Unicode定义了两种等价000规范等价和兼容性等价。 Unicode Technical Annex #15 中关于兼容性等价的示例是 SUPERSCRIPT ONE (U+00B9) 和 DIGIT ONE (U+0031)。它不讨论视觉上无法区分的字符。
我很好奇在视觉上无法区分的字符是否在标准下具有兼容性等价性。
谢谢..
最佳答案
ᴇᴅɪᴛ:已添加 正是 原始问题在底部寻找什么。这真的很酷。
关于 ʀᴏᴍᴀɴ ɴᴜᴍᴇʀᴀʟ ᴏɴᴇ 和 ʟᴀᴛɪɴ ᴄᴀᴘɪᴛᴀʟ ʟᴇᴛᴛᴇʀ ɪ 的问题的答案是 是 .这是一个快速检查的方法:
$ perl -Mcharnames=:full -MUnicode::Normalize -le 'print
NFKD "\N{ROMAN NUMERAL ONE}" eq NFKD "\N{LATIN CAPITAL LETTER I}"'
1
但是，关于视觉上无法区分的字符是否具有兼容性等价的问题的答案绝对是 。不!
例如，ᴄʜᴇʀᴏᴋᴇᴇ ʟᴇᴛᴛᴇʀ ɢᴏ (Ꭺ) 看起来像 ʟᴀᴛɪɴ ᴄᴀᴘɪᴛᴀʟ ʟᴇᴛᴛᴇʀ ᴀ (A)，但肯定不是 NFKD 等价物。与 ɢʀᴇᴇᴋ ᴄᴀᴘɪᴛᴀʟ ʟᴇᴛᴛᴇʀ ᴀʟᴘʜᴀ (Α) 和 ᴄʏʀɪʟʟɪᴄ ᴄᴀᴘɪᴛᴀʟ ʟᴇᴛᴛᴇʀ 类似。实际上有无数个(好吧，我数不过来:)这样的问题。例如，NFKD 等效于 ʟᴀᴛɪɴ ᴄᴀᴘɪᴛᴀʟ ʟᴇᴛᴛᴇʀ ᴀ 的唯一代码点是:
U+00041 A GC=Lu SC=Latin LATIN CAPITAL LETTER A
U+01D2C ᴬ GC=Lm SC=Latin MODIFIER LETTER CAPITAL A
U+024B6 Ⓐ GC=So SC=Common CIRCLED LATIN CAPITAL LETTER A
U+0FF21 Ａ GC=Lu SC=Latin FULLWIDTH LATIN CAPITAL LETTER A
U+1D400 𝐀 GC=Lu SC=Common MATHEMATICAL BOLD CAPITAL A
U+1D434 𝐴 GC=Lu SC=Common MATHEMATICAL ITALIC CAPITAL A
U+1D468 𝑨 GC=Lu SC=Common MATHEMATICAL BOLD ITALIC CAPITAL A
U+1D49C 𝒜 GC=Lu SC=Common MATHEMATICAL SCRIPT CAPITAL A
U+1D4D0 𝓐 GC=Lu SC=Common MATHEMATICAL BOLD SCRIPT CAPITAL A
U+1D504 𝔄 GC=Lu SC=Common MATHEMATICAL FRAKTUR CAPITAL A
U+1D538 𝔸 GC=Lu SC=Common MATHEMATICAL DOUBLE-STRUCK CAPITAL A
U+1D56C 𝕬 GC=Lu SC=Common MATHEMATICAL BOLD FRAKTUR CAPITAL A
U+1D5A0 𝖠 GC=Lu SC=Common MATHEMATICAL SANS-SERIF CAPITAL A
U+1D5D4 𝗔 GC=Lu SC=Common MATHEMATICAL SANS-SERIF BOLD CAPITAL A
U+1D608 𝘈 GC=Lu SC=Common MATHEMATICAL SANS-SERIF ITALIC CAPITAL A
U+1D63C 𝘼 GC=Lu SC=Common MATHEMATICAL SANS-SERIF BOLD ITALIC CAPITAL A
U+1D670 𝙰 GC=Lu SC=Common MATHEMATICAL MONOSPACE CAPITAL A
U+1F130 🄰 GC=So SC=Common SQUARED LATIN CAPITAL LETTER A
同样，这里是 NFKD 等效于 ʟᴀᴛɪɴ ᴄᴀᴘɪᴛᴀʟ ʟᴇᴛᴛᴇʀ ɪ 的代码点:
U+00049 I GC=Lu SC=Latin LATIN CAPITAL LETTER I
U+01D35 ᴵ GC=Lm SC=Latin MODIFIER LETTER CAPITAL I
U+02110 ℐ GC=Lu SC=Common SCRIPT CAPITAL I
U+02111 ℑ GC=Lu SC=Common BLACK-LETTER CAPITAL I
U+02160 Ⅰ GC=Nl SC=Latin ROMAN NUMERAL ONE
U+024BE Ⓘ GC=So SC=Common CIRCLED LATIN CAPITAL LETTER I
U+0FF29 Ｉ GC=Lu SC=Latin FULLWIDTH LATIN CAPITAL LETTER I
U+1D408 𝐈 GC=Lu SC=Common MATHEMATICAL BOLD CAPITAL I
U+1D43C 𝐼 GC=Lu SC=Common MATHEMATICAL ITALIC CAPITAL I
U+1D470 𝑰 GC=Lu SC=Common MATHEMATICAL BOLD ITALIC CAPITAL I
U+1D4D8 𝓘 GC=Lu SC=Common MATHEMATICAL BOLD SCRIPT CAPITAL I
U+1D540 𝕀 GC=Lu SC=Common MATHEMATICAL DOUBLE-STRUCK CAPITAL I
U+1D574 𝕴 GC=Lu SC=Common MATHEMATICAL BOLD FRAKTUR CAPITAL I
U+1D5A8 𝖨 GC=Lu SC=Common MATHEMATICAL SANS-SERIF CAPITAL I
U+1D5DC 𝗜 GC=Lu SC=Common MATHEMATICAL SANS-SERIF BOLD CAPITAL I
U+1D610 𝘐 GC=Lu SC=Common MATHEMATICAL SANS-SERIF ITALIC CAPITAL I
U+1D644 𝙄 GC=Lu SC=Common MATHEMATICAL SANS-SERIF BOLD ITALIC CAPITAL I
U+1D678 𝙸 GC=Lu SC=Common MATHEMATICAL MONOSPACE CAPITAL I
U+1F138 🄸 GC=So SC=Common SQUARED LATIN CAPITAL LETTER I
请注意，这里没有 ɢʀᴇᴇᴋ ᴄᴀᴘɪᴛᴀʟ ʟᴇᴛᴛᴇʀ ɪᴏᴛᴀ，仅作为一个例子。
您不能使用 NFKD 来查找相似对象，并且某些与 NKFD 等效的东西看起来不太相似。所以在一般情况下你不能这样做。这不是一个问题，您甚至可以在不查看实际字体的情况下开始查看。
我相信 ICU 对此有一个扩展的非标准属性，例如
\p{X-Confusable=A} .我为此下载了他们的数据文件，但还没有玩太多。更新
原来UTS #39, Unicode Security Mechanisms , 正是你要找的东西。如果您获取 its raw, plaintext datafiles ，您将能够确定哪些代码点可能相互混淆。
例如，在本消息前面的文本中，我列举了与 ʟᴀᴛɪɴ ᴄᴀᴘɪᴛᴀʟ ʟᴇᴛᴛᴇʀ ɪ 等价的 NFKD 代码点，并指出该集合中缺少许多潜在的易混淆项。这是因为 NFKD 映射并非旨在检测可混淆物。然而，来自 UTS#39 的数据文件正是为这个目的而设计的。
为了重做我的 ʟᴀᴛɪɴ ᴄᴀᴘɪᴛᴀʟ ʟᴇᴛᴛᴇʀ ɪ 枚举，更新它以处理 UTS#39 认为与它相互混淆的所有代码点，我们有这些，使用 unichars 格式化并使用 ucsort 按照 Unicode 排序算法的顺序排序:
U+0007C | GC=Sm SC=Common VERTICAL LINE
U+02223 ∣ GC=Sm SC=Common DIVIDES
U+0FFE8 ￨ GC=So SC=Common HALFWIDTH FORMS LIGHT VERTICAL
U+00031 1 GC=Nd SC=Common DIGIT ONE
U+1D7CF 𝟏 GC=Nd SC=Common MATHEMATICAL BOLD DIGIT ONE
U+1D7D9 𝟙 GC=Nd SC=Common MATHEMATICAL DOUBLE-STRUCK DIGIT ONE
U+1D7E3 𝟣 GC=Nd SC=Common MATHEMATICAL SANS-SERIF DIGIT ONE
U+1D7ED 𝟭 GC=Nd SC=Common MATHEMATICAL SANS-SERIF BOLD DIGIT ONE
U+1D7F7 𝟷 GC=Nd SC=Common MATHEMATICAL MONOSPACE DIGIT ONE
U+00049 I GC=Lu SC=Latin LATIN CAPITAL LETTER I
U+0FF29 Ｉ GC=Lu SC=Latin FULLWIDTH LATIN CAPITAL LETTER I
U+02160 Ⅰ GC=Nl SC=Latin ROMAN NUMERAL ONE
U+02110 ℐ GC=Lu SC=Common SCRIPT CAPITAL I
U+02111 ℑ GC=Lu SC=Common BLACK-LETTER CAPITAL I
U+1D408 𝐈 GC=Lu SC=Common MATHEMATICAL BOLD CAPITAL I
U+1D43C 𝐼 GC=Lu SC=Common MATHEMATICAL ITALIC CAPITAL I
U+1D470 𝑰 GC=Lu SC=Common MATHEMATICAL BOLD ITALIC CAPITAL I
U+1D4D8 𝓘 GC=Lu SC=Common MATHEMATICAL BOLD SCRIPT CAPITAL I
U+1D540 𝕀 GC=Lu SC=Common MATHEMATICAL DOUBLE-STRUCK CAPITAL I
U+1D574 𝕴 GC=Lu SC=Common MATHEMATICAL BOLD FRAKTUR CAPITAL I
U+1D5A8 𝖨 GC=Lu SC=Common MATHEMATICAL SANS-SERIF CAPITAL I
U+1D5DC 𝗜 GC=Lu SC=Common MATHEMATICAL SANS-SERIF BOLD CAPITAL I
U+1D610 𝘐 GC=Lu SC=Common MATHEMATICAL SANS-SERIF ITALIC CAPITAL I
U+1D644 𝙄 GC=Lu SC=Common MATHEMATICAL SANS-SERIF BOLD ITALIC CAPITAL I
U+1D678 𝙸 GC=Lu SC=Common MATHEMATICAL MONOSPACE CAPITAL I
U+00196 Ɩ GC=Lu SC=Latin LATIN CAPITAL LETTER IOTA
U+0006C l GC=Ll SC=Latin LATIN SMALL LETTER L
U+0FF4C ｌ GC=Ll SC=Latin FULLWIDTH LATIN SMALL LETTER L
U+0217C ⅼ GC=Nl SC=Latin SMALL ROMAN NUMERAL FIFTY
U+02113 ℓ GC=Ll SC=Common SCRIPT SMALL L
U+1D425 𝐥 GC=Ll SC=Common MATHEMATICAL BOLD SMALL L
U+1D459 𝑙 GC=Ll SC=Common MATHEMATICAL ITALIC SMALL L
U+1D48D 𝒍 GC=Ll SC=Common MATHEMATICAL BOLD ITALIC SMALL L
U+1D4C1 𝓁 GC=Ll SC=Common MATHEMATICAL SCRIPT SMALL L
U+1D4F5 𝓵 GC=Ll SC=Common MATHEMATICAL BOLD SCRIPT SMALL L
U+1D529 𝔩 GC=Ll SC=Common MATHEMATICAL FRAKTUR SMALL L
U+1D55D 𝕝 GC=Ll SC=Common MATHEMATICAL DOUBLE-STRUCK SMALL L
U+1D591 𝖑 GC=Ll SC=Common MATHEMATICAL BOLD FRAKTUR SMALL L
U+1D5C5 𝗅 GC=Ll SC=Common MATHEMATICAL SANS-SERIF SMALL L
U+1D5F9 𝗹 GC=Ll SC=Common MATHEMATICAL SANS-SERIF BOLD SMALL L
U+1D62D 𝘭 GC=Ll SC=Common MATHEMATICAL SANS-SERIF ITALIC SMALL L
U+1D661 𝙡 GC=Ll SC=Common MATHEMATICAL SANS-SERIF BOLD ITALIC SMALL L
U+1D695 𝚕 GC=Ll SC=Common MATHEMATICAL MONOSPACE SMALL L
U+001C0 ǀ GC=Lo SC=Latin LATIN LETTER DENTAL CLICK
U+00399 Ι GC=Lu SC=Greek GREEK CAPITAL LETTER IOTA
U+1D6B0 𝚰 GC=Lu SC=Common MATHEMATICAL BOLD CAPITAL IOTA
U+1D6EA 𝛪 GC=Lu SC=Common MATHEMATICAL ITALIC CAPITAL IOTA
U+1D724 𝜤 GC=Lu SC=Common MATHEMATICAL BOLD ITALIC CAPITAL IOTA
U+1D75E 𝝞 GC=Lu SC=Common MATHEMATICAL SANS-SERIF BOLD CAPITAL IOTA
U+1D798 𝞘 GC=Lu SC=Common MATHEMATICAL SANS-SERIF BOLD ITALIC CAPITAL IOTA
U+02C92 Ⲓ GC=Lu SC=Coptic COPTIC CAPITAL LETTER IAUDA
U+00406 І GC=Lu SC=Cyrillic CYRILLIC CAPITAL LETTER BYELORUSSIAN-UKRAINIAN I
U+004C0 Ӏ GC=Lu SC=Cyrillic CYRILLIC LETTER PALOCHKA
U+005D5 ו GC=Lo SC=Hebrew HEBREW LETTER VAV
U+005DF ן GC=Lo SC=Hebrew HEBREW LETTER FINAL NUN
U+007CA ߊ GC=Lo SC=Nko NKO LETTER A
U+02D4F ⵏ GC=Lo SC=Tifinagh TIFINAGH LETTER YAN
U+0A4F2 ꓲ GC=Lo SC=Lisu LISU LETTER I
虽然很漂亮，但它变得更好。数据文件不仅包括单代码点可混淆文件，还包括在某些情况下可能需要多个代码点的可混淆文件。例如，这是一组这样的集合，这次是文件原生格式:
# C̦ С̡ Ç Ҫ
( C̦ ) 0043 0326 LATIN CAPITAL LETTER C, COMBINING COMMA BELOW
← ( С̡ ) 0421 0321 CYRILLIC CAPITAL LETTER ES, COMBINING PALATALIZED HOOK BELOW
← ( Ç ) 00C7 LATIN CAPITAL LETTER C WITH CEDILLA # →Ҫ→→С̡→
← ( Ҫ ) 04AA CYRILLIC CAPITAL LETTER ES WITH DESCENDER # →С̡→
这不是膨胀吗？唯一的障碍是，除非您使用 ICU 类，否则您必须从 UTS#39 数据文件中滚动您自己的类。
由于没有其他我知道的语言绑定(bind)，我已将其添加到我的 ᴛᴏᴅᴏ 列表中以创建 Perl 绑定(bind)以模仿 ICU 的写作风格
\p{X-Confusable=I}在正则表达式引擎中。请注意，您可能还希望同时考虑 UTS#36 和 UTS#39，ICU
SpoofChecker 类句柄为您服务。它专门用于 URI 类型的东西(阅读:互联网标识符，它使用受限字符集)，而不仅仅是任何旧的任意文本。
关于unicode - 拉丁大写字母 I (U+0049) 和罗马数字一 (U+2160) 是否具有 unicode 兼容性等价性？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/8841290/