查找即将出现的符号的unicode ID

我试图理解Unicode在表示特定符号组合时是如何工作的。 例如，如果我将以下三个德文加里（印地语）符号组合在一起：

न + ◌् () + न

我应该得到以下信息：

न्न

现在，对于前三个符号，我能够在Windows中使用

字符映射

找到相应的符号，我得到：

न --> UTF-16编码：0x0928

◌् --> UTF-16编码：0x094D

或者，在Unicode xml表示法中的等效形式：

न --> "न";

◌् --> "्";

现在，尽管我努力寻找这三者的组合，但我没有找到 不管怎样，这个符号

न्न

必须具有Unicode表示，对吗

---

谢谢。

Unicode是关于字符“代码”的。不是关于字形（所以是数字）

Unicode代码点有不同的解释。通常是可打印字符或组合字符（将修改以前的字符）

此外，字体还可以合并其他字符（不仅仅是结合unicode代码点）。在拉丁文字（大写字母）上，这是非常罕见的，但在印度语中，这是一条规则。但印度语言在如何组合或合并字符方面也有不同的规则。您可以使用字体、语言修饰符（如HTML）或/和

zero width non joiner

和

zero width joiner

来定义它。这些标记了意图：您是希望两个字符显示为独立的（所以没有连接），还是希望它们显示为组合的（如果字体更喜欢这种组合，比如不连接）

您可能需要阅读和阅读后续章节。您将了解更多关于印度脚本如何使用unicode的内容，并了解大量异常和规则（unicode也适用于实际语言的旧版本）

注：有一个

DEVANAGARI字母NNNA

ऩ, 和

DEVANAGARI字母NNA

ण. 我不懂印度语言，但我应该像你的角色一样吗？（但它们似乎完全不同）

---

但正如您在我的链接文档（来自Unicode）中所看到的，在如何混合代码点方面有许多规则和例外（以及建议）。对于Unicode来说，它不是一种简单的语言，对于字体设计师来说更为复杂。

您的符号是三重组合（Python用于序数和命名）：

其标志符号没有单个Unicode字符。如果可能，规范化将结合代码点：

>>> len(ud.normalize('NFC',s))
3

---

让我们首先准确地定义一些术语

Unicode对字符和字元（或字元簇）进行了区分。你说的是符号，但实际上你指的是人物。符号只是字符的一个属性：

U+0928 ‹न› \N{DEVANAGARI LETTER NA} Other_Letter
U+25CC ‹◌› \N{DOTTED CIRCLE} Other_Symbol
U+094D ‹◌्› \N{DEVANAGARI SIGN VIRAMA} Combining_Mark

每个字符都有一个数字id（四个或五个十六进制数字），称为代码点

---

---

前面的所有内容都是低级细节，不需要关注最终用户或处理文本的程序员，它应该只与少数实现Unicode编程语言的程序员相关。（不幸的是，大多数软件——包括编程语言——都是残破的、设计不好或实现不好的，因此抽象泄露了。），न्न 由两个图形组成：

› perl -Mutf8 -E 'say scalar split /\b{g}/, "न्न"'
2
› perl6 -e '"न्न".chars.say'
2
› node -e 'console.log((new(require("grapheme-splitter"))).countGraphemes("न्न"))'
2

（显示3的Python答案不正确。）

在标记文本或删除从右侧开始的文本时，您仍然可以看到它是两个图形⌫ 退格键：

---

---

न्न 渲染为单个图示符，因为它是连字。很多剧本都像那样怪异，不仅仅是德瓦纳加里。因此，在Unicode中查找标志符号的id是没有意义的，因为字体文件中只有一个id。例如，在字体系列“Noto Sans Devanagari UI”中，字形可以通过其id

nanadeva

找到。这是UnicodeI的一个很好的入门教程。我不确定上一个建议：Unicode（按设计）更喜欢分解。维马拉不是严格意义上的重音或修饰语。它只是去除了隐含的声音。顺便说一句，印度语言合并了各种字母（就像我们在拉丁草书中所做的那样：在拉丁语中，我们从来不希望字符串上有这样的组合（只是在显示中），合并并不总是阅读文本的好方法。顺便说一句，我认为产生的字形取决于语言。[顺便说一句，我没有找到它，但通常Unicode在

NFC

（而且只能在非常有限的语言情况下使用）。@Giacomo Catenazzi，virama是一个非空格标记/组合标记，与重音符号相同。请检查属性。@daxim：是的，用于Unicode编码，但语义非常不同。因此，我们有ZWJ和ZWNJ（可能是Unicode标准中使用最多的单词），在印刷拉丁语中，您可能只会在非常特定的用法中使用ZWNJ。这也是Unicode中应避免使用许多组合的原因（例如，请参阅Devanagari章节）。在拉丁语中，您可以删除重音，文本仍然可读。Vimara对以下字符也有影响。它描述人声（或缺少人声）在两个辅音之间。我添加了关于可能合并字符的最后两段（但它们看起来不同）。Python

len

计算代码点，这通常是程序员最重要的部分（例如迭代到一个字符串）。只有一个人应该知道

len

/size/.等所描述的内容。这并不是一个bug或糟糕的实现。在印度语言中，相同的代码点可以用不同数量的字元打印（旧的书写往往使用较少的字元，但不同的地区使用不同的约定）。只有从字体渲染中获取数据才能给出正确的字符长度。顺便说一句，还有一个Unicode附件（光标位置）。你刚才写的句子1、2、3、5都错得很厉害。不能通过代码点进行迭代或度量，期望它做一些正常或有用的事情；在Python中，必须使用适当的库。长度

› perl -Mutf8 -E 'say scalar split /\b{g}/, "न्न"'
2
› perl6 -e '"न्न".chars.say'
2
› node -e 'console.log((new(require("grapheme-splitter"))).countGraphemes("न्न"))'
2