Unicode兼容字符

✍ dations ◷ 2025-06-02 23:12:58 #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

  • 三溴苯酚三溴苯酚(2,4,6-Tribromophenol;简称:TBP),属芳香族化合物。白色针状或棱状晶体,具刺激性气味。溶于吡啶、醇、乙醚、丙酮、丁酮、氯仿和甲苯等有机溶剂及氢氧化钠溶液,微溶于水(59-
  • N07A·B·C·D·G·H·QI·J·L·M·N·P·R·S·VATC代码N07(其它神经系统用药)是解剖学治疗学及化学分类系统的一个药物分组,这是由世界卫生组织药物统计方法整合中心(The WHO Co
  • 艾尔弗雷德·克努森艾尔弗雷德·乔治·克努森(英语:Alfred George Knudson,1922年8月9日-2016年7月10日),美国遗传学家,专门从事癌症遗传学研究。他在该领域的贡献包括1971年提出的克努森假说,解释了致
  • 运输部坐标:40°6′33″N 125°53′47″E / 40.10917°N 125.89639°E / 40.10917; 125.89639 (Onjong-ri)英国交通部(英语:Department for Transport,通常叫作DfT)是英国负责英格兰海
  • 基奇纳基奇纳(英语:Kitchener,发音为/ˈkɪtʃɨnər/)是加拿大安大略省南部一座城市,为滑铁卢区的行政中心,与邻近的滑铁卢市合称“基奇纳-滑铁卢”(Kitchener-Waterloo,简称“K-W”),而两者
  • 二氯一氟乙烷1,1-二氯-1-氟乙烷是一种卤代烷,化学式为C2H3Cl2F。它是二氯氟乙烷的三种同分异构体之一。1,1-二氯-1-氟乙烷的主要用途是用作制冷剂,又被称为R-141b或HCFC-141b。
  • 纪尧姆夏尔·纪尧姆(法语:Charles Guillaume ,1861年2月15日-1938年6月13日),瑞士物理学家。1920年,于国际度量衡组织瑞士办事处任职的他,因发现镍钢合金于精密物理中的重要性,而获得了该年
  • 洞绥片赣语洞绥片,赣语九个方言片之一。主要通行于湖南的洞口、绥宁、隆回的部分地区。古透定母字今白读声母。古透定母读与抚广片相同,但来母的齐齿呼不读声母,有的地方没有入声,这与
  • 海军中将海军中将(英语:Vice admiral)是一个海军军阶,仅次于海军上将。在大多数国家,海军中将属于三星级将(参见北约军阶标准)。但在中华民国、俄罗斯、中华人民共和国、墨西哥、古巴、伊朗
  • VC-25A波音VC-25,是美国空军指定的一架客运飞机,一个军事版本的波音747客机。 A型机即VC-25A是VC-25唯一的型号。VC-25最著名之处即作为空军一号,其呼号即带有美国总统的任何一架美