Unicode-block
Unicode delar sitt kodrum i namngivna block, var och en ett angränsat intervall reserverat för ett skript eller en familj av symboler. Att veta vilket block en karaktär bor i är vad som förvandlar ett mysterium — varför bröt den här klistringen, varför missar denna regex det — till en besvarbar fråga.
Blocknamnen är identifierare, inte beskrivningar: de används ordagrant i ett regex som \p{Block=Cyrillic} och i varje Unicode-datafil, så de förblir på engelska på alla språk. Vad som översätts är meningen bredvid dem.
Detta är ett kurerat urval snarare än alla ungefär 340 block — de som dyker upp när man arbetar med text. ASCII-tabellen täcker det första blocket i full detalj; denna sida börjar där den slutar.
Latin
5Latin är spritt över flera block, vilket är varför att matcha det efter block aldrig helt fungerar.
| Intervål | Block | Vad som är i det | Prov |
|---|---|---|---|
| U+0000–U+007F | Basic Latin | ASCII, oförändrad: Latinska bokstäver, siffror, skiljetecken, styrkoder | A z 0 ? |
| U+0080–U+00FF | Latin-1 Supplement | Västra europeiska accenter, plus £ § × ÷ och non-breaking space | é ñ ü × |
| U+0100–U+017F | Latin Extended-A | Centrala och östra europeiska accenter — č, ł, ő, ș | č ł ő š |
| U+0180–U+024F | Latin Extended-B | Ytterligare bokstäver för afrikansk och fonetisk stavning | ƒ ǎ ȳ |
| U+1E00–U+1EFF | Latin Extended Additional | Vietnamesiska och andra multi-akcentuerade latinska bokstäver | ạ ế ṛ |
Kombinationsmärken och modifierare
4Dessa fäster till tecknet före dem och har ingen bredd på egen hand.
| Intervål | Block | Vad som är i det | Prov |
|---|---|---|---|
| U+0300–U+036F | Combining Diacritical Marks | Accenter applicerade på föregående karaktärDet andra, dekomponerade sättet att skriva é. Normalisera till NFC för att kollapsa det. | ◌́ ◌̈ ◌̌ |
| U+02B0–U+02FF | Spacing Modifier Letters | Superskript bokstäver och IPA stress och tonmarker | ʰ ˈ ˚ |
| U+FE00–U+FE0F | Variation Selectors | Osynliga väljare som väljer text eller emoji-presentationVS16 är vad som förvandlar ✔ till en emoji. Osynlig, men den räknas. | |
| U+FE20–U+FE2F | Combining Half Marks | Halvor av märken som spänner två tecken |
Andra skript
8| Intervål | Block | Vad som är i det | Prov |
|---|---|---|---|
| U+0370–U+03FF | Greek and Coptic | Grekiska, och de koptiska bokstäver som delar sitt block | α Ω π |
| U+0400–U+04FF | Cyrillic | Ryska, ukrainska, serbiska, bulgariska och relaterade alfabet | д Я ж |
| U+0590–U+05FF | Hebrew | Hebreiska bokstäver, vokalpoäng och kantillationsmarker | א ש |
| U+0600–U+06FF | Arabic | Arabiska bokstäver, i deras isolerade former | ا ب ي |
| U+0900–U+097F | Devanagari | Hindi, Sanskrit, Marathi och relaterade språk | क ह |
| U+0E00–U+0E7F | Thai | Thailändska konsonanter, vokaler och tonmarker | ก ท |
| U+10A0–U+10FF | Georgian | Georgisk Mkhedruli | ა ბ |
| U+1F00–U+1FFF | Greek Extended | Polytonisk grekiska — accenterna i klassiska texter | ᾰ ῶ |
Skiljetecken och nummer
5Källan till de flesta osynliga tecken som överlever en kopia-klistring.
| Intervål | Block | Vad som är i det | Prov |
|---|---|---|---|
| U+2000–U+206F | General Punctuation | Bindestreck, lockiga citattecken, ellipsis — och de flesta osynliga mellanslagU+200B zero-width space och U+2060 word joiner bor här. | – — “ ” … |
| U+2070–U+209F | Superscripts and Subscripts | Superskript och subscript siffror och bokstäver | ⁰ ⁴ ₂ |
| U+20A0–U+20CF | Currency Symbols | Valutasignaler Latin-1 har ingen plats för — €, ₴, ₹, ₺ | € ₴ ₺ |
| U+2100–U+214F | Letterlike Symbols | Symboler byggda från bokstäver — ™, №, ℃, ℓ | ™ ℃ № |
| U+2150–U+218F | Number Forms | Gemena bråk och romerska siffror som enskilda tecken | ⅓ ⅕ Ⅷ |
Symboler och ritning
9| Intervål | Block | Vad som är i det | Prov |
|---|---|---|---|
| U+2190–U+21FF | Arrows | Pilar i varje riktning, enkla och dubbla | ← ↔ ⇒ |
| U+2200–U+22FF | Mathematical Operators | Matematiska operatorer — ∀, ∑, ≠, ∞ | ∀ ∑ ≠ |
| U+2300–U+23FF | Miscellaneous Technical | Tangentbords- och tekniska symboler — ⌘, ⌥, ⌫, ⏎ | ⌘ ⌥ ⏎ |
| U+2500–U+257F | Box Drawing | Linjer och hörn för terminala lådor och tabeller | ─ ┌ ╬ |
| U+2580–U+259F | Block Elements | Solida och skuggade block, använd för terminal-bar-diagram | █ ▓ ░ |
| U+25A0–U+25FF | Geometric Shapes | Rutor, cirklar, trianglar och diamanter | ■ ● ▲ |
| U+2600–U+26FF | Miscellaneous Symbols | Väder, astrologi, schack, kort och kortfärgerna | ☀ ★ ♥ |
| U+2700–U+27BF | Dingbats | Tryckares pynt — bockmarkeringar, sax, stjärnor | ✂ ✓ ➜ |
| U+2800–U+28FF | Braille Patterns | Alla 256 Braille-punktmönster, använd för terminalgrafikk också | ⠁ ⣿ |
CJK och fullbredd
6Helbreddsformer är egna tecken, inte ett typsnitt — de är skilda från sina ASCII-motsvarigheter.
| Intervål | Block | Vad som är i det | Prov |
|---|---|---|---|
| U+3000–U+303F | CJK Symbols and Punctuation | Ideografiskt mellanslag och CJK-skiljeteckenU+3000 är ett helbredd-mellanslag och trimmases inte av de flesta vitspaceregler. | 、 。 |
| U+3040–U+309F | Hiragana | Den japanska stavelsen för ursprungliga ord och grammatik | あ ん |
| U+30A0–U+30FF | Katakana | Den japanska stavelsen för lånord och betoning | ア ン |
| U+4E00–U+9FFF | CJK Unified Ideographs | Det huvudsakliga Han-blocket — nästan 21 000 tecken som delas av kinesiska, japanska och koreanska | 日 本 語 |
| U+AC00–U+D7AF | Hangul Syllables | Alla 11 172 förkomponerade koreanska stavelserVar och en kan också skrivas som separat Jamo, som normalisering förlikar. | 한 글 |
| U+FF00–U+FFEF | Halfwidth and Fullwidth Forms | Helbredd kopior av ASCII och halvbredd KatakanaＡ är inte A. Text inklistrad från CJK-former behöver ofta vikas till ASCII. | Ａ ！ ｱ |
Över U+FFFF, och specialfallen
10Allt här tar två UTF-16-enheter, vilket är där string-längdsbuggar kommer från.
| Intervål | Block | Vad som är i det | Prov |
|---|---|---|---|
| U+D800–U+DB7F | High Surrogates | Första hälften av ett UTF-16-par — aldrig giltigt på egen handEn ensamstehende surrogate är vad en sträng skuren genom en emoji lämnar bakom. | |
| U+DC00–U+DFFF | Low Surrogates | Andra hälften av ett UTF-16-par — aldrig giltigt på egen hand | |
| U+E000–U+F8FF | Private Use Area | Otilldelad genom design, för privata överenskommelserDär ikonfonter sätter sina glyfer. Meningslöst utan den matchande fonten. | |
| U+FFF0–U+FFFF | Specials | Ersättningstecknet och byte-ordermärkens relationerU+FFFD är vad du ser när en avkodare gav upp på en byte. | � |
| U+1D400–U+1D7FF | Mathematical Alphanumeric Symbols | Fet, kursiv, skript och dubbelslag alfabet som teckenKällan till 𝐟𝐚𝐤𝐞 𝐛𝐨𝐥𝐝 i sociala medienamn. Osökbar. | 𝐀 𝓪 𝟙 |
| U+1F300–U+1F5FF | Miscellaneous Symbols and Pictographs | De flesta icke-ansikts emoji — väder, föremål, platser, symboler | 🌍 🔥 📄 |
| U+1F600–U+1F64F | Emoticons | Ansikts-emoji | 😀 🙂 |
| U+1F680–U+1F6FF | Transport and Map Symbols | Fordon, trafik och kartanvändarsymboler | 🚀 🛑 |
| U+1F900–U+1F9FF | Supplemental Symbols and Pictographs | Senare emoji-tillskott — senare ansikten, gester, föremål | 🤖 🧠 |
| U+E0000–U+E007F | Tags | Osynliga taggtecken, använd i flaggsekvenserÄven vektorn för osynlig text som smugglats in i en normalt utseende sträng. |
FAQ
Vad är skillnaden mellan ett block och ett skript?
Ett block är ett angränsat intervall av kodpunkter; ett skript är skriftsystemet en karaktär tillhör. De är inte desamma och är ofta oense — Latinska karaktärer är spridda över minst sju block, och Combining Diacritical Marks-blocket används av flera skript samtidigt. I regex är \p{Script=Latin} nästan alltid vad du vill, inte \p{Block=…}.
Varför har de ersättarraderna ingen exempeltecken?
För att en surrogate inte är en karaktär. U+D800–U+DFFF är reserverade som en parmekanism för UTF-16: två av dem tillsammans kodar en kodpunkt ovanför U+FFFF. På egen hand är de ogiltig text, vilket är exakt varför en sträng skuren mitt i en emoji producerar ersättningstecknet — du behöll hälften av ett par.
Varför räknas mitt accenttecken ibland som två?
För att det finns två sätt att skriva det. é kan vara en kodpunkt från Latin-1 Supplement, eller e följt av ett kombinationsacutetecken från Combining Diacritical Marks-blocket. De ser identiska ut och jämför som ojämlika. Normalisering till NFC kollapsar den andra formen till den första, och det är vad ett normaliseringsverktyg är till för.
Är en emoji ett tecken?
Sällan. En enda visad emoji är ofta flera kodpunkter — en bassymbol, hudtonsmodifierare, variationselektorer och nollbreddsfogar som binder en familj tillsammans. En längd på 1 är undantaget, inte regeln, och all kod som skär strängar efter index kommer så småningom att dela en.