Unicode LATIN LETTERS“with STROKE”的音译

Question

将规则"NFD; [:Nonspacing Mark:] Remove; NFC"提供给ICU Transliterator demo，字符Ø（\u00d8 == LATIN CAPITAL LETTER O WITH STROKE）保持原样（即STROKE不是剥离）。

In the list of non-marking spaces（类别Mn），我找不到类似于COMBINING DIAGONAL STROKE（COMBINING SHORT STROKE OVERLAY）或\u0335的{​​{1}} {（1}} { {1}}）。

但是，我找到了COMBINING LONG STROKE OVERLAY（\u0336）和COMBINING SHORT SOLIDUS OVERLAY（\u0337）。它们看似相似，但在与COMBINING LONG SOLIDUS OVERLAY和\u0338结合使用时，会在浏览器中呈现更粗的线条。

Unicode data I accessed for \u00d8不会为该字符提供分解。

与此同时，ICU Collator Demo会整理o，O，ø，o，Ø和{{{} 1}}使用Primary（Level = 1 = Base Letter）Collat​​or到相同的代码点。

这是否意味着Demo中使用的Collat​​or的语言环境已经设置为以Unicode规范静默的方式识别基本字符？

如果是这样，如果我想在音译中从O个字符中删除STROKE，我是否需要自定义基于规则的音译器？

Answer 1

请参阅以下内容。 Latin-ASCII音译器进入了ICU 4.6。正如您所指出的，整理演示使用UCA / CLDR定制，其中O与斜线-O作为基本字母差异，这与是否存在分解的问题不同。 “w”也不会分解为“v + v”。分解与是否存在以两种不同方式表示字符的现有编码有关。

• Java library for text normalization

• UTF-8 to ASCII using ICU Library

• http://unicode.org/repos/cldr/trunk/common/transforms/Latin-ASCII.xml

Answer 2

是。出于某种原因，字母Ø没有分解，因此您必须手动处理它。

Answer 3

此变换与replaceAll一起用于删除Ø和其他字符。

String id = "Accents-Any;NFD;[:Nonspacing Mark:] Remove; NFC";
System.out.println(latin.replaceAll("[^\\w]",""));