我需要将整数计数器映射到URI友好的Unicode代码点（我正在编写一个不限于典型的ASCII base-62，0-9a-zA-Z的URL缩短器）。我已经有一个原型工作; Web服务器正在接收对Unicode代码点的％编码UTF-8值的GET请求（无论如何都来自Firefox），因此它很容易处理。
现在，我遇到的困难部分是将缩短的URL的主键 - 一个整数 - 转换为可用的Unicode代码点（代码 points ，当我超过我可以使用的单个代码点的数量时，必须使用多个代码点）。现在我的计数器有时会创建不可用的坏代码点。我读了一下Unicode，我明白有很多事情要考虑：
/，+，.，?（不是Unicode内容）我的简单解决方案是创建一组映射到的代码点，通过避免上面的“坏字符”范围覆盖尽可能多的可用代码点，并且仅包括本身也包含的代码点grapheme cluster boundaries，即通过组合字符/变音符号不可变（虽然我想如果我将变音符号码列入黑名单，这无关紧要）。这是一个公平的假设吗？是否有一种相对简单的方法来生成这样一组代码点？
我已经看到了unichars和uniprops等工具的链接，但我认为我不了解Unicode属性，无法理解他们是否会在这种情况下帮助我。我对可用代码点的完全详尽列表不感兴趣，但是> 70％的覆盖率会非常棒。我更希望保持“坏”代码点。
我想知道的另一个问题是，是否应该过滤掉保留代码点和/或没有可显示表示的分配代码点（看起来像一个内部带有十六进制值的矩形框）。有趣的是，它们似乎有效，所以我打算让它们进去。有什么好的理由不去吗？
如果我的Unicode术语不正确，请提前道歉。
<小时/> 如何生成可显示的所有Unicode代码点集（无控件/格式代码点）， 排除 空格，重复/重复字符以及组合字符/变音符号标记？
答案 0 :(得分：2)
你问的部分内容可能是不可能的。没有单个字体包含所有Unicode字符的字形，并且大多数系统没有足够的字体来覆盖所有Unicode。因此，如果通过“可显示”表示用户实际上可以看到一个字形，那就是一个问题。
也无法保证两个不同Unicode字符的字形实际上看起来不同，但this file提供有关相似字符的信息（例如，数字符号和音乐清晰符号）。这可能就像你可以过滤掉重复/重复的字符一样接近。
否则，Unicode character database应该为您提供有关每个字符的足够信息，以便您过滤掉您不想要的字符（控制字符，组合字符，空格）。
答案 1 :(得分：1)
我找到的最简单的解决方案是我随机偶然发现的：这个官方的Unicode Properties JSP Web应用程序。我相信这是我使用的查询：
[:Diacritic=No:]&[:Noncharacter_Code_Point=No:]&[:Deprecated=No:]&[:White_Space=No:]&[:General_Category=Math_Symbol:]|[:General_Category=Symbol:]|[:General_Category=Letter:]|[:General_Category=Punctuation:]|[:General_Category=Currency_Symbol:]|[:General_Category=Number:]&[:General_Category!=Modifier_Letter:]&[:General_Category!=Modifier_Symbol:]
产生107,401个代码点。然后我将URI保留字符和其他几个字符过滤掉，以便在将它们存储到我的数据库之前保证安全。这是我的工作prototype，未公布的测试版。
我试过的其他一些事情，但未成功：
我尝试了Perl unichars实用程序，我相信它有能力做我需要的，但我的Perl版本（5.10.1）链接到Unicode 5.x标准;我无法快速找到升级到Unicode 6.0.0标准的任何说明。我曾考虑编写类似于unichars的Ruby应用程序，但我的Ruby安装也是基于Unicode 5.2标准（Ruby 1.9.2，ActiveSupport 3.0.8）。我发现a way显然加载了一个不同的Unicode表，但是没有相应的文档，我系统上的unicode_tables.dat文件是二进制文件，因此没有简单的答案。
我自己也考虑过解析Unicode 6.0.0标准的UnicodeData.txt file，但显然缺少一些代码点，比如Han，这需要我解析its own format中的另一个文件。