Unicode blokları
Unicode kod alanını adlandırılmış bloklara böler, her biri bir komut dosyası veya bir sembol ailesi için ayrılmış bitişik bir aralık. Bir karakterin hangi blokta yaşadığını bilmek bir gizemi — bu yapıştırma neden kırılmıştır, bu regex neden onu kaçırmıştır — cevaplanabilir bir soruya dönüştürür.
Blok adları tanımlayıcıdır, tanımlar değildir: \p{Block=Cyrillic} gibi bir regexte sözüyle kullanılırlar ve her Unicode veri dosyasında, bu nedenle her dilde İngilizce kalırlar. Çevrilen şey yanlarındaki cümledir.
Bu, kabaca 340 bloğun tümü yerine metin işiyle çalışırken ortaya çıkan küratörlü bir seçimidir. ASCII tablosu ilk bloğu tamamen ayrıntıyla kapsar; bu sayfa oradan başlar.
Latin
5Latin birkaç bloka yayılır, bu yüzden blok tarafından eşleştirme hiçbir zaman oldukça çalışmaz.
| Aralık | Blok | İçinde ne var | Örnek |
|---|---|---|---|
| U+0000–U+007F | Basic Latin | ASCII, değişmez: Latin harfleri, rakamlar, noktalama, kontrol kodları | A z 0 ? |
| U+0080–U+00FF | Latin-1 Supplement | Batı Avrupa aksan, artı £ § × ÷ ve bölünmez boşluk | é ñ ü × |
| U+0100–U+017F | Latin Extended-A | Orta ve Doğu Avrupa aksan — č, ł, ő, ș | č ł ő š |
| U+0180–U+024F | Latin Extended-B | Afrika ve fonetik yazım için ek harfler | ƒ ǎ ȳ |
| U+1E00–U+1EFF | Latin Extended Additional | Çokkatlı sesli harfleri olan Vietnamca ve diğer Latin harfleri | ạ ế ṛ |
Birleştirici işaretler ve değiştiriciler
4Bunlar onlardan önceki karaktere bağlanır ve kendi genişlikleri yoktur.
| Aralık | Blok | İçinde ne var | Örnek |
|---|---|---|---|
| U+0300–U+036F | Combining Diacritical Marks | Aksan önceki karaktere uygulanmışİkinci, ayrıştırılmış é yazma yolu. NFC'ye normalleştirme bunu çöker. | ◌́ ◌̈ ◌̌ |
| U+02B0–U+02FF | Spacing Modifier Letters | Üstsimge harfleri ve IPA stres ve ton işaretleri | ʰ ˈ ˚ |
| U+FE00–U+FE0F | Variation Selectors | Metin seçim veya emoji sunumunu seçen görünmez seçicilerVS16 ✔'yi emoji'ye dönüştürür. Görünmez, ancak sayılır. | |
| U+FE20–U+FE2F | Combining Half Marks | İki karakteri kaplayan işaretler |
Diğer komut dosyaları
8| Aralık | Blok | İçinde ne var | Örnek |
|---|---|---|---|
| U+0370–U+03FF | Greek and Coptic | Yunan ve Koptik harfleri bu bloğu paylaşır | α Ω π |
| U+0400–U+04FF | Cyrillic | Rus, Ukrayna, Sırp, Bulgar ve ilgili alfabeler | д Я ж |
| U+0590–U+05FF | Hebrew | Araştırma harfleri, ünlü noktaları ve kantilasyon işaretleri | א ש |
| U+0600–U+06FF | Arabic | Arapça harfleri, izole formlarında | ا ب ي |
| U+0900–U+097F | Devanagari | Hintçe, Sanskritçe, Marathi ve ilgili diller | क ह |
| U+0E00–U+0E7F | Thai | Tay ünsüzleri, ünlüler ve ton işaretleri | ก ท |
| U+10A0–U+10FF | Georgian | Georgian Mkhedruli | ა ბ |
| U+1F00–U+1FFF | Greek Extended | Polytonic Yunanistan — klasik metinlerin aksan | ᾰ ῶ |
Noktalama ve sayılar
5Bir kopyala yapıştırdan hayatta kalacak görünmez karakterlerin çoğunun kaynağı.
| Aralık | Blok | İçinde ne var | Örnek |
|---|---|---|---|
| U+2000–U+206F | General Punctuation | Tireleri, kıvrımlı tırnakları, elipsis — ve en görünmez boşluklarU+200B sıfır genişlik boşluğu ve U+2060 sözcük birleştiricisi burada yaşar. | – — “ ” … |
| U+2070–U+209F | Superscripts and Subscripts | Üstsimge ve altsimge rakamlar ve harfler | ⁰ ⁴ ₂ |
| U+20A0–U+20CF | Currency Symbols | Latin-1'in yer olmadığı para birlikleri — €, ₴, ₹, ₺ | € ₴ ₺ |
| U+2100–U+214F | Letterlike Symbols | Harflerden inşa edilen semboller — ™, №, ℃, ℓ | ™ ℃ № |
| U+2150–U+218F | Number Forms | Vulgar kesirleri ve Roma rakamları tek karakterler olarak | ⅓ ⅕ Ⅷ |
Semboller ve çizim
9| Aralık | Blok | İçinde ne var | Örnek |
|---|---|---|---|
| U+2190–U+21FF | Arrows | Her yönde oklar, tek ve çift | ← ↔ ⇒ |
| U+2200–U+22FF | Mathematical Operators | Matematiksel operatörler — ∀, ∑, ≠, ∞ | ∀ ∑ ≠ |
| U+2300–U+23FF | Miscellaneous Technical | Tuş takımı ve teknik semboller — ⌘, ⌥, ⌫, ⏎ | ⌘ ⌥ ⏎ |
| U+2500–U+257F | Box Drawing | Terminal kutuları ve tablolar için çizgiler ve köşeler | ─ ┌ ╬ |
| U+2580–U+259F | Block Elements | Katı ve gölgeli bloklar, terminal çubuk grafikleri için kullanılan | █ ▓ ░ |
| U+25A0–U+25FF | Geometric Shapes | Kareler, daireler, üçgenler ve elmaslar | ■ ● ▲ |
| U+2600–U+26FF | Miscellaneous Symbols | Hava durumu, astroloji, satranç, kartlar ve kart takımları | ☀ ★ ♥ |
| U+2700–U+27BF | Dingbats | Yazıcı süsleri — kontrol işaretleri, makas, yıldızlar | ✂ ✓ ➜ |
| U+2800–U+28FF | Braille Patterns | Tüm 256 Braille nokta desenleri, terminal grafikleri için de kullanılan | ⠁ ⣿ |
CJK ve tam genişlik
6Tam genişlik formları ASCII ikizlerinden ayrı karakterlerdir, yazı tipi değil.
| Aralık | Blok | İçinde ne var | Örnek |
|---|---|---|---|
| U+3000–U+303F | CJK Symbols and Punctuation | İdeografik boşluk ve CJK noktalamaU+3000 tam genişlik boşluk ve çoğu boşluk kuralları tarafından kısaltılmaz. | 、 。 |
| U+3040–U+309F | Hiragana | Yerli kelimeleri ve dilbilgisi için Japonca heceleme | あ ん |
| U+30A0–U+30FF | Katakana | Ödünç verilen kelimeleri ve vurgu için Japonca heceleme | ア ン |
| U+4E00–U+9FFF | CJK Unified Ideographs | Çin, Japonya ve Kore tarafından paylaşılan ana Han bloğu — neredeyse 21.000 karakter | 日 本 語 |
| U+AC00–U+D7AF | Hangul Syllables | Tüm 11.172 önceden oluşturulmuş Kore heceleriHer biri ayrı Jamo olarak da yazılabilir, normalleştirme uzlaştırır. | 한 글 |
| U+FF00–U+FFEF | Halfwidth and Fullwidth Forms | ASCII'nin tam genişlik kopyaları ve yarı genişlik KatakanaＡ A değildir. CJK formlarından yapıştırılan metin genellikle ASCII'ye katlanmaya ihtiyaç duyar. | Ａ ！ ｱ |
U+FFFF'nin üzerinde ve özel durumlar
10Burada herhangi bir şey iki UTF-16 birimi alır, bu da dize-uzunluk hatalarının kaynağıdır.
| Aralık | Blok | İçinde ne var | Örnek |
|---|---|---|---|
| U+D800–U+DB7F | High Surrogates | UTF-16 çiftinin ilk yarısı — hiçbir zaman kendi başında geçerli değilYalnız bir vekil bir emoji aracılığında kesilen dizenin ardından bıraktığı şeydir. | |
| U+DC00–U+DFFF | Low Surrogates | UTF-16 çiftinin ikinci yarısı — hiçbir zaman kendi başında geçerli değil | |
| U+E000–U+F8FF | Private Use Area | Tasarım tarafından atanmamış, özel anlaşmalar içinIcon yazı tiplerinin glifleri nereye koyarlar. Eşleşen yazı tipi olmadan anlamsız. | |
| U+FFF0–U+FFFF | Specials | Değiştirme karakteri ve bayt sıra işaretinin akrabalarıU+FFFD bir kod çözücü teslim olduğunda ne görürsünüz. | � |
| U+1D400–U+1D7FF | Mathematical Alphanumeric Symbols | Kalın, italik, komut dosyası ve çift vuruş alfabeleri karakter olarakSosyal medya adlarında 𝐟𝐚𝐤𝐞 𝐛𝐨𝐥𝐝 kaynağı. Araştırılamaz. | 𝐀 𝓪 𝟙 |
| U+1F300–U+1F5FF | Miscellaneous Symbols and Pictographs | En çok yüz olmayan emoji — hava durumu, nesneler, yerler, semboller | 🌍 🔥 📄 |
| U+1F600–U+1F64F | Emoticons | Yüz emoji | 😀 🙂 |
| U+1F680–U+1F6FF | Transport and Map Symbols | Araçlar, trafik ve harita sembolleri | 🚀 🛑 |
| U+1F900–U+1F9FF | Supplemental Symbols and Pictographs | Sonraki emoji ilaveler — sonraki yüzler, hareketler, nesneler | 🤖 🧠 |
| U+E0000–U+E007F | Tags | Bayrak dizilerinde kullanılan görünmez etiket karakterleriAyrıca normal görünümlü bir dize içine gizli metin kaçırmanın vektörü. |
FAQ
Bir blok ile bir komut dosyası arasındaki fark nedir?
Bir blok kod noktalarının bitişik bir aralığı; bir komut dosyası bir karakterin ait olduğu yazı sistemidir. Aynı değiller ve genellikle anlaşmazlığa düşerler — Latin karakterleri en az yedi bloka yayılır ve Combining Diacritical Marks bloğu birkaç komut dosyası tarafından aynı anda kullanılır. Regexde, \p{Script=Latin} neredeyse her zaman istediğiniz şeydir, \p{Block=…} değil.
Vekil satırları neden örnek karakterleri yoktur?
Çünkü bir vekil bir karakter değildir. U+D800–U+DFFF, UTF-16 için bir çift mekanizması olarak ayrılmıştır: ikisi birlikte U+FFFF'den yukarıda bir kod noktasını kodlarlar. Kendi başlarına geçersiz metindir, ki bu tam olarak neden bir emoji'nin ortasında kesilen bir dizenin değiştirme karakterini ürettiğidir — çiftin yarısını tuttunuz.
Aksan karakterim bazen neden iki olarak sayılır?
Çünkü bunu yazmanın iki yolu vardır. é Latin-1 Supplement'ten bir kod noktası veya Combining Diacritical Marks bloğundan bir gönderim aksan tarafından e olabilir. Aynı görünür ve eşit olmayan karşılaştırmalar yapılır. NFC'ye normalleştirme, ikinci formu birinciye çöker ve bu bir normalleştirme aracı içindir.
Emoji bir karakter midir?
Nadir. Tek bir görüntülenen emoji genellikle birkaç kod noktasıdır — bir temel sembol, cilt tonu değiştiricileri, varyasyon seçicileri ve bir aile bağlamak için sıfır genişlik birleştiriciler. Bir uzunluk 1 istisna, norm değil ve indeks tarafından dizeleri kesen herhangi bir kod sonunda bir tanesini bölecek.