2
给定一个UTF-8字符串(&str
),我想找出任何未规范化的字符范围(例如a\u{300}
而不是\u{e0}
)。如何检测非标准化的unicode字符?
我该怎么做?
编辑:感谢DK纠正我错误的UTF-8序列。组合字符后a
,而不是之前。
给定一个UTF-8字符串(&str
),我想找出任何未规范化的字符范围(例如a\u{300}
而不是\u{e0}
)。如何检测非标准化的unicode字符?
我该怎么做?
编辑:感谢DK纠正我错误的UTF-8序列。组合字符后a
,而不是之前。
编辑:我刚刚意识到,我得到的结果原因是你的榜样字符串是向后。合并代码点应该排在第二位,而不是第一位。我已经相应地更新了答案。那么,这取决于“规范化”的定义。
例如:
/*!
Add this to a `Cargo.toml` manifest:
```cargo
[dependencies]
unicode-normalization = "0.1.1"
```
*/
extern crate unicode_normalization;
fn main() {
for test_str in vec!["a\u{300}", "\u{e0}"] {
is_nfd(test_str);
is_nfkd(test_str);
is_nfc(test_str);
is_nfkc(test_str);
}
}
macro_rules! norm_test {
($fn_name:ident, $norm_name:ident) => {
fn $fn_name(s: &str) {
use unicode_normalization::UnicodeNormalization;
println!("is_{}({:?}):", stringify!($norm_name), s);
let is_norm = s.chars().zip(s.$norm_name())
.inspect(|&(a, b)| println!(" - ({:x}, {:x})", a as u32, b as u32))
.all(|(a, b)| a == b);
println!(" is_norm: {}", is_norm);
}
};
}
norm_test! { is_nfd, nfd }
norm_test! { is_nfkd, nfkd }
norm_test! { is_nfc, nfc }
norm_test! { is_nfkc, nfkc }
这将产生以下输出:
is_nfd("a\u{300}"):
- (61, 61)
- (300, 300)
is_norm: true
is_nfkd("a\u{300}"):
- (61, 61)
- (300, 300)
is_norm: true
is_nfc("a\u{300}"):
- (61, e0)
is_norm: false
is_nfkc("a\u{300}"):
- (61, e0)
is_norm: false
is_nfd("\u{e0}"):
- (e0, 61)
is_norm: false
is_nfkd("\u{e0}"):
- (e0, 61)
is_norm: false
is_nfc("\u{e0}"):
- (e0, e0)
is_norm: true
is_nfkc("\u{e0}"):
- (e0, e0)
is_norm: true
所以"a\u{300}"
是NFD和NFKD,同时"\u{e0}"
是NFC和NFKC。我不知道K和非K变体之间有什么不同,但Unicode FAQ on Normalization可能会比我更好地解释事情。
因此,如果我想检测字符串内的非标准化范围,我需要首先查找字符的范围,其中只有第一个字符的'unicode_combining_class'为零,并检查它们是否正常(取决于定义,因为您概括)。 – llogiq
@DK:你可以在http://www.unicode.org/reports/tr15/中看到K表格的例子(例如图6)。实质上,NFD和NFC是规范等价的,而它们的K对应关系是较弱的兼容性等价,包括将子脚本/超级脚本更改为常规字符(等等)。例如,在NFD或NFC(其中2075在超级脚本位置中为5)中编码为0032 2075,但在NFKD或NFKC(其中0035是常规5)中编码为0032 0035。 –