c# - 如何获取某个 UTF-8 语言组中的所有字符？

Question

我不知道确切的技术术语，但作为标准的 UTF-8 包括来自某些语言分组的字符，可以在 Windows Character Map中使用Arial Unicode MS之类的字体观察到这些字符。

• 拉丁
• 西里尔
• 希腊语
• 希伯来语
• 阿拉伯
• 梵文
• 古吉拉特语
• 卡纳达语
• 老挝
• 平假名
• 货币符号
• 箱图

如何获取每组下的角色列表？这可能是一个 API，也可能只是网络上某个地方的普通列表/数据库。我找到了列出所有内容的wiki 文章，但不是以可迭代的形式。有任何想法吗？

Answer 1

您可以在已发布的UnicodeData.txt中访问完整的 unicode 字符列表，这是一个 CSV 格式的文件，其中列出了带有组信息的每个字符。

按班级分组

第三列以 2 位短格式指定字符类，长格式在此处指定。

• letter-character-- Lu、Ll、Lt、Lm、Lo 或 Nl 类
• combining-character-- Mn 或 Mc 类
• decimal-digit-character-- Nd 级
• connecting-character-- 个人电脑类
• formatting-character-- 类 Cf

甚至可以使用 C# LINQ 遍历某个组的字符：

var charInfo = Enumerable.Range(0, 0x110000)
                         .Where(x => x < 0x00d800 || x > 0x00dfff)
                         .Select(char.ConvertFromUtf32)
                         .GroupBy(s => char.GetUnicodeCategory(s, 0))
                         .ToDictionary(g => g.Key);

foreach (var ch in charInfo[UnicodeCategory.LowercaseLetter])
{
    Console.Write(ch);
}

按语言分组

但是，没有明确提及语言分组，因此您必须解析名称的第一个单词以按语言对每个字符进行分组。这是最可靠的方法，因为每个拉丁 unicode 字符都以前缀"Latin"开头。示例如下：

• Latin: Latin Capital Letter A
• Latin Extended A: Latin Small Letter C with acute
• Latin Extended B: Latin Capital Letter Tone Six
• Latin Extended Additional: Latin Capital Letter B With Dot Above