Question

grapheme是写作中最小的“单位”。在英语中，我们通常只考虑字符A-Z，但其他语言都有重音。 UTF允许您向字符添加重音以形成字形。有一个generalized algorithm允许您将一系列UTF代码点分解为逻辑字形集群（其中每个代码点集合代表一个字形）。

举例来说：

＆LT峰; br＆GT;̗̘̈̉̊̋

上述文字中有四个字形：<̖̈̌̍，b，r和>̗̘̈̉̊̋（请注意<̖̈̌̍和>̗̘̈̉̊̋实际上只有<和>以及其他重音符号。如果我把它放在HTML文档中：

<!DOCTYPE html>
<html>
  <head>
    <meta charset="utf-8">
    <title>test</title>
  </head>

  <body>
    <̖̈̌̍br>̗̘̈̉̊̋
  </body>
</html>

它无法使用我发现的实验验证器进行验证。这些验证器似乎使用代码点而不是字形进行解析，因此会抱怨<后面的重音代码点（无法形成有效的HTML5标记）。

鉴于这些验证器是实验性的，我不知道我是否应该完全信任他们的结果。

HTML5是否会忽略字形，只关心代码点？

Answer 1

HTML规范的

2.1.6 Character encodings说：

术语 Unicode代码点在可能的情况下表示 Unicode标量值，在没有时表示隔离的代理代码点。当根据字符或Unicode代码点定义一致性要求时，必须将一对由高代理项后跟低代理项组成的code units视为代理项对代表的单个代码点，但是隔离的代理项必须将每个都视为具有代理值的单个代码点。

在本规范中，术语字符在未被限定为 Unicode 字符时，与术语Unicode code point同义。

术语 Unicode字符用于表示 Unicode标量值（即任何不是代理代码点的Unicode代码点）。

然后，稍后，在8.1.2.1 Start tags和8.1.2.2 End tags中，它使用字符这个词进行定义（从上面我们知道它与 Unicode代码点同义）。

这意味着当它遇到<̖̈̌̍时，它实际上只是解析代码点序列U+003C，U+0316，U+0308，U+030C和{ {3}}。它忽略了字形的概念。

有趣的是，这意味着结束标记>̗̘̈̉̊̋仍然是一个“有效”的HTML结束标记。代码点序列为U+030D，U+003E，U+0317，U+0318，U+0308，U+0309和U+030A。第一个代码点（U + 003E）只是>，因此它被用作结束标记。就解析器而言，以下代码点（U+030B）只是普通的“文本”（这不是完全有效的UTF）。那么，渲染器将会做什么仍然是一个问题：组合代码点是否会被渲染为垃圾，或者它们是否会与刚刚关闭的标记之前的字符组合？

但结论是，在HTML解析中不使用字形。只是代码点。

HTML（5）是否忽略字素？

1 个答案: