Bloky Unicode

Unicode dělí svůj kódový prostor na pojmenované bloky, z nichž každý je souvislý rozsah vyhrazený jednomu písmu nebo jedné rodině symbolů. Vědět, ve kterém bloku znak leží, promění záhadu — proč se tohle vložení rozbilo, proč ho tenhle regex nenajde — v otázku, na kterou existuje odpověď.

Názvy bloků jsou identifikátory, ne popisy: používají se doslova v regulárním výrazu jako \p{Block=Cyrillic} a v každém souboru dat Unicode, takže zůstávají v angličtině v každém jazyce. Co je přeloženo, je věta vedle nich.

Toto je vybraný výběr spíše než všechny přibližně 340 bloků — ty, které se objevují při práci s textem. Tabulka ASCII pokrývá první blok v plné podrobnosti; tato stránka začíná tam, kde ta končí.

Latina

Latina je rozložena na několik bloků, což je důvod, proč ji nikdy zcela nepodařilo namapovat po blocích.

Rozsah	Blok	Co je v tom	Vzorek
U+0000–U+007F	Basic Latin	ASCII, beze změny: latinské písmeno, číslice, interpunkce, ovládací kódy	A z 0 ?
U+0080–U+00FF	Latin-1 Supplement	Západoevropské přízvuky plus £ § × ÷ a bez přerušení mezery	é ñ ü ×
U+0100–U+017F	Latin Extended-A	Středoevropské a východoevropské přízvuky — č, ł, ő, ș	č ł ő š
U+0180–U+024F	Latin Extended-B	Další písmena pro africké a fonetické pravopisy	ƒ ǎ ȳ
U+1E00–U+1EFF	Latin Extended Additional	Vietnamština a další víceznačná latinská písmena	ạ ế ṛ

Kombinované značky a modifikátory

Tyto jsou připojeny k znaku před nimi a nemají šíři sami o sobě.

Rozsah	Blok	Co je v tom	Vzorek
U+0300–U+036F	Combining Diacritical Marks	Přízvuky aplikované na předcházející znakDruhý, rozložený způsob zápisu é. Normalizujte na NFC, aby se zhroutilo.	◌́ ◌̈ ◌̌
U+02B0–U+02FF	Spacing Modifier Letters	Písmena nadpisu a IPA stres a tónu značky	ʰ ˈ ˚
U+FE00–U+FE0F	Variation Selectors	Neviditelné voliče volby textu nebo emoji prezentaceVS16 je to, co se změní ✔ na emoji. Neviditelné, ale to se počítá.
U+FE20–U+FE2F	Combining Half Marks	Poloviny značek zahrnující dva znaky

Ostatní skripty

Rozsah	Blok	Co je v tom	Vzorek
U+0370–U+03FF	Greek and Coptic	Řečtina a koptské písmeno, která sdílí jeho blok	α Ω π
U+0400–U+04FF	Cyrillic	Ruština, ukrajinština, srbština, bulharština a související abecedy	д Я ж
U+0590–U+05FF	Hebrew	Hebrejská písmena, samohláskové body a cantillation značky	א ש
U+0600–U+06FF	Arabic	Arabská písmena, v jejich izolovaných formách	ا ب ي
U+0900–U+097F	Devanagari	Hindština, sanskrt, marathi a související jazyky	क ह
U+0E00–U+0E7F	Thai	Thajské souhlásky, samohlásky a tónové značky	ก ท
U+10A0–U+10FF	Georgian	Gruzínský Mkhedruli	ა ბ
U+1F00–U+1FFF	Greek Extended	Polytonic řečtina — přízvuky klasických textů	ᾰ ῶ

Interpunkce a čísla

Zdroj nejvíce neviditelných postav, která přežije kopírování-vkládání.

Rozsah	Blok	Co je v tom	Vzorek
U+2000–U+206F	General Punctuation	Čárky, kudrnaté uvozovky, elipsa — a nejvíce neviditelných mezerU+200B nulová šířka mezery a U+2060 slovo joiner žijí zde.	– — “ ” …
U+2070–U+209F	Superscripts and Subscripts	Nadpis a dolní index číslic a písmen	⁰ ⁴ ₂
U+20A0–U+20CF	Currency Symbols	Symboly měny latino-1 nemá místo — €, ₴, ₹, ₺	€ ₴ ₺
U+2100–U+214F	Letterlike Symbols	Symboly postaveny z písmen — ™, №, ℃, ℓ	™ ℃ №
U+2150–U+218F	Number Forms	Vulgární frakce a římská čísla jako jednotlivé znaky	⅓ ⅕ Ⅷ

Symboly a kreslení

Rozsah	Blok	Co je v tom	Vzorek
U+2190–U+21FF	Arrows	Šipky v každém směru, jednoduché a dvojité	← ↔ ⇒
U+2200–U+22FF	Mathematical Operators	Matematické operátory — ∀, ∑, ≠, ∞	∀ ∑ ≠
U+2300–U+23FF	Miscellaneous Technical	Klávesnice a technické symboly — ⌘, ⌥, ⌫, ⏎	⌘ ⌥ ⏎
U+2500–U+257F	Box Drawing	Řádky a rohy terminálových boxů a tabulek	─ ┌ ╬
U+2580–U+259F	Block Elements	Pevné a stínované bloky používané pro terminální grafy	█ ▓ ░
U+25A0–U+25FF	Geometric Shapes	Čtverce, kruhy, trojúhelníky a diamanty	■ ● ▲
U+2600–U+26FF	Miscellaneous Symbols	Počasí, astrologie, šachy, karty a barvy karet	☀ ★ ♥
U+2700–U+27BF	Dingbats	Tiskárenské ozdoby — značky zaškrtnutí, nůžky, hvězdy	✂ ✓ ➜
U+2800–U+28FF	Braille Patterns	Všechny 256 brailleových tečkových vzory používané také pro grafiku terminálu	⠁ ⣿

CJK a celičífeční

Celičífeční tvary jsou oddělené znaky od jejich ASCII dvojčat, ne font.

Rozsah	Blok	Co je v tom	Vzorek
U+3000–U+303F	CJK Symbols and Punctuation	Ideografické místo a CJK interpunkceU+3000 je plná šířka mezery a není oříznuta nejvíce mezerami pravidel.	、。
U+3040–U+309F	Hiragana	Japonská slabika pro nativní slova a gramatiku	あん
U+30A0–U+30FF	Katakana	Japonská slabika pro cizí slova a důraz	アン
U+4E00–U+9FFF	CJK Unified Ideographs	Hlavní blok Han — téměř 21 000 znaků sdíleno čínština, japončina a korejština	日本語
U+AC00–U+D7AF	Hangul Syllables	Všechny 11 172 předskládaných korejských slabikKaždý lze také napsat jako samostatné Jamo, které normalizace sjednocuje.	한 글
U+FF00–U+FFEF	Halfwidth and Fullwidth Forms	Celičífeční kopie ASCII a poloviční šíře katakanyＡ není A. Text vložený z CJK formulářů se často musí složit na ASCII.	Ａ！ｱ

Výše U+FFFF a speciální případy

Cokoli zde trvá dvě jednotky UTF-16, což je odkud pocházejí chyby délky řetězce.

Rozsah	Blok	Co je v tom	Vzorek
U+D800–U+DB7F	High Surrogates	První polovina páru UTF-16 — nikdy na svou vlastní hodnotuOsamělý náhradník je to, co řetězec proříznutý uprostřed emoji opouští.
U+DC00–U+DFFF	Low Surrogates	Druhá polovina páru UTF-16 — nikdy platná na svou vlastní
U+E000–U+F8FF	Private Use Area	Nepřiřazeno záměrem pro soukromé dohodyKde si ikona fonty umístí své glyfy. Bezvýznamné bez shodného fontu.
U+FFF0–U+FFFF	Specials	Náhradní znak a podepsaní bajtů pořadí relativiU+FFFD je to, co vidíte, když dekodér vzdal bajtový.	�
U+1D400–U+1D7FF	Mathematical Alphanumeric Symbols	Tučné, kurzíva, skript a dvojí zaražená abeceda jako znakyZdroj 𝐟𝐚𝐤𝐞 𝐛𝐨𝐥𝐝 v sociálních mediích. Prohledávatelné.	𝐀 𝓪 𝟙
U+1F300–U+1F5FF	Miscellaneous Symbols and Pictographs	Nejčastěji ne-tvář emoji — počasí, objekty, místa, symboly	🌍 🔥 📄
U+1F600–U+1F64F	Emoticons	Tvář emoji	😀 🙂
U+1F680–U+1F6FF	Transport and Map Symbols	Vozidla, doprava a symboly mapy	🚀 🛑
U+1F900–U+1F9FF	Supplemental Symbols and Pictographs	Pozdější dodatky emoji — pozdější tváře, gesta, objekty	🤖 🧠
U+E0000–U+E007F	Tags	Neviditelné znaky tagů, používané v sekvencích vlajekTaké vektor pro neviditelný text vlegnut do normálně vypadajícího řetězce.

Časté dotazy

Jaký je rozdíl mezi blokem a skriptem?

Blok je souvislý rozsah bodů kódu; skript je systém psaní, kterému znak patří. Nejsou stejné a často se neshodují — latinské znaky jsou rozloženy přes nejméně sedm bloků a blok Combining Diacritical Marks používá několik skriptů najednou. V regulárním výrazu je \p{Script=Latin} téměř vždy to, co chcete, ne \p{Block=…}.

Proč nemají řádky surrogátů žádné vzorové znaky?

Protože náhradník není znak. U+D800–U+DFFF jsou vyhrazeny jako mechanismus páru pro UTF-16: dva z nich dohromady kódují jeden bod kódu nad U+FFFF. Sami jsou neplatným textem, což je přesně důvod, proč řetězec proříznutý uprostřed emoji produkuje náhradní znak — udrželi jste polovinu páru.

Proč se můj akcent znak někdy počítá jako dva?

Protože jsou dva způsoby, jak to napsat. é může být jeden bod kódu z Latin-1 Supplement, nebo e následované kombinujícím ostrým přízvukem z bloku Combining Diacritical Marks. Vypadají stejně a porovnávají se jako nerovné. Normalizace na NFC zhroutí druhou formu v první, a to je to, k čemu je normalizační nástroj.

Je emoji jeden znak?

Zřídka. Jeden zobrazený emoji je často několik bodů kódu — základní symbol, modifikátory tónu kůže, voliče variací a nulové šířky spojovače vážící rodinu dohromady. Délka 1 je výjimka, ne pravidlo, a jakýkoli kód, který krájí řetězce podle indexu, se nakonec jeden rozdělí.

Bloky Unicode

Latina#

Kombinované značky a modifikátory#

Ostatní skripty#

Interpunkce a čísla#

Symboly a kreslení#

CJK a celičífeční#

Výše U+FFFF a speciální případy#