主页 / 问题 / 878772
Accepted
Evgeniy Miroshnichenko
Asked:2020-09-08 04:37:45 +0000 UTC2020-09-08 04:37:45 +0000 UTC

如何获取给定 Unicode 类别的字符集？

  • 772

为了获得指定 Unicode 类别的给定字符集，我创建了一个字典charInfo：

// Get all Unicode groups:
Dictionary<UnicodeCategory, IGrouping<UnicodeCategory, string>> charInfo = (
      Enumerable.Range(0, 0x110000)
          .Where  (x => (x < 0x00D800 || x > 0x00DFFF))
          .Select (Char.ConvertFromUtf32)
          .Where  (x => x.Length == 1   )
          .GroupBy(s => Char.GetUnicodeCategory(s, 0))
          .ToDictionary(g => g.Key)
);

当我从字典中提取类别时UnicodeCategory.DashPunctuation：

var characters = CharInfo[UnicodeCategory.DashPunctuation]?.ToArray();

结果是一个由 25 个字符组成的数组characters，而根据该类别中的 Unicode 文档，只有 24 个字符。

我使用测试和正则表达式检查了结果数组的字符是否属于 \p{Pd} (Unicode Character Category 'Punctuation, Dash') 类别：

Regex.IsMatch(value, @"\p{P}", RegexOptions.Multiline);

结果，在 25 个非 Unicode 'Punctuation, Dash' 中找到了 1 个字符。

请解释为什么我得到 25 个字符而不是 24 个字符。错误在哪里？如何解决？

c#

1 个回答

  1. Best Answer

    错误在于您决定将最新的 Unicode 标准托管在与 Unicode 无关的站点上:)

    您认为的“unicode 文档”是 2006 年的 5.0 版文档，其中Unicode Dash Characters类别中有 24 个字符（请参阅表 6-3. Unicode Dash Characters）。

    在较新的 Unicode 标准中，从 2009 年的5.2版开始，已经有 25 个字符（参见同一张表）。因此，该方法Char.GetUnicodeCategory基于后来的标准。（对于基于 6.3 标准的 .NET 4.6.0，对于 4.6.1 和 8.0 一样多）

    基于相同的文档，Char.GetUnicodeCategory出于兼容性原因，该方法可能会从以前的标准返回字符的类别。因此，最好使用CharUnicodeInfo.GetUnicodeCategory应该始终从框架的当前 unicode 标准返回类别的方法。

    • 5

相关问题