前言
在这之前首先感谢我的朋友:netero,是他给了我很多帮助完成了这份代码。
因为我们在一起处理一些文本的时候发现,对于一些特殊的字符我们无法准确的得到我们想要的长度。于是查阅了很多资料和相关的代码,本以为已经解决了这个问题,可是发现GitHub上的一些代码并不能正确的得到结果。因为他们的代码大多数是按照Unicode 10.0.0
的文档编写的,然而现在已经是 Unicode 14.0.0
的版本了,于是自己动手。。
项目地址:https://github.com/DebugST/STGraphemeSplitter
案例
在我们编写代码的时候会经常对字符串进行处理。比如:获取字符串长度,获取某个索引所在的字符。
string strText = "abc";
Console.WriteLine(strText.Length) // output is: 3
//但是...当有一些特殊字符的时候...比如emoji表情的时候。。
string strText = "👩🦰👩👩👦👦🏳️🌈";
Console.WriteLine(strText.Length) // output is: 22
可视我们希望的结果是3,但是结果却输出了22。。这是为什么?
字素簇
注意这里是字素
而不是字数
字素簇 (grapheme cluster) 指人直觉和认知上所认为是单个字符的文本元素。字素簇可能就是一个抽象字,也可能由多个抽象字组成。字素簇应当是文本操作的基本单位。
之所以会出现这样的情况是:在众多的编译器,或者内存中。字符都是以Unicode编码的。所以在统计长度的时候是统计的Unicode编码个数
众所周知,一个Unicode是两字节,即便全部用来做字符编码区间也仅仅是0x0000-0xFFFF也就是65536个字符,这个区间可能中国的汉字都装不下。
编码区间
所以Unicoe组织想到了一个办法,那就是代理。Unicode组织并不打算把0x0000-0xFFFF全部作为字符区间
所以这个时候Unicode组织决定拿出2048个字符区间作为代理字符。
分别是 0xD800-0xDBFF 是高代理字符
。。0xDC00-0xDFFF 是低代理字符
。
高代理字符之后通常跟随低代理字符,它们的编码分别取出最后10位组合后再加0x10000成新的编码,这样就可以有更多的字符组合,多达1048576种。
所以这样的字符需要两个Unicode字符组成。
private static int GetCodePoint(string strText, int nIndex) {
if (!char.IsHighSurrogate(strText, nIndex)) {
return strText[nIndex];
}
if (nIndex + 1 >= strText.Length) {
return 0;
}
return ((strText[nIndex] & 0x03FF) << 10) + (strText[nIndex + 1] & 0x03FF) + 0x10000;
}
上面说到【高代理】之后就是【低代理】,那么一个字符最多就是两个Unicode也就是四字节?
不不不。。。并不是这么算的。。因为不同区间的字符编码有着不同的特性。。而Unicode根据这些特性来确定字素簇。
以最常见的字符举例,比如:【\r\n】
在大对数的编程语言中认为这里是两个字符。。是的。。。他确实是两个字符
但是对于人类感官来说无论是【\r\n】或者【\n】他都是一个字符,那就是【换行】
所以【\r\n】在人类的意识中是一个字符,而不是两个。
如果不这么做那么就会出现这样的情况
string strA = "A\r\nB";
var strB = strA.Reverse(); // "B\n\rA";
这显然是我们不希望的结果。我们希望的结果是 "B\r\nA"
而Unicode也确实是这样定义的[GB3]:
https://www.unicode.org/reports/tr29/#GB3
Do not break between a CR and LF. Otherwise, break before and after controls.
GB3 CR × LF
GB4 (Control | CR | LF) ÷
GB5 ÷ (Control | CR | LF)
字符还有组合属性,比如:[ā]
看上去是一个字符,其实是两个字符的组合 [a + ̄ = ā] -> "a\u0304"
在Unicode中是这样定义0x0300-0x036F区间的
0300..036F ; Extend # Mn [112] COMBINING GRAVE ACCENT..COMBINING LATIN SMALL LETTER X
也就是说"\u0304"具有[Extend]特性,而关于[Extend]在分割规则中这样定义[GB9]:
Do not break before extending characters or ZWJ.
GB9 × (Extend | ZWJ)
Unicode定义了很多特性,而用来确定分割的特性有:
CR, LF, Control, L, V, LV, LVT, T, Extend, ZWJ, SpacingMark, Prepend, Extended_Pictographic, RI
这些特性分布区间也是Unicode定义的:
https://www.unicode.org/Public/14.0.0/ucd/auxiliary/GraphemeBreakProperty.txt
而决定这些字符是否应当组合在一起的标准在这里:
https://www.unicode.org/reports/tr29/#Grapheme_Cluster_Boundary_Rules
而此代码全部按照Unicode最新标准编写,就算以后Unicode更新,代码中也提供了代码生成函数,可以根据Unicode最新标准生成最新的代码 比如:
/// <summary>
/// Build the [GetGraphemeBreakProperty] function and [m_lst_code_range]
/// Current [GetGraphemeBreakProperty] and [m_lst_code_range] create by:
/// https://www.unicode.org/Public/14.0.0/ucd/auxiliary/GraphemeBreakProperty.txt
/// https://www.unicode.org/Public/14.0.0/ucd/emoji/emoji-data.txt
/// [Extended_Pictographic] type was not in [GraphemeBreakProperty.txt(14.0.0)]
/// So append [emoji-data.txt] to [GraphemeBreakProperty.txt] to create code
/// </summary>
/// <param name="strText">The text of [GraphemeBreakProperty.txt]</param>
/// <returns>Code</returns>
public static string CreateBreakPropertyCodeFromText(string strText);
Demo
string strText = "👩🦰👩👩👦👦🏳️🌈Abc";
List<string> lst = STGraphemeSplitter.Split(strText);
Console.WriteLine(string.Join(",", lst.ToArray())); //Output: 汉,字,👩🦰,👩👩👦👦,🏳️🌈,A,b,c
int nLen = STGraphemeSplitter.GetLength(strText); //仅仅获取长度.
foreach (var v in STGraphemeSplitter.GetEnumerator(strText)) {
Console.WriteLine(v);
}
STGraphemeSplitter.Each(strText, (str, nStart, nLen) => { //速度最快
Console.WriteLine(str.Substring(nStart, nLen));
});
//如果上面的速度还不够快?那就在使用之前创建缓存
STGraphemeSplitter.CreateArrayCache(); //创建缓存到数组,速度相对快,占用空间高
STGraphemeSplitter.CreateDictionaryCache(); //创建缓存到字典,速度相对慢,暂用空间少
STGraphemeSplitter.ClearCache(); //清除所有缓存