必要的,应该用普通字符的序列来表示这些预组合的字符;由遵从Unicode规范的字体或者文本绘制软件来决定选用哪个字形。

Unicode字符集(即UCS), Unicode字符的属性、Unicode算法为文本处理软件实现提供了所需的一切来适当地绘制处于状态的字符。因此那些变成了冗余与不必要。字符集中的存在导致了文本处理时额外的代价用于正确地比较、排序(参见)。此外,并没有提供补充的或不同的语义。也没有提供绘制时视觉上的不同,如果文本布局与字体遵循Unicode规范。也不是与其他字符集往返转换所需要的,因为可以把一个字符集的分解字符序的列来映射到另一字符集的预组合的字符。 上下文中字形选择,如阿拉伯字母可以根据它在单词内的位置而映射到传统字符集的具有特定字形的某个字符上。

为了处理兼容字符,文本软件必须遵从几个Unicode协议。软件必须能够:

Unicode的5,402个兼容字符中,上述这些不应该使用在文本中的字符共计3,779个。这包括所有具有关键字 <initial>、<medial>、<final>、<isolated>、<wide>, <narrow>、<small>、<square>、<vertical>、<fraction>的兼容字符。还包括大多数具有<compat>关键字的兼容字符(例外情况是有<compat>关键字的被封闭的字母数字、被封闭的象形文字、以及下文所提及)

用于格式化文本的兼容字符,不是Unicode与UCS所考虑的目标。格式化文本所用的兼容字符,可能与普通字符在语义上有出入。例如,作为上角标的数字4,与普通字符数字4,可能语义上不完全等价。

格式化文本兼容字符包括:

格式化文本兼容字符共有1,451个,包括所有具有关键字<circle>与<font>(除了下文列出3个语义不同的例外),11个空格符的变种具有关键字<compat>,具有关键字<superscript>或<subscript>的定义在基本多语言平面的“上标及下标”块中的字符。 定义在U+2100至U+214F定义的Letterlike Symbols块中的字符,都是具有字体格式的兼容字符。

Unicode对于用于科学或数学的希伯来字母、希腊字母符号,作为兼容字符定义。如:

6个作为度量单位的兼容字符,Unicode建议使用其等价分解的字符序列:

Unicode规定了22个类似字母的兼容字符。

一些语言中,语义与字形的位置有关的字符,共计130个。

罗马数字:

Unicode编码空间的几个字符块,都是或大部分是兼容字符。

但是在“CJK Compatibility Ideographs”块中,包含一些不是兼容字符的字符:

还有一个字符U+FA23“﨣”与U+27EAF“�”重复定义。

类似情况在希伯来语、阿拉伯语也有。

统一码要求软件在进行比较或校正文句时,需要先经过兼容分解,这个过程称作规范化。这是做一些相似运算时所必须的动作,如当一个用户进行“不区分大小写”或“不区分附加符号的字母”的搜索时。典型的规范化是指不会改变底层存储的信息(无损)。然后,有些软件可能会造成永久的改变,如在文件内容中删除标准的或非标准的兼容字符(有损)。

相关

  • 弗兰克·麦克法兰·伯内特弗兰克·麦克法兰·伯内特爵士,OM,AK,KBE(英语:Sir Frank Macfarlane Burnet,1899年9月3日-1985年8月31日),通常称作麦克法伦或麦克·伯内特,是澳大利亚病毒学家,主要以免疫学方面的工
  • 米歇尔·布雷亚尔米歇尔·布雷亚尔(法语:Michel Bréal,法语发音:.mw-parser-output .IPA{font-family:"Charis SIL","Doulos SIL","Linux Libertine","Segoe UI","Lucida Sans Unicode","Code20
  • 转运RNA转运核糖核酸(Transfer RNA),又称传送核糖核酸、转移核糖核酸,通常简称为tRNA,是一种由76-90个核苷酸所组成的RNA,其3'端可以在氨酰-tRNA合成酶催化之下,接附特定种类的氨基酸。转
  • 中国语言饮食 - 服饰 - 建筑 - 文物 - 节日 - 教育 科学 - 五术(医学 - 术数) - 武术中国语言,是指中国范围内各民族所使用的语言。由于长期受到汉语的影响,中国的少数民族现在大部分都
  • 生殖成就适应度(英语:Fitness),又可称适存度或生殖成就,是生物学,特别是群体遗传学、数理生物学中用来描述拥有某一特定基因型的个体,在繁殖上的成功率或能力。假如带有不同基因型的个体拥
  • 驻外武官驻外武官,即外交代表机构(大使馆、领事馆)的武职专员(法语:Attaché)。多由陆海空三军种的校官或将官中选派,处理军事性业务,为使馆中专司国防的馆员,也是一国军队的驻外代表。驻外武
  • 祝希娟祝希娟(1938年1月17日-),原籍江西南昌,出生于江西赣州,中华人民共和国演员。荣获首届百花奖影后桂冠。1960年祝希娟毕业于上海戏剧学院,毕业后到上海青年话剧团任演员。 毕业前夕,当
  • 1865年-1918年联军的入侵带来的破坏和南方的失败,连同战后在占领区经济的萧条,使得南方人对联邦政府长期心怀不满。面对着战后受到战争破坏的南方,重建成了最迫切解决的问题。重建是在美国内
  • 法院之友法院之友(拉丁语:Amicus curiae,或amicus curiæ,复数形为amici curiae),也译为法庭之友,法律名词,最初源自于罗马法,后被英美习惯法所继承。法院之友不是诉讼当事人的任何一方;可能是
  • 邱奇-图灵论题邱奇-图灵论题(英语:Church–Turing thesis,又称邱奇-图灵猜想,邱奇论题,邱奇猜想,图灵论题)是一个关于可计算性理论的假设。该假设论述了关于函数特性的,可有效计算的函数值(用更现