Bloki Unicode

Unicode dzieli swoją przestrzeń kodową na nazwane bloki, każdy z ciągłym zakresem zarezerwowanym dla jednego skryptu lub jednej rodziny symboli. Wiedza, w jakim bloku żyje znak, zamienia tajemnicę — dlaczego ta wklejka się złamała, dlaczego ta regex to pominęła — w pytanie, które można odpowiedzieć.

Nazwy bloków są identyfikatorami, nie opisami: są używane dosłownie w regex jako \p{Block=Cyrillic} i w każdym pliku danych Unicode, więc pozostają w angielskim w każdym języku. To, co jest tłumaczone, to zdanie obok nich.

To wyselekcjonowany wybór, a nie wszystkie z około 340 bloków — te, które pojawiają się podczas pracy z tekstem. Tabela ASCII obejmuje pierwszy blok w pełnych szczegółach; ta strona zaczyna się od miejsca, w którym ta się kończy.

Łacina

Łacina jest rozrzucona na kilka bloków, dlatego dopasowanie jej przez blok nigdy nie działa całkowicie.

Zasięg	Blok	Co jest w tym	Próbka
U+0000–U+007F	Basic Latin	ASCII, bez zmian: łacińskie litery, cyfry, interpunkcja, kody sterowania	A z 0 ?
U+0080–U+00FF	Latin-1 Supplement	Zachodnie europejskie akcenty, plus £ § × ÷ i spacja nierdzenna	é ñ ü ×
U+0100–U+017F	Latin Extended-A	Akcenty europejskie centralne i wschodnie — č, ł, ő, ș	č ł ő š
U+0180–U+024F	Latin Extended-B	Dodatkowe litery dla afrikanów i fonetycznych ortografii	ƒ ǎ ȳ
U+1E00–U+1EFF	Latin Extended Additional	Wietnamski i inne wieloakcentowe litery łacińskie	ạ ế ṛ

Znaki kombinujące i modyfikatory

Załączają się do znaku przed nimi i nie mają szerokości.

Zasięg	Blok	Co jest w tym	Próbka
U+0300–U+036F	Combining Diacritical Marks	Akcenty zastosowane do poprzedniego znakuDrugi, rozłożony sposób pisania é. Normalizuj do NFC, aby go zawalić.	◌́ ◌̈ ◌̌
U+02B0–U+02FF	Spacing Modifier Letters	Superskryptowe litery i znaki stresu i tonu IPA	ʰ ˈ ˚
U+FE00–U+FE0F	Variation Selectors	Niewidoczne selektory wybierające tekst lub prezentację emojiVS16 to co zamienia ✔ na emoji. Niewidoczne, ale się liczy.
U+FE20–U+FE2F	Combining Half Marks	Połówki znaków rozciągających się na dwa znaki

Inne skrypty

Zasięg	Blok	Co jest w tym	Próbka
U+0370–U+03FF	Greek and Coptic	Grecki i litery koptyjskie, które dzielą jego blok	α Ω π
U+0400–U+04FF	Cyrillic	Rosyjski, ukraiński, serbski, bułgarski i pokrewne alfabety	д Я ж
U+0590–U+05FF	Hebrew	Litery hebrajskie, punkty samogłoskowe i znaki kantylacji	א ש
U+0600–U+06FF	Arabic	Litery arabskie, w ich izolowanych formach	ا ب ي
U+0900–U+097F	Devanagari	Hindi, Sanskryt, Marathi i powiązane języki	क ह
U+0E00–U+0E7F	Thai	Spółgłoski tajskie, samogłoski i znaki tonów	ก ท
U+10A0–U+10FF	Georgian	Georgian Mkhedruli	ა ბ
U+1F00–U+1FFF	Greek Extended	Greka polytonic — akcenty tekstów klasycznych	ᾰ ῶ

Interpunkcja i liczby

Źródło większości niewidocznych znaków, które przetrwają wklejenie.

Zasięg	Blok	Co jest w tym	Próbka
U+2000–U+206F	General Punctuation	Myślniki, kręcone cytaty, wielokropek — i większość niewidocznych spacjiU+200B zero-width space i U+2060 word joiner żyją tutaj.	– — “ ” …
U+2070–U+209F	Superscripts and Subscripts	Superskryptowe i subskryptowe cyfry i litery	⁰ ⁴ ₂
U+20A0–U+20CF	Currency Symbols	Znaki waluty, które łacina-1 nie ma miejsca — €, ₴, ₹, ₺	€ ₴ ₺
U+2100–U+214F	Letterlike Symbols	Symbole zbudowane z liter — ™, №, ℃, ℓ	™ ℃ №
U+2150–U+218F	Number Forms	Wulgarne frakcje i numery rzymskie jako pojedyncze znaki	⅓ ⅕ Ⅷ

Symbole i rysowanie

Zasięg	Blok	Co jest w tym	Próbka
U+2190–U+21FF	Arrows	Strzałki w każdym kierunku, jednotnie i dwojnie	← ↔ ⇒
U+2200–U+22FF	Mathematical Operators	Operatory matematyczne — ∀, ∑, ≠, ∞	∀ ∑ ≠
U+2300–U+23FF	Miscellaneous Technical	Znaki klawiatury i techniki — ⌘, ⌥, ⌫, ⏎	⌘ ⌥ ⏎
U+2500–U+257F	Box Drawing	Linie i narożniki dla pudełek terminalowych i tabel	─ ┌ ╬
U+2580–U+259F	Block Elements	Pełne i zacienione bloki, używane dla wykresów słupkowych terminalu	█ ▓ ░
U+25A0–U+25FF	Geometric Shapes	Kwadraty, koła, trójkąty i diamenty	■ ● ▲
U+2600–U+26FF	Miscellaneous Symbols	Pogoda, astrologia, szachy, karty i kolory kart	☀ ★ ♥
U+2700–U+27BF	Dingbats	Ornament drukarza — kleszcze, nożyczki, gwiazdy	✂ ✓ ➜
U+2800–U+28FF	Braille Patterns	Wszystkie 256 wzorów kropek Braille'a, również dla grafiki terminalowej	⠁ ⣿

CJK i pełna szerokość

Formy pełne szerokości są oddzielne od ich bliźniaków ASCII, a nie czcionką.

Zasięg	Blok	Co jest w tym	Próbka
U+3000–U+303F	CJK Symbols and Punctuation	Ideograficzna spacja i interpunkcja CJKU+3000 to spacja pełne szerokości i nie jest przycinana przez większość reguł białych znaków.	、。
U+3040–U+309F	Hiragana	Japoński sylabariusz do słów rodzimych i gramatyki	あん
U+30A0–U+30FF	Katakana	Japoński sylabariusz dla pożyczek i nacisku	アン
U+4E00–U+9FFF	CJK Unified Ideographs	Główny blok Han — prawie 21 000 znaków wspólnych dla chińskiego, japońskiego i koreańskiego	日本語
U+AC00–U+D7AF	Hangul Syllables	Wszystkie 11 172 wstępnie skomponowane koreańskie sylabyKażdy może być również napisany jako osobne Jamo, które normalizacja pogodzij.	한 글
U+FF00–U+FFEF	Halfwidth and Fullwidth Forms	Pełne szerokości kopie ASCII i pół-szerokości KatakanaＡ to nie A. Tekst wklejony z formularzy CJK często wymaga składania do ASCII.	Ａ！ｱ

Powyżej U+FFFF i specjalne przypadki

Cokolwiek tutaj trwa dwie jednostki UTF-16, co jest skąd pochodzą błędy długości łańcucha.

Zasięg	Blok	Co jest w tym	Próbka
U+D800–U+DB7F	High Surrogates	Pierwsza połowa pary UTF-16 — nigdy nie jest prawidłowa samaSamotny zastępczy to to, co string cięty przez emoji pozostawia.
U+DC00–U+DFFF	Low Surrogates	Druga połowa pary UTF-16 — nigdy nie jest prawidłowa sama
U+E000–U+F8FF	Private Use Area	Nieprzydzielony przez projekt, do prywatnych umówGdzie czcionki ikon umieszczają glifoidy. Bezznaczeniowy bez pasującej czcionki.
U+FFF0–U+FFFF	Specials	Znak zamiennika i krewni znaku porządku bajtówU+FFFD to to, co widzisz, gdy dekoder się poddał.	�
U+1D400–U+1D7FF	Mathematical Alphanumeric Symbols	Pogrubienie, kursywa, skrypt i alfabety podwójnie uderzane jako znakiŹródło 𝐟𝐚𝐤𝐞 𝐛𝐨𝐥𝐝 w nazwach mediów społecznych. Niezaspokajający.	𝐀 𝓪 𝟙
U+1F300–U+1F5FF	Miscellaneous Symbols and Pictographs	Większość nie-twarz emoji — pogoda, obiekty, miejsca, symbole	🌍 🔥 📄
U+1F600–U+1F64F	Emoticons	Emoji twarzy	😀 🙂
U+1F680–U+1F6FF	Transport and Map Symbols	Pojazdy, ruch i symbole mapy	🚀 🛑
U+1F900–U+1F9FF	Supplemental Symbols and Pictographs	Późniejsze dodatki emoji — później twarze, gesty, obiekty	🤖 🧠
U+E0000–U+E007F	Tags	Niewidoczne znaki znaczników, używane w sekwencjach flagRównież wektor dla niewidocznego tekstu przemycić wewnątrz zwykłego wyglądającego łańcucha.

Częste pytania

Jaka jest różnica między blokiem a skryptem?

Blok to ciągły zakres punktów kodu; skrypt to system pisma, do którego należy znak. Nie są to to samo i często się nie zgadzają — znaki łacińskie są rozsiane na co najmniej siedem bloków, i blok Combining Diacritical Marks jest używany przez kilka skryptów jednocześnie. W regex \p{Script=Latin} to prawie zawsze to, czego chcesz, nie \p{Block=…}.

Dlaczego wiersze zastępcze nie mają znaków próbki?

Ponieważ zastępcze nie jest znakiem. U+D800–U+DFFF są zarezerwowane jako mechanizm pary dla UTF-16: dwa z nich razem kodują jeden punkt kodu powyżej U+FFFF. Same są nieprawidłowym tekstem, co jest dokładnie dlatego, że łańcuch cięty w środku emoji produkuje znak zamiennika — trzymałeś połowę pary.

Dlaczego mój akcent znakowy czasami liczy się jako dwa?

Ponieważ istnieją dwa sposoby, aby go napisać. é może być jednym punktem kodu z Latin-1 Supplement, lub e poprzedzony kombinacyjnym ostrym akcentem z bloku Combining Diacritical Marks. Wyglądają identycznie i porównują się jako nierówne. Normalizacja do NFC zsuwa drugą formę w pierwszą, i to jest do czego narzędzie normalizacji jest.

Czy emoji to jeden znak?

Rzadko. Jedno wyświetlane emoji to często wiele punktów kodu — symbol bazowy, modyfikatory tonu skóry, selektory wariacji i spajniki o zerowej szerokości łączące rodzinę razem. Długość 1 jest wyjątkiem, a nie regułą, a każdy kod, który dzieli łańcuchy przez indeks, ostatecznie podzieli jeden.

Bloki Unicode

Łacina#

Znaki kombinujące i modyfikatory#

Inne skrypty#

Interpunkcja i liczby#

Symbole i rysowanie#

CJK i pełna szerokość#

Powyżej U+FFFF i specjalne przypadki#