Blocchi Unicode

Unicode divide il suo spazio di codice in blocchi denominati, ognuno un intervallo contiguo riservato a uno script o una famiglia di simboli. Sapere in quale blocco vive un carattere è ciò che trasforma un mistero — perché ha incollato questo pausa, perché questo regex lo manca — in una domanda rispondibile.

I nomi dei blocchi sono identificatori, non descrizioni: sono usati letteralmente in un regex come \p{Block=Cyrillic} e in ogni file di dati Unicode, quindi rimangono in inglese in ogni lingua. Ciò che è tradotto è la frase accanto a loro.

Questa è una selezione curata piuttosto che tutti i circa 340 blocchi — quelli che si presentano quando si lavora con il testo. La tabella ASCII copre il primo blocco in dettaglio completo; questa pagina inizia dove quella si ferma.

Latino

Il latino si diffonde su diversi blocchi, ecco perché abbinarlo per blocco non funziona mai bene.

Intervallo	Blocco	Che cosa c'è dentro	Esempio
U+0000–U+007F	Basic Latin	ASCII, invariato: lettere latine, cifre, punteggiatura, codici di controllo	A z 0 ?
U+0080–U+00FF	Latin-1 Supplement	Accenti dell'Europa occidentale, più £ § × ÷ e lo spazio non-breaking	é ñ ü ×
U+0100–U+017F	Latin Extended-A	Accenti dell'Europa centrale e orientale — č, ł, ő, ș	č ł ő š
U+0180–U+024F	Latin Extended-B	Lettere aggiuntive per le ortografie africane e fonetiche	ƒ ǎ ȳ
U+1E00–U+1EFF	Latin Extended Additional	Vietnamita e altre lettere latine multi-accentate	ạ ế ṛ

Segni e modificatori combinanti

Questi si allegano al carattere prima di loro e non hanno larghezza propria.

Intervallo	Blocco	Che cosa c'è dentro	Esempio
U+0300–U+036F	Combining Diacritical Marks	Accenti applicati al carattere precedenteIl secondo, modo scomposto di scrivere é. Normalizzare a NFC per comprimerlo.	◌́ ◌̈ ◌̌
U+02B0–U+02FF	Spacing Modifier Letters	Lettere in apice e IPA stress e segni di tono	ʰ ˈ ˚
U+FE00–U+FE0F	Variation Selectors	Selettori invisibili che scelgono testo o presentazione emojiVS16 è ciò che trasforma ✔ in un emoji. Invisibile, ma conta.
U+FE20–U+FE2F	Combining Half Marks	Metà di segni che si estendono su due caratteri

Altri script

Intervallo	Blocco	Che cosa c'è dentro	Esempio
U+0370–U+03FF	Greek and Coptic	Greco, e le lettere copte che condividono il suo blocco	α Ω π
U+0400–U+04FF	Cyrillic	Russo, ucraino, serbo, bulgaro e alfabeti correlati	д Я ж
U+0590–U+05FF	Hebrew	Lettere ebraiche, punti vocali e segni di cantillazione	א ש
U+0600–U+06FF	Arabic	Lettere arabe, nelle loro forme isolate	ا ب ي
U+0900–U+097F	Devanagari	Hindi, sanscrito, marathi e lingue correlate	क ह
U+0E00–U+0E7F	Thai	Consonanti thai, vocali e segni di tono	ก ท
U+10A0–U+10FF	Georgian	Mkhedruli georgiano	ა ბ
U+1F00–U+1FFF	Greek Extended	Greco politonico — gli accenti dei testi classici	ᾰ ῶ

Punteggiatura e numeri

La fonte della maggior parte dei caratteri invisibili che sopravvivono a una copia-incolla.

Intervallo	Blocco	Che cosa c'è dentro	Esempio
U+2000–U+206F	General Punctuation	Trattini, virgolette ricci, ellissi — e la maggior parte degli spazi invisibiliU+200B spazio a larghezza zero e U+2060 word joiner vivono qui.	– — “ ” …
U+2070–U+209F	Superscripts and Subscripts	Cifre e lettere in apice e pedice	⁰ ⁴ ₂
U+20A0–U+20CF	Currency Symbols	Simboli di valuta che Latin-1 non ha spazio per — €, ₴, ₹, ₺	€ ₴ ₺
U+2100–U+214F	Letterlike Symbols	Simboli costruiti da lettere — ™, №, ℃, ℓ	™ ℃ №
U+2150–U+218F	Number Forms	Frazioni volgari e numeri romani come caratteri singoli	⅓ ⅕ Ⅷ

Simboli e disegno

Intervallo	Blocco	Che cosa c'è dentro	Esempio
U+2190–U+21FF	Arrows	Frecce in ogni direzione, singola e doppia	← ↔ ⇒
U+2200–U+22FF	Mathematical Operators	Operatori matematici — ∀, ∑, ≠, ∞	∀ ∑ ≠
U+2300–U+23FF	Miscellaneous Technical	Simboli di tastiera e tecnici — ⌘, ⌥, ⌫, ⏎	⌘ ⌥ ⏎
U+2500–U+257F	Box Drawing	Linee e angoli per caselle terminali e tabelle	─ ┌ ╬
U+2580–U+259F	Block Elements	Blocchi solidi e ombreggiati, utilizzati per grafici a barre terminali	█ ▓ ░
U+25A0–U+25FF	Geometric Shapes	Quadrati, cerchi, triangoli e diamanti	■ ● ▲
U+2600–U+26FF	Miscellaneous Symbols	Meteo, astrologia, scacchi, carte e i semi delle carte	☀ ★ ♥
U+2700–U+27BF	Dingbats	Ornamenti del tipografo — segni di spunta, forbici, stelle	✂ ✓ ➜
U+2800–U+28FF	Braille Patterns	Tutti i 256 modelli di punti Braille, utilizzati anche per la grafica terminale	⠁ ⣿

CJK e a larghezza intera

Le forme a larghezza intera sono caratteri separati dai loro gemelli ASCII, non un font.

Intervallo	Blocco	Che cosa c'è dentro	Esempio
U+3000–U+303F	CJK Symbols and Punctuation	Spazio ideografico e punteggiatura CJKU+3000 è uno spazio a larghezza intera e non viene tagliato dalla maggior parte delle regole di spazio.	、。
U+3040–U+309F	Hiragana	La sillabario giapponese per parole native e grammatica	あん
U+30A0–U+30FF	Katakana	La sillabario giapponese per prestiti e enfasi	アン
U+4E00–U+9FFF	CJK Unified Ideographs	Il blocco Han principale — quasi 21.000 caratteri condivisi da cinese, giapponese e coreano	日本語
U+AC00–U+D7AF	Hangul Syllables	Tutti gli 11.172 sillabi coreani precompostiOgni uno può anche essere scritto come Jamo separato, che la normalizzazione riconcilia.	한 글
U+FF00–U+FFEF	Halfwidth and Fullwidth Forms	Copie a larghezza intera di ASCII e Katakana a mezza larghezzaＡ non è A. Il testo incollato dai moduli CJK spesso ha bisogno di essere piegato in ASCII.	Ａ！ｱ

Sopra U+FFFF, e i casi speciali

Qualsiasi cosa qui richiede due unità UTF-16, che è da dove provengono i bug di lunghezza della stringa.

Intervallo	Blocco	Che cosa c'è dentro	Esempio
U+D800–U+DB7F	High Surrogates	Prima metà di una coppia UTF-16 — mai valida da solaUn surrogato solo è ciò che una stringa tagliata attraverso un emoji lascia alle spalle.
U+DC00–U+DFFF	Low Surrogates	Seconda metà di una coppia UTF-16 — mai valida da sola
U+E000–U+F8FF	Private Use Area	Non assegnato da progettazione, per accordi privatiDove i font icon mettono i loro glifi. Senza significato senza il font corrispondente.
U+FFF0–U+FFFF	Specials	Il carattere di sostituzione e i relativi dell'ordine di byteU+FFFD è quello che vedi quando un decoder ha rinunciato a un byte.	�
U+1D400–U+1D7FF	Mathematical Alphanumeric Symbols	Alfabeti grassetto, corsivo, script e doppio colpo come caratteriLa fonte di 𝐟𝐚𝐤𝐞 𝐛𝐨𝐥𝐝 nei nomi dei social media. Non ricercabile.	𝐀 𝓪 𝟙
U+1F300–U+1F5FF	Miscellaneous Symbols and Pictographs	La maggior parte delle emoji non-faccia — meteo, oggetti, luoghi, simboli	🌍 🔥 📄
U+1F600–U+1F64F	Emoticons	L'emoji della faccia	😀 🙂
U+1F680–U+1F6FF	Transport and Map Symbols	Veicoli, traffico e simboli di mappa	🚀 🛑
U+1F900–U+1F9FF	Supplemental Symbols and Pictographs	Aggiunte successive di emoji — facce successive, gesti, oggetti	🤖 🧠
U+E0000–U+E007F	Tags	Caratteri tag invisibili, utilizzati in sequenze di flagAnche il vettore per il testo invisibile contrabbandato all'interno di una stringa apparentemente normale.

FAQ

Qual è la differenza tra un blocco e uno script?

Un blocco è un intervallo contiguo di punti di codice; uno script è il sistema di scrittura a cui appartiene un carattere. Non sono gli stessi e spesso discordano — i caratteri latini sono distribuiti su almeno sette blocchi, e il blocco Combining Diacritical Marks è usato da diversi script contemporaneamente. In regex, \p{Script=Latin} è quasi sempre quello che vuoi, non \p{Block=…}.

Perché le righe surrogate non hanno caratteri di esempio?

Perché un surrogate non è un carattere. U+D800–U+DFFF sono riservati come meccanismo di coppia per UTF-16: due di loro insieme codificano un punto di codice sopra U+FFFF. Da soli sono testo non valido, che è esattamente perché una stringa tagliata nel mezzo di un emoji produce il carattere di sostituzione — hai mantenuto metà di una coppia.

Perché il mio carattere accentato a volte conta come due?

Perché ci sono due modi di scriverlo. é può essere un punto di codice dalla Latin-1 Supplement, o e seguito da un accento acuto che combina dal blocco Combining Diacritical Marks. Sembrano identici e si confrontano come diseguali. La normalizzazione a NFC comprime la seconda forma nella prima, e quello è ciò per cui esiste uno strumento di normalizzazione.

Un emoji è un carattere?

Raramente. Un singolo emoji visualizzato è spesso più punti di codice — un simbolo di base, modificatori del tono della pelle, selettori di variazione e joiner a larghezza zero che legano una famiglia insieme. Una lunghezza di 1 è l'eccezione, non la regola, e qualsiasi codice che affetta le stringhe per indice alla fine ne dividerà uno.

Blocchi Unicode

Latino#

Segni e modificatori combinanti#

Altri script#

Punteggiatura e numeri#

Simboli e disegno#

CJK e a larghezza intera#

Sopra U+FFFF, e i casi speciali#

FAQ

Strumenti correlati