查找组合符号的unicode ID

Question

我尝试了解Unicode如何代表符号的特定组合。 例如，如果我结合以下三个Devengari（hindi）符号：

  

न+◌्（diacritical combination symbol）+न

我应该得到以下one (second link here)：

  

न्न

现在，对于前三个符号，我能够在Windows中使用Character Map找到相应的Unicode符号，我得到了：

  

न-> UTF-16编码：0x0928

     

◌्-> UTF-16编码：0x094D

或者等价于Unicode xml表示形式：

  

न->“＆＃2344”;

     

◌्->“＆＃2381”;

现在，尽管我努力寻找这三者的组合，但我没有 成功，无论如何，这个符号न्न必须具有Unicode表示形式，对吧？

谢谢。

Answer 1

Unicode是关于字符“代码”的。与字形无关（因此数字）。

Unicode代码点有不同的解释。通常是可打印字符或组合字符（将修改先前的字符）。

此外，字体还可以合并其他字符（不仅可以合并Unicode代码点）。在拉丁文字（印刷体字母）上很少出现这种情况，但是在印度语言中是这样。但是印度语言在如何组合或合并字符方面也有不同的规则。您可以使用字体，语言修饰符（例如HTML）或/和zero width non-joiner和zero width joiner来定义它。这些标志着意图：您想让两个字符显示为独立字符（即noo-joiner），还是希望它们显示为组合字符（如果字体更喜欢不相交的组合）。

您可能需要阅读Unicode: Official Scripts of India及后续章节。您将深入了解印度脚本如何与Unicode一起使用，并获得大量的例外和规则（Unicode也适用于较旧的实际语言版本）。

注意：有一个DEVANAGARI LETTER NNNA ऩ和DEVANAGARI LETTER NNAण。我不懂印度语言，但是NNA应该像您的角色吗？ （但它们似乎完全不同）。

但是，正如您在我的链接文档（来自Unicode）中所看到的那样，您看到关于如何混合代码点有许多规则和例外（和建议）。对于Unicode来说，这不是一种简单的语言，而对于字体设计人员来说，它却更为复杂。

Answer 2

您的符号是一个三重组合（Python用于常规和命名）：

>>> from unicodedata import ud
>>> s='न्न'
>>> len(s)
3
>>> for c in s: print(f'{c}   U+{ord(c):04X} {ud.name(c)}')
... 
न   U+0928 DEVANAGARI LETTER NA
्   U+094D DEVANAGARI SIGN VIRAMA
न   U+0928 DEVANAGARI LETTER NA

其字形没有单个Unicode字符。规范化尽可能合并代码点：

>>> len(ud.normalize('NFC',s))
3

Answer 3

首先让我们准确定义一些术语。

Unicode区分了字符和字素（或字素簇）。您在谈论符号，但实际上是指字符。符号只是字符的属性：

U+0928 ‹न› \N{DEVANAGARI LETTER NA} Other_Letter
U+25CC ‹◌› \N{DOTTED CIRCLE} Other_Symbol
U+094D ‹◌्› \N{DEVANAGARI SIGN VIRAMA} Combining_Mark

每个字符都有一个数字ID（四个或五个十六进制数字），称为代码点。

---

前面所有内容都是低级详细信息，无需涉及最终用户或处理文本的程序员，它仅与少数为编程语​​言实现Unicode的程序员相关。 （不幸的是，大多数软件-包括编程语言-都已损坏，设计不当或实现不当，因此抽象性泄漏。）一种Unicode级别的न्न由两个字素组成：

› perl -Mutf8 -E 'say scalar split /\b{g}/, "न्न"'
2
› perl6 -e '"न्न".chars.say'
2
› node -e 'console.log((new(require("grapheme-splitter"))).countGraphemes("न्न"))'
2

（显示3的Python答案不正确。）

在标记文本或使用⌫ Backspace键从右侧开始删除文本时，您仍然可以看到它是两个字素：

---

न्न渲染为单个字形，因为它是连字。这样的脚本很奇怪，不仅是梵文。 This topic has little to do with Unicode, though, this is the task of the font renderer.因此，您的问题为字形找到Unicode的ID是没有意义的–它在字体文件中只有一个ID。例如，在字体系列“ Noto Sans Devanagari UI”中，可以通过其ID nanadeva找到该字形。