问题标签 [codepoint]

我在这里添加了对这个问题的答案：在 C#中排序List<String>，它需要自然的排序顺序，即处理嵌入数字的顺序。

然而，我的实现是幼稚的，代替所有关于应用程序如何通过假设事情（土耳其测试任何人？）来正确处理 Unicode 的帖子，我想我会寻求帮助来编写更好的实现。或者，如果有.NET的内置方法，请告诉我:)

我对该问题的答案的实现只是遍历字符串，逐个字符进行比较，直到在两者中都遇到一个数字。然后它从两个字符串中提取连续的数字，这可能导致长度不同，用前导零填充最短的数字，然后进行比较。

但是，它存在问题。

例如，如果您在字符串 x 中有两个代码点，它们一起构成字符 È，但在另一个字符串中您只有一个代码点，即那个字符。

我的算法会在这些问题上失败，因为它将变音符号代码点视为单个字符，并将其与另一个字符串中的 È 进行比较。

谁能指导我如何正确处理这个问题？我希望支持指定一个CultureInfo对象来处理语言问题，比如在德国比较“ss”和“ß”，以及类似的事情。

我想我需要让我的代码枚举“真实字符”（我不知道这里的真实术语）而不是单个代码点。

什么是正确的方法？

另外，如果“自然”意味着“人类期望它的工作方式”，我会添加以下内容来思考：

• 日期和时间呢？
• 浮点值呢？
• 还有其他被认为是“自然”的序列吗？
  • 这应该延伸到什么程度？（Eeny，meeny，miny，萌）

当用户输入数字时，我需要找出 Unicode 字符的名称。一个例子是输入 0041 并得到“拉丁大写字母 A”作为结果。

根据您的经验，到目前为止，哪些 Unicode 字符、代码点、BMP（基本多语言平面）之外的范围最常见？这些是在 UTF-8 中需要 4 个字节或在 UTF-16 中需要代理的那些。

我本来希望答案是名称中使用的中文和日文字符，但不包括在最普遍的 CJK 多字节字符集中，但在我做最多的项目，英文维基词典中，我们发现哥特字母是到目前为止更常见。

更新

我编写了几个软件工具来扫描整个维基百科中的非 BMP 字符，令我惊讶的是，即使在日语维基百科中哥特字母也是最常见的。在中文维基百科中也是如此，但它也有许多汉字被使用了多达 50 或 70 次，包括“”、“”和“”。

似乎 SQL Server对字段使用 Unicode UCS-2，一种 2 字节固定长度字符编码。nchar/nvarchar同时，C# 对其字符串使用 Unicode UTF-16编码（注意：有些人不认为 UCS-2 是 Unicode，但它在 Unicode 子集 0-0xFFFF 中编码所有与 UTF-16 相同的代码点，并且作为就 SQL Server 而言，这是与它在字符串方面本机支持的“Unicode”最接近的东西。）

虽然 UCS-2 在基本多语言平面 (BMP) 中编码与 UTF-16 相同的基本代码点，但它不保留 UTF-16 允许代理对的某些位模式。

如果我将 C# 字符串写入 SQL Server nvarchar(UCS-2) 字段并将其读回，这是否总是返回相同的结果？

似乎 UTF-16 是 UCS-2 的超集，因为 UTF-16 编码更多的代码点（例如高于 0xFFFF），但它实际上是 2 字节级别的 UCS-2 的子集，因为它是更严格。

为了回答我自己的问题，我怀疑如果我的 C# 字符串包含高于 0xFFFF 的代码点（由字符对表示），这些将在数据库中很好地存储和检索，但如果我试图在数据库中操作它们（例如也许调用 TOUPPER 或尝试清除所有其他字符），然后我可能会在稍后显示字符串时遇到一些问题......除非 SQL Server 具有确认代理对并将nchar/nvarchar字符串有效地视为 UTF-16 的函数。

好的，所以我觉得这个问题被问了很多次，但我找不到答案。我正在比较由两个不同程序生成的两个不同文件。当然，这两个程序都从相同的数据库查询生成文件。我遇到以下差异：

s1 =Samsung - Mobile USB Chargers

对比

s2 =Samsung \u2013 Mobile USB Chargers

如何将 s2 转换为 s1 甚至更好，如何比较两者而不产生差异？在广泛的互联网上某处提到使用 ApacheCommons-lang 的StringUtils类，但我找不到任何有用的东西。

我正在寻找示例 1 字节、2 字节、3 字节、4 字节、5 字节和 6 字节 unicode 字符。任何指向所有不同 unicode 字符的某种引用的链接以及它们有多大（按字节）将不胜感激。我希望这个参考也有像\uXXXXX.

我有一个 unicode 十六进制值的字符串表示形式列表，例如“0x20000”（）和“0x00F8”（ø），我需要获取其 int 代码点，以便可以使用以下函数：char[] chars = Character .toChars(0x20000);

这应该涵盖 BMP 以及补充字符。我找不到任何方法来做到这一点，所以很高兴得到一些帮助。

我有一个应该处理各种字符的应用程序，并在某些时候显示有关它们的信息。我在 QChar、QString 等中使用 Qt 及其固有的 Unicode 支持。

现在我需要 QChar 的代码点才能在http://unicode.org/Public/UNIDATA/UnicodeData.txt中查找一些数据，但是 QChar 的 unicode() 方法只返回一个 ushort（无符号短），通常是一个从 0 到 65535（或 0xFFFF）的数字。有代码点 > 0xFFFF 的字符，那么我该如何获取这些字符呢？是否有一些我遗漏的技巧或者 Qt/QChar 目前不支持？

十六进制字符串'\xd3'也可以表示为：Ó.

我发现将十六进制字符串的字符表示到控制台的最简单方法是：

或者用英语，将十六进制字符串转换为数字，然后将该数字转换为 unicode 代码点，最后将其输出到屏幕上。这似乎是一个额外的步骤。有没有更简单的方法？

阅读有关 UTF-8 的 Wikipedia 文章，我一直想知道overlong一词。这个术语被多次使用，但文章没有为其含义提供定义或参考。

我想知道是否有人可以解释该术语及其用途。