Unicode blokkok

Az Unicode felosztja a kódteret elnevezett blokkokra, mindegyik egy összefüggő tartomány, amely egy parancsikonra vagy szimbólum család számára van fenntartva. Tudni, hogy melyik blokkban él egy karakter, az, amely rejtélyt — miért szakadt meg ez az beillesztés, miért csinálja ezt a regex hiányoz — erre válaszolható kérdés.

A blokknevei azonosítók, nem leírások: ezek szószerint a regex-ben használódnak, mint a \p{Block=Cyrillic}, és minden Unicode adatfájlban, így minden nyelvben angolul maradnak. Ami lefordítódik, az a mondás mellett.

Ez egy válogatott kiválasztás, nem az összes körülbelül 340 blokk — az, amely akkor merül fel, ha szöveggel dolgozik. Az ASCII táblázat teljes részletességgel tartalmazza az első blokkot; ez az oldal ott kezdődik, ahol az a megáll.

Latin

Az latin az több blokkban terjedik, amely az oka annak, hogy az illeszkedő az az által az blokk soha az végig nem működik.

Tartomány	Blokk	Mit van az belül	Minta
U+0000–U+007F	Basic Latin	Az ASCII, változatlan: az latin levelek, számjegy, írásjelek, vezérlő kódok	A z 0 ?
U+0080–U+00FF	Latin-1 Supplement	Az nyugat-európai akcentus, valamint az £ § × ÷ és az az az nem szünetet space	é ñ ü ×
U+0100–U+017F	Latin Extended-A	Az közép- és kelet-európai akcentus — az č, ł, ő, ș	č ł ő š
U+0180–U+024F	Latin Extended-B	Az további levelek az az afrikai és az fonetikus ortográfiai	ƒ ǎ ȳ
U+1E00–U+1EFF	Latin Extended Additional	Az vietnami és egyéb az sok-hangsúlyos latin levelek	ạ ế ṛ

Az kombinálása jelek és módosítók

Az rögzít az az az az karakter előtt azok az nincs szélessége az az azok saját.

Tartomány	Blokk	Mit van az belül	Minta
U+0300–U+036F	Combining Diacritical Marks	Az akcentus alkalmazva az az az előző karakterAz az második, romlott módja az az írása az é. Az normalizálás az az az NFC az az az összecsomósításhoz.	◌́ ◌̈ ◌̌
U+02B0–U+02FF	Spacing Modifier Letters	Az felső betűk és az IPA hangsúly és az tónus jelek	ʰ ˈ ˚
U+FE00–U+FE0F	Variation Selectors	Az láthatatlan választók az választása szöveg vagy emoji az prezentációAz VS16 az az az mely fordítja az ✔ az az egy emoji. Az láthatatlan, azonban az az számlálódik.
U+FE20–U+FE2F	Combining Half Marks	Az halves az az az jelek spaning az az két karakterek

Az egyéb parancsikonok

Tartomány	Blokk	Mit van az belül	Minta
U+0370–U+03FF	Greek and Coptic	Az görög, és az az az kópti levelek mely részesül az az az blokk	α Ω π
U+0400–U+04FF	Cyrillic	Az orosz, ukrán, szerb, bolgár és az kapcsolódó alfabéták	д Я ж
U+0590–U+05FF	Hebrew	Az héber levelek, az az magánhangzó pont és az cantillation jelek	א ש
U+0600–U+06FF	Arabic	Az arab levelek, az az azok az elkülönített formában	ا ب ي
U+0900–U+097F	Devanagari	Az hindi, szanszkrit, maráthi és az kapcsolódó nyelvek	क ह
U+0E00–U+0E7F	Thai	Az thai mássalhangzó, az magánhangzó és az tónus jelek	ก ท
U+10A0–U+10FF	Georgian	Az grúz Mkhedruli	ა ბ
U+1F00–U+1FFF	Greek Extended	Az politónikus görög — az az akcentus az az klasszikus szövegek	ᾰ ῶ

Az írásjelek és számok

Az forrása az az a legtöbb láthatatlan karaktereket mely túléli az az az egy másolat-beillesztés.

Tartomány	Blokk	Mit van az belül	Minta
U+2000–U+206F	General Punctuation	Az kötőjelek, az görbült idézőjelek, az ellipszis — és az a legtöbb láthatatlan szóközökAz U+200B zérus-szélesség szóköz és az U+2060 szó összekapcsoló élő itt.	– — “ ” …
U+2070–U+209F	Superscripts and Subscripts	Az felső és az az index számjegy és az az levelek	⁰ ⁴ ₂
U+20A0–U+20CF	Currency Symbols	Az pénznem jelek az latin-1 van nincs szóköz az — az €, ₴, ₹, ₺	€ ₴ ₺
U+2100–U+214F	Letterlike Symbols	Az szimbólumok built az az levelek — az ™, №, ℃, ℓ	™ ℃ №
U+2150–U+218F	Number Forms	Az közönséges törtek és az az római római számok mint egyetlen karakterek	⅓ ⅕ Ⅷ

Az szimbólumok és rajz

Tartomány	Blokk	Mit van az belül	Minta
U+2190–U+21FF	Arrows	Az nyilak az minden irányban, egyetlen és az az dupla	← ↔ ⇒
U+2200–U+22FF	Mathematical Operators	Az matematikai operátor — az ∀, ∑, ≠, ∞	∀ ∑ ≠
U+2300–U+23FF	Miscellaneous Technical	Az billentyűzet és az az technikai szimbólumok — az ⌘, ⌥, ⌫, ⏎	⌘ ⌥ ⏎
U+2500–U+257F	Box Drawing	Az vonalak és az az sarkok az az terminál dobozok és az az táblázatok	─ ┌ ╬
U+2580–U+259F	Block Elements	Az az szilárd és az az árnyékolt blokkok, használt az az terminál bar diagrammok	█ ▓ ░
U+25A0–U+25FF	Geometric Shapes	Az négyzetek, körök, háromszögek és az az gyémántok	■ ● ▲
U+2600–U+26FF	Miscellaneous Symbols	Az időjárás, asztronómia, az sakkfigurák, az az játékkártyák és az az az az az az az az az kártya alkalmas	☀ ★ ♥
U+2700–U+27BF	Dingbats	Az nyomtatási díszek — az az az ellenőrzést jelöli, az az olló, az az csillagok	✂ ✓ ➜
U+2800–U+28FF	Braille Patterns	Az minden 256 braille pont mintázatok, használt az az terminál grafika úgy túl	⠁ ⣿

Az CJK és teljesség

Az teljesség alakzatok az külön karakterek az azok ASCII ikrek, nem az egy betűtípus.

Tartomány	Blokk	Mit van az belül	Minta
U+3000–U+303F	CJK Symbols and Punctuation	Az ideográf szóköz és az CJK írásjelekAz U+3000 az az teljes szélesség szóköz és az nem vágott az az a legtöbb whitespace szabályok.	、。
U+3040–U+309F	Hiragana	Az japán szótagok az az az őshonos szavak és az az nyelvtan	あん
U+30A0–U+30FF	Katakana	Az japán szótagok az az az idegenek és az az hangsúly	アン
U+4E00–U+9FFF	CJK Unified Ideographs	Az az fő Han blokk — szinte 21,000 karakterek közös az az kínai, japán és az koreai	日本語
U+AC00–U+D7AF	Hangul Syllables	Az minden 11,172 precomposed koreai szótagokAz minden szintén lehet írott mint külön Jamo, mely az az normalizálás az az az egyeztetés.	한 글
U+FF00–U+FFEF	Halfwidth and Fullwidth Forms	Az teljesség szélességű másolatok az az ASCII, és az az fele-szélességű KatakanaAz Ａ az nem A. Az szöveg beillesztve az az az CJK formák gyakran szükséges összecsukódni az ASCII.	Ａ！ｱ

Az felett U+FFFF, és az az az speciális eset

Az valami itt vesz az két UTF-16 egység, mely az az melyik az az illetve-hosszúság hibák jönnek az.

Tartomány	Blokk	Mit van az belül	Minta
U+D800–U+DB7F	High Surrogates	Az első fele az az UTF-16 pár — soha nem érvényes az az az az az az az az az az az.Az egy legalább helyettes az az az az amit az az karakter vágás az az egy emoji az hagyott.
U+DC00–U+DFFF	Low Surrogates	Egy UTF-16 pár második fele — soha nem érvényes önmagában
U+E000–U+F8FF	Private Use Area	Szándékosan hozzárendeletlen, privát megállapodásokhozAhol ikonbetűtípusok az azok karaktereket rakják. Értelmetlenség az egyeztetés betűtípus nélkül.
U+FFF0–U+FFFF	Specials	Az helyettesítés karakter és az az bájt sorrend jelölő rokonaiAz U+FFFD az amit látni amikor az egy dekódoló feladta az egy bájt.	�
U+1D400–U+1D7FF	Mathematical Alphanumeric Symbols	Félkövér, dőlt, parancsikonok és dupla-ütött alfabéták mint karakterekAz forrása az 𝐟𝐚𝐤𝐞 𝐛𝐨𝐥𝐝 az közösségi média nevekben. Kereshetetlen.	𝐀 𝓪 𝟙
U+1F300–U+1F5FF	Miscellaneous Symbols and Pictographs	Az legtöbb nem-arc emoji — időjárás, tárgyak, helyek, szimbólumok	🌍 🔥 📄
U+1F600–U+1F64F	Emoticons	Az arc emoji	😀 🙂
U+1F680–U+1F6FF	Transport and Map Symbols	Járművek, forgalom és térkép szimbólumok	🚀 🛑
U+1F900–U+1F9FF	Supplemental Symbols and Pictographs	Az később emoji kiegészítések — később arcok, mozdulatok, tárgyak	🤖 🧠
U+E0000–U+E007F	Tags	Láthatatlan tag karakterek, amely az flag szekvenciákat használnakAz valamint az vektor az láthatatlan szöveghez csempészve belül egy normális-kinéző karakterlánc.

Gyakori kérdések

Mi a különbség a blokk és a parancsikonok között?

A blokk a kódpontok összefüggő tartománya; a parancsikonok a írásrendszer egy karakter tartozik. Nem ugyanazok, és gyakran nem értenek egyet — a latin karakterek legalább hét blokkban terjednek, és a Combining Diacritical Marks blokk több parancsikonjában is használódnak. A regex-ben a \p{Script=Latin} szinte mindig az, amit akarod, nem a \p{Block=…}.

Miért nincsenek mintakarakterek a helyettes soroknak?

Mivel egy helyettes nem karakter. Az U+D800–U+DFFF az UTF-16 párjánként van fenntartva: kettő közülük együtt az U+FFFF fölötti kódpontot kódol. Önmagában érvénytelen szöveg, amely pontosan az oka annak, hogy egy karakterlánc egy emoji közepén vágott ki a csere karaktert — megtartottad félit.

Miért számít a hangsúlyos karakterem néha kettőként?

Mivel kétféle módon lehet írni. Az é lehet egy kódpont a Latin-1 Supplement-ből, vagy e követve az akut akcentus kombinálása a Combining Diacritical Marks blokkjából. Azonosak néznek ki, és nem egyenlőek. A normalizálás az NFC-re az második alakzatot az első formára csomósítja, és az, amit a normalizálás eszköz számára végezhet.

Az emoji egy karakter?

Ritkán. Egy egyenlő megjelenített emoji gyakran több kódpont — egy alapszimbólum, bőrtónus módosítók, variáció választók, és zérus szélességű összekapcsolók, amely családot kötnek össze. Az 1 hossza a kivétel, nem a szabály, és minden kód, amely az indexet metsz, végül szétválaszt egyet.

Unicode blokkok

Latin#

Az kombinálása jelek és módosítók#

Az egyéb parancsikonok#

Az írásjelek és számok#

Az szimbólumok és rajz#

Az CJK és teljesség#

Az felett U+FFFF, és az az az speciális eset#