Свойство символа Unicode

Стандарт Unicode Standard назначает свойства символа каждой кодовой точке . Эти свойства могут использоваться для обработки «символов» (кодовых точек) в процессах, например, при переносе строк, направлении сценария справа налево или применении элементов управления. Немного непоследовательно, некоторые «свойства символа» также определены для кодовых точек, которым не назначен символ, и кодовых точек, которые помечены как «». Свойства символов описаны в Стандартном приложении №44.

Свойства имеют уровни силы: нормативный, информативный, вспомогательный или предварительный. Для простоты описания свойство символа может быть присвоено путем указания непрерывного диапазона кодовых точек, которые имеют то же свойство.

Содержание

• 1 Имя
  • 1.1 Имена версии 1.0
  • 1.2 Псевдоним имени символа
• 2 Общая категория
• 3 Знаки пунктуации
• 4 Пробел
• 5 Другие общие характеристики
• 6 Свойства, связанные с отображением
• 7 Двунаправленное письмо
• 8 Корпус
• 9 Числовые значения и типы
  • 9.1 Десятичное число
  • 9.2 Шестнадцатеричные цифры
• 10 Блок
• 11 Скрипт
• 12 Свойства нормализации
• 13 Возраст
• 14 Устарело
• 15 Границы
• 16 Ссылки

Имя

Символу Unicode назначается уникальное имя Имя (na). Имя состоит из прописных букв A – Z, цифр 0–9, - (дефис-минус) и . Некоторые последовательности исключены: имена, начинающиеся с пробела или дефиса, имена, заканчивающиеся пробелом или дефисом, повторяющиеся пробелы или дефисы и пробелы после дефиса не допускаются. Имя гарантированно уникально в Юникоде и может использоваться для идентификации кодовой точки и ее символа. Идеографические символы, которых насчитывается несколько десятков тысяч, названы в шаблоне «cjk unified ideograph-hhhh». Например, U + 4E00 一 CJK UNIFIED IDEOGRAPH-4E00. Также указаны символы форматирования: U + 00A0 ПРОБЕЛ БЕЗ ПЕРЕРЫВА.

Следующие классы кодовой точки не имеют имени (na = ""): элементы управления (общая категория: Cc), частное использование (Co), суррогат (Cs), несимволы (Cn) и Зарезервировано (Cn). На них можно неофициально ссылаться с помощью общего или конкретного мета-имени, называемого «метки кодовых точек»: , , , , , . Поскольку эти метки содержат скобки <>, они никогда не могут отображаться как имя, что предотвращает путаницу.

Имена версии 1.0

В версии 2.0 Unicode многие имена были изменены. С этого момента вступило в силу правило «имя никогда не изменится», включая строгое (нормативное) использование псевдонимов. Неиспользуемые имена версии 1.0 были перемещены в свойство Alias ​​для обеспечения обратной совместимости.

Псевдоним имени символа

Начиная с версии 2.0 Unicode, опубликованное имя для кодовой точки никогда не изменится. Следовательно, в случае неправильного написания имени символа или если имя персонажа является полностью неправильным или серьезно вводящим в заблуждение, персонажу может быть назначен формальный псевдоним имени персонажа, и этот псевдоним может использоваться приложениями вместо фактического дефектного имени персонажа. Например, U + FE18 ︘ ФОРМА ПРЕЗЕНТАЦИИ ДЛЯ ВЕРТИКАЛЬНОГО ПРАВОГО БЕЛОГО ЛЕНТИКУЛЯРНОГО ТОРМОЗА имеет псевдоним имени символа "ФОРМА ПРЕЗЕНТАЦИИ ДЛЯ ВЕРТИКАЛЬНОГО ПРАВОГО БЕЛОГО ЛЕНТИКУЛЯРНОГО КРОНШТЕЙНА", чтобы избежать ошибки при написании "скобки" как "скобки". в фактическом имени персонажа; U + A015 ꀕ YI SYLLABLE WU имеет псевдоним имени символа «YI SYLLABLE ITERATION MARK», потому что, в отличие от имени символа, он не имеет фиксированного слогового значения.

В дополнение к псевдонимам имен символов, которые являются исправлением дефектных имен символов, некоторым символам присваиваются псевдонимы, которые являются альтернативными именами или сокращениями. В стандарте Unicode определены пять типов псевдонимов имен символов:

• Исправление: исправление ошибок в написании или серьезно неправильных имен символов;
• Управление: ISO 6429 имена для функций управления C0 и C1 (которым не присвоены имена символов в стандарте Unicode);
• Альтернативные: альтернативные имена для некоторых символов формата (только U + FEFF «ZERO WIDTH NO-BREAK SPACE», имеющий псевдоним «BYTE ORDER MARK») ;
• Рисунок: Документированные метки для некоторых функций управляющего кода C1, которые не являются действительными именами в каком-либо стандарте;
• Сокращение: Аббревиатуры или акронимы для управляющих кодов, символов формата, пробелов и селекторов вариантов.

Все формальные псевдонимы имен символов соответствуют правилам для допустимых имен символов и гарантированно уникальны как в пределах псевдонима имени персонажа, так и в пространстве имен символов (по этой причине имя ISO 6429 «BELL» не определяется как псевдоним для U + 0007, потому что U + 1F514 назван "BELL").

Как o f Unicode версии 12.1, двадцать восемь формальных псевдонимов имен символов определены как исправления для дефектных имен символов.

Помимо этих нормативных имен, неофициальные имена могут отображаться в таблицах кодов Unicode. Это другие часто используемые имена для символа, и их необязательно ограничивать буквами A – Z, цифрами 0–9, - (дефис-минус) и . Уникальность этих неофициальных имен не гарантируется, и они могут быть изменены или удалены в более поздних версиях стандарта.

Общая категория

Каждой кодовой точке присваивается значение для общей категории. Это одно из свойств символа, которые также определены для неназначенных кодовых точек и кодовых точек, которые определены как «не символ».

Знаки пунктуации

Символы имеют отдельные свойства для обозначения того, что они знак препинания. Все свойства имеют значения Да / Нет : Штрих, Quotation_Mark, Sentence_Terminal, Terminal_Punctuation .

Пробел

Пробел - широко используемое понятие для типографского эффекта. В основном он охватывает невидимые символы, которые имеют эффект интервала в отображаемом тексте. Он включает пробелов, вкладки и элементы управления форматированием новой строки. В Юникоде для такого символа установлено свойство WSpace = yes. В версии 13.0 25 пробелов.

.

Прочие общие характеристики

Идеографическая, буквенная, без символа.

Свойства, связанные с отображением

Формирование, ширина.

Двунаправленное письмо

Шесть свойств символов относятся к двунаправленному письму: Bidi_Class, Bidi_Control, Bidi_Mirrored, Bidi_Mirroring_Glyph, Bidi_Paired_Bracket и Bidi_Paired_Bracket_Type.

Одной из основных функций Unicode является поддержка двунаправленного (Bidi) отображения текста справа налево (R-to-L) и слева направо (L-to-R). Двунаправленный алгоритм Unicode UAX9 описывает процесс представления текста с изменением направления сценария. Например, он включает цитату на иврите в английском тексте. Bidi_Character_Type отмечает поведение персонажа при направленном письме. Чтобы отменить направление, Unicode определил специальные символы управления форматированием (Bidi-Control s). Эти символы могут указывать направление и по определению влияют только на двунаправленное письмо.

Каждая кодовая точка имеет свойство Bidi_Class . Он определяет его поведение в двунаправленном тексте, интерпретируемом алгоритмом:

• v
• t

В обычных ситуациях алгоритм может определять направление текста по этому свойству символа. Для управления более сложными ситуациями с Bidi, например когда в английском тексте есть цитата на иврите, в Юникод добавляются дополнительные параметры. Двенадцать символов имеют свойство Bidi_Control = Yes : ALM, FSI, LRE, LRI, LRM, LRO, PDF, PDI, RLE, RLI, RLM и RLO, как указано в таблице. Это невидимые управляющие символы форматирования, используемые только алгоритмом и не имеющие никакого эффекта, кроме двунаправленного форматирования. Несмотря на название, они являются символами форматирования, а не управляющими символами, и имеют общую категорию «Другой, формат (Cf)» в определении Unicode.

По сути, алгоритм определяет последовательность символов с одним и тем же строгим типом направления (R-to-L или L-to-R) с учетом отмены специальных элементов управления Bidi. Числовые строки (слабые типы) получают направление в соответствии с их сильным окружением, как и нейтральные символы. Наконец, символы отображаются в соответствии с направлением строки.

Два свойства символа имеют отношение к определению зеркального отображения глифа в двунаправленном тексте: Bidi_Mirrored = Yes указывает, что глиф должен быть зеркальным при записи R-to-L. Свойство Bidi_Mirroring_Glyph = U + hhhh может затем указывать на зеркальный символ. Например, скобки «()» отражаются таким образом. Формирование рукописных шрифтов, таких как арабский, и зеркальное отображение глифов, имеющих направление, не является частью алгоритма.

Регистр

Значение регистра является нормативным в Юникоде. Это относится к тем сценариям, в которых используются прописные (они же заглавные, мажускулы) и строчные (маленькие, минускульные) буквы. Разница в регистре встречается в адламском, армянском, чероки, коптском, кириллице, десеретском, глаголице, греческом, хуцури и мхедрули грузинском, латинском, медефайдринском, старовенгерском, осейджском и варангском шрифтах Citi.

(верхний, нижний, заголовок, складывающийся - как простой, так и полный)

Числовые значения и типы

Десятичный

Символы классифицируются как Числовой тип . Такие символы, как дроби, подстрочные и надстрочные индексы, римские цифры, числители денежных единиц, числа в кружках и цифры, относящиеся к конкретному сценарию, относятся к типу Numeric. У них есть числовое значение, которое может быть десятичным, включая ноль и отрицательные числа, или обычную дробь. Если такого значения нет, как у большинства символов, числовой тип - «Нет».

Символы, которые имеют числовое значение, разделены на три группы: десятичные (De), цифровые (Di) и числовые (Nu, т. Е. Все остальные). «Десятичный» означает, что символ представляет собой прямую десятичную цифру. Числовой тип Decimal имеют только символы, входящие в непрерывный диапазон кодирования 0–9. Другие цифры, такие как надстрочные, имеют числовой тип Digit. Все числовые символы, такие как дроби и римские цифры, заканчиваются типом «Числовой». Предполагаемый эффект состоит в том, что простой синтаксический анализатор может использовать эти десятичные числовые значения, не отвлекаясь, скажем, на числовой верхний индекс или дробь. Семьдесят три иероглифа CJK, которые представляют собой числа, в том числе используемые для бухгалтерского учета, набираются числовыми.

С другой стороны, символы, которые могут иметь числовое значение в качестве второго значения, по-прежнему помечаются как «Нет» числового типа и не имеют числового значения («»). Например. В нумерации абзацев можно использовать латинские буквы, такие как «II.A.1.b», но буквы «I», «A» и «b» не являются числовыми (тип «None») и не имеют числового значения.

Шестнадцатеричные цифры

Шестнадцатеричные символы - это символы в серии с шестнадцатеричными значениями 0... 9ABCDEF (шестнадцать символов, десятичное значение 0–15). Для свойства символа Hex_Digit установлено значение Да, если символ находится в такой последовательности:

Сорок четыре символа помечены как Hex_Digit. Те, что в блоке Basic Latin, также помечены как ASCII_Hex_Digit .

Unicode не имеет отдельных символов для шестнадцатеричных значений. Следствием этого является то, что при использовании обычных символов невозможно определить, предназначено ли шестнадцатеричное значение или даже предназначено ли оно вообще. Это должно быть определено на более высоком уровне, например добавляя "0x" к шестнадцатеричному числу или по контексту. Единственная особенность заключается в том, что Unicode может отметить, что последовательность может быть или не может быть шестнадцатеричным значением.

Блок

A блок представляет собой непрерывный диапазон кодовых точек с уникальным именем. Он идентифицируется его первой и последней кодовой точкой. Блоки не перекрываются. Блок может содержать кодовые точки, которые зарезервированы, не назначены и т. Д. Каждый назначенный символ имеет одно значение «имени блока» из 308 имен, назначенных в версии 13.0 Unicode. Неназначенные кодовые точки вне существующего блока имеют значение по умолчанию «No_block».

Скрипт

Каждый назначенный символ может имеют единственное значение для его свойства «Сценарий», указывающее, какому сценарию он принадлежит. Значение представляет собой четырехбуквенный код в диапазоне Aaaa-Zzzz, как это доступно в ISO 15924, который отображается в систему записи. Помимо описания фона и использования сценария, Unicode не использует связь между сценарием и языками, которые используют этот сценарий. Итак, «иврит» относится к еврейскому письму, а не к еврейскому языку.

Специальный код Zyyy для «Common» допускает одно значение для символа, который используется в нескольких сценариях. Код Zinh «Унаследованный сценарий», используемый для комбинирования символов и некоторых других кодовых точек специального назначения, указывает на то, что символ «наследует» свою идентичность сценария от символа, с которым он комбинируется. (Ранее для этой цели Unicode использовал частный код Qaai.) Код Zzzz «Неизвестно» используется для всех символов, которые не принадлежат сценарию (т. Е. Значения по умолчанию), таких как символы и символы форматирования. В целом, символы одного скрипта могут быть разбросаны по нескольким блокам, например латинские символы. И наоборот: может присутствовать несколько скриптов в одном блоке, например. блок Буквоподобные символы содержит символы из латинского, греческого и общеупотребительного алфавита.

Когда сценарий "" (пустой), в соответствии с Unicode символ не принадлежит сценарию. Это относится к символам, поскольку существующие коды сценариев ISO «Zmth» (математическая нотация), «Zsym» (символ) и «Zsye» (символ, вариант эмодзи) не используются в Unicode. Свойство «Сценарий» также пусто для кодовых точек, не являющихся типографскими символами, таких как элементы управления, замены и кодовые точки для частного использования.

Если в ISO 15924 существует конкретное имя псевдонима сценария, оно используется в имени символа: U + 0041 A ЛАТИНСКАЯ ЗАГЛАВНАЯ БУКВА A и U + 05D0 א ЕВРЕЙСКАЯ БУКВА ALEF.

Свойства нормализации

Декомпозиции, тип декомпозиции, канонический класс комбинирования, исключения композиции и многое другое.

Возраст

Возраст - это версия Стандарта, в которой кодовая точка была впервые обозначена. Номер версии сокращен до нумерации major.minor, хотя используются более подробные номера версий: версии 4.0.0 и 4.0.1 обе называются 4.0 как Age. Для выпусков возраст может быть из диапазона: 1.1, 2.0, 2.1, 3.0, 3.1, 3.2, 4.0, 4.1, 5.0, 5.1, 5.2, 6.0, 6.1, 6.2, 6.3, 7.0, 8.0, 9.0, 10.0, 11.0., 12,0, 12,1 и 13,0. Длинные значения для Age начинаются с буквы V и используют подчеркивание вместо точки: например, V1_1. Кодовые точки без специально назначенного значения возраста имеют значение «NA» с длинной формой «Unassigned».

Устарело

После определения символа он не будет отозван или изменен при определении свойств (кодовая точка, имя). Но его можно объявить устаревшим. : закодированный символ, использование которого настоятельно не рекомендуется. Начиная с версии Unicode 10.0, пятнадцать символов устарели:

• U + 0149 СТРОЧНАЯ ЛАТИНСКАЯ БУКВА N, ПРЕДШЕСТВУЮЩАЯ АПОСТРОФУ: используйте последовательность ʼ0020 006E (ʼ n) вместо
• U + 0673 АРАБСКИЙ БУКВОЙ ALEF С ВОЛНОВОЙ ХАМЗА НИЖЕ: используйте последовательность 0627 065F (اٟ) вместо
• U + 0F77 TIBETAN VOWEL SIGN VOCALIC RR: используйте последовательность 0FB2 0F81 (ྲཱ ྀ) вместо
• U + 0F79 TIBETAN VOWEL SIGN VOCALIC LL: используйте последовательность 0FB3 0F81 (ླཱ ྀ) вместо
• U + 17A3 KHMER INDEPENDENT VOWEL QAQ: используйте 17A2 KHMER LETTER QA (អ) вместо
• U + 17A4 KHMER INDEPENDENT VOWEL QAA: используйте последовательность 17A 17B6 (អា) вместо
• U + 206A ЗАПРЕТИТЬ СИММЕТРИЧНУЮ ЗАМЕНУ
• U + 206B АКТИВИРОВАТЬ СИММЕТРИЧЕСКУЮ ЗАМЕНУ
• U + 206C ЗАПРЕТИТЬ ФОРМУ АРАБСКОЙ ФОРМЫ
• U + 206D АКТИВАЦИЯ ФОРМЫ АРАБСКОЙ ФОРМЫ
• U + 206E ФОРМЫ НАЦИОНАЛЬНЫХ ЦИФРОВ
• U + 206F НОМИНАЛЬНЫЕ ФОРМЫ ЦИФРЫ
• U + 2329 КРОНШТЕЙН ЛЕВОГО УГЛА: используйте U + 3008 ЛЕВЫЙ УГОЛ КРОНШТЕЙН (〈) вместо
• U + 232A УГЛОВОЙ КРОНШТЕЙН НАПРАВЛЯЮЩИЙ ВПРАВО: используйте U + 3009 R IGHT ANGLE BRACKET (〉) вместо
• U + E0001 LANGUAGE TAG

Символы формата от U + 206A до U + 206F и U + E0001 не должны использоваться вообще, но для других устаревших символов есть рекомендуемые альтернативы, как показано выше.

Границы

Стандарт Unicode определяет следующие свойства, связанные с границами:

• Кластер графем
• Word
• Строка
• Предложение

Ссылки

1. ^ «Стандарт Unicode, Глава 4: Свойства символов» (PDF). Unicode, Inc., март 2020 г. Получено 15 марта 2020 г.
2. ^ «Приложение № 44 к стандарту Unicode: База данных символов Unicode». Стандарт Юникода. 14.06.2017.
3. ^"UCD: Псевдонимы". База данных символов Юникода. Консорциум Unicode. 2019-03-08.
4. ^«Стандарты дизайна персонажей - пробелы». Стандарты дизайна персонажей. Microsoft. 1998–1999. Архивировано из оригинала 23 августа 2000 г. Проверено 18 мая 2009 г.
5. ^Стандарт Unicode 5.0, печатное издание, стр.205
6. ^«Общая пунктуация» (PDF). Стандарт Unicode 5.1. Юникод Инк.. 1991–2008 гг. Проверено 13 мая 2009 г.
7. ^Сарджент, Мюррей III (29 августа 2006 г.). «Математическое кодирование почти простого текста Unicode (версия 2)». Техническое примечание Unicode № 28. Юникод Инк.. С. 19–20. Проверено 19 мая 2009 г.
8. ^Гиллам, Ричард (2002). Unicode Demystified: Практическое руководство программиста по стандарту кодирования. Эддисон-Уэсли. ISBN 0-201-70052-2.
9. ^ Хиксон, Ян. «12.5 Ссылки на именованные символы». Стандарт HTML. WHATWG.
10. ^Вольфрам. "\ [NegativeThickSpace]". Документация на языке Wolfram Language.
11. ^Вольфрам. "\ [NegativeMediumSpace]". Документация на языке Wolfram Language.
12. ^Вольфрам. "\ [NegativeThinSpace]". Документация на языке Wolfram Language.
13. ^Вольфрам. "\ [NegativeVeryThinSpace]". Документация на языке Wolfram Language.
14. ^Фальтстрем, П., изд. (Август 2010 г.). «Не соединяющийся с нулевой шириной». Кодовые точки Unicode и интернационализированные доменные имена для приложений (IDNA). IETF. сек. А.1. doi : 10.17487 / RFC5892. RFC 5892. Проверено 4 сентября 2019 г.
15. ^Фальтстрем, П., изд. (Август 2010 г.). «Соединитель нулевой ширины». Кодовые точки Unicode и интернационализированные доменные имена для приложений (IDNA). IETF. сек. А.2. doi : 10.17487 / RFC5892. RFC 5892. Получено 4 сентября 2019 г.
16. ^«Приложение № 44 к стандарту Unicode, база данных символов Unicode».
17. ^ «Приложение № 9 к стандарту Unicode: двунаправленный алгоритм Unicode». Стандарт Юникода. 2017-05-14.
18. ^«Приложение № 24 к стандарту Unicode: свойство сценария Unicode». Стандарт Юникода. 2015-06-01.
19. ^ «Предлагаемые новые сценарии». Консорциум Unicode. 2018-05-25. Проверено 12 сентября 2018 г.
20. ^«Дорожная карта для SMP». Консорциум Unicode. 2018-08-08. Проверено 12 сентября 2018.
21. ^Майкл Эверсон (1997-09-18). «Предложение по кодированию клингонов в плоскости 1 по ISO / IEC 10646-2».
22. ^Консорциум Unicode (2001-08-14). «Утвержденный совокупное собрание UTC 87 / L2 184».
23. ^«UCD: Расчетный возраст». База данных символов Юникода. Консорциум Unicode. 2019-09-08.
24. ^«Стандарт Unicode, Глава 3.4. Символы и кодировка, D13: устаревший символ » (PDF). Стандарт Юникода. Март 2020.