Unicode bloky
Unicode delí svoj kódový priestor na pomenované bloky, z ktorých každý je súvislý rozsah vyhradený jednému písmu alebo jednej rodine symbolov. Vedieť, v ktorom bloku znak žije, je to, čo zmení záhadu — prečo sa toto vloženie pokazilo, prečo ho tento regex nenašiel — na otázku, ktorá má odpoveď.
Názvy blokov sú identifikátory, nie opisy: používajú sa doslovne v regexe ako \p{Block=Cyrillic} a v každom dátovom súbore Unicode, takže zostávajú v každom jazyku po anglicky. Prekladá sa veta vedľa nich.
Ide o vybranú množinu, nie o všetkých približne 340 blokov — sú tu tie, ktoré sa vynoria pri práci s textom. Prvý blok pokrýva do detailu tabuľka ASCII; táto stránka začína tam, kde tá končí.
Latinka
5Latinka je rozložená vo viacerých blokoch, a preto jej hľadanie podľa bloku nikdy úplne nevyjde.
| Rozsah | Blok | Čo v ňom je | Ukážka |
|---|---|---|---|
| U+0000–U+007F | Basic Latin | ASCII bez zmeny: latinské písmená, číslice, interpunkcia, riadiace kódy | A z 0 ? |
| U+0080–U+00FF | Latin-1 Supplement | Západoeurópska diakritika, plus £ § × ÷ a nezlomiteľná medzera | é ñ ü × |
| U+0100–U+017F | Latin Extended-A | Stredoeurópska a východoeurópska diakritika — č, ł, ő, ș | č ł ő š |
| U+0180–U+024F | Latin Extended-B | Ďalšie písmená pre africké a fonetické pravopisy | ƒ ǎ ȳ |
| U+1E00–U+1EFF | Latin Extended Additional | Vietnamské a iné latinské písmená s viacerými akcentmi | ạ ế ṛ |
Kombinujúce a modifikačné znaky
4Pripájajú sa k predchádzajúcemu znaku a samy nemajú šírku.
| Rozsah | Blok | Čo v ňom je | Ukážka |
|---|---|---|---|
| U+0300–U+036F | Combining Diacritical Marks | Akcenty pripájané k predchádzajúcemu znakuDruhý, rozložený spôsob zápisu é. Normalizácia na NFC ho zlúči. | ◌́ ◌̈ ◌̌ |
| U+02B0–U+02FF | Spacing Modifier Letters | Horné indexy písmen a znaky prízvuku a tónu z IPA | ʰ ˈ ˚ |
| U+FE00–U+FE0F | Variation Selectors | Neviditeľné selektory voliace textové alebo emoji zobrazenieVS16 je to, čo zmení ✔ na emoji. Neviditeľné, ale počíta sa. | |
| U+FE20–U+FE2F | Combining Half Marks | Polovice znakov roztiahnutých cez dva znaky |
Ďalšie písma
8| Rozsah | Blok | Čo v ňom je | Ukážka |
|---|---|---|---|
| U+0370–U+03FF | Greek and Coptic | Grécka abeceda a koptské písmená, ktoré s ňou delia blok | α Ω π |
| U+0400–U+04FF | Cyrillic | Ruská, ukrajinská, srbská, bulharská a príbuzné azbuky | д Я ж |
| U+0590–U+05FF | Hebrew | Hebrejské písmená, vokalizačné body a kantilačné znaky | א ש |
| U+0600–U+06FF | Arabic | Arabské písmená v izolovaných podobách | ا ب ي |
| U+0900–U+097F | Devanagari | Hindčina, sanskrit, maráthčina a príbuzné jazyky | क ह |
| U+0E00–U+0E7F | Thai | Thajské spoluhlásky, samohlásky a tónové znaky | ก ท |
| U+10A0–U+10FF | Georgian | Gruzínske Mkhedruli | ა ბ |
| U+1F00–U+1FFF | Greek Extended | Polytonická gréčtina — akcenty klasických textov | ᾰ ῶ |
Interpunkcia a čísla
5Zdroj väčšiny neviditeľných znakov, ktoré prežijú kopírovanie.
| Rozsah | Blok | Čo v ňom je | Ukážka |
|---|---|---|---|
| U+2000–U+206F | General Punctuation | Pomlčky, typografické úvodzovky, výpustka — a väčšina neviditeľných medzierŽijú tu U+200B medzera nulovej šírky a U+2060 spojovník slov. | – — “ ” … |
| U+2070–U+209F | Superscripts and Subscripts | Číslice a písmená v hornom a dolnom indexe | ⁰ ⁴ ₂ |
| U+20A0–U+20CF | Currency Symbols | Menové znaky, na ktoré v Latin-1 nezostalo miesto — €, ₴, ₹, ₺ | € ₴ ₺ |
| U+2100–U+214F | Letterlike Symbols | Symboly zložené z písmen — ™, №, ℃, ℓ | ™ ℃ № |
| U+2150–U+218F | Number Forms | Zlomky a rímske číslice ako jednotlivé znaky | ⅓ ⅕ Ⅷ |
Symboly a kreslenie
9| Rozsah | Blok | Čo v ňom je | Ukážka |
|---|---|---|---|
| U+2190–U+21FF | Arrows | Strelky do všetkých strán, jednoduché aj dvojité | ← ↔ ⇒ |
| U+2200–U+22FF | Mathematical Operators | Matematické operátory — ∀, ∑, ≠, ∞ | ∀ ∑ ≠ |
| U+2300–U+23FF | Miscellaneous Technical | Klávesové a technické symboly — ⌘, ⌥, ⌫, ⏎ | ⌘ ⌥ ⏎ |
| U+2500–U+257F | Box Drawing | Linky a rohy na rámy a tabuľky v termináli | ─ ┌ ╬ |
| U+2580–U+259F | Block Elements | Plné a šrafované bloky, používané na stĺpcové grafy v termináli | █ ▓ ░ |
| U+25A0–U+25FF | Geometric Shapes | Štvorce, kruhy, trojuholníky a diamanty | ■ ● ▲ |
| U+2600–U+26FF | Miscellaneous Symbols | Počasie, astrológia, šach, karty a kartové farby | ☀ ★ ♥ |
| U+2700–U+27BF | Dingbats | Tlačiarenské ozdoby — fajky, nožnice, hviezdy | ✂ ✓ ➜ |
| U+2800–U+28FF | Braille Patterns | Všetkých 256 braillových vzorov, používaných aj na grafiku v termináli | ⠁ ⣿ |
CJK a plná šírka
6Znaky plnej šírky sú iné znaky než ich ASCII dvojčatá, nie iný font.
| Rozsah | Blok | Čo v ňom je | Ukážka |
|---|---|---|---|
| U+3000–U+303F | CJK Symbols and Punctuation | Ideografická medzera a CJK interpunkciaU+3000 je medzera plnej šírky a väčšina pravidiel na biele znaky ju neodstrihne. | 、 。 |
| U+3040–U+309F | Hiragana | Japonská slabičná abeceda pre pôvodné slová a gramatiku | あ ん |
| U+30A0–U+30FF | Katakana | Japonská slabičná abeceda pre prevzaté slová a zdôraznenie | ア ン |
| U+4E00–U+9FFF | CJK Unified Ideographs | Hlavný blok znakov Han — takmer 21 000 znakov spoločných čínštine, japonštine a kórejčine | 日 本 語 |
| U+AC00–U+D7AF | Hangul Syllables | Všetkých 11 172 predskladaných kórejských slabíkKaždú možno zapísať aj ako samostatné Jamo, čo zmieruje normalizácia. | 한 글 |
| U+FF00–U+FFEF | Halfwidth and Fullwidth Forms | Kópie ASCII v plnej šírke a katakana v polovičnejＡ nie je A. Text vložený z CJK formulárov často treba zložiť na ASCII. | Ａ ！ ｱ |
Nad U+FFFF a špeciálne prípady
10Všetko tu zaberá dve UTF-16 jednotky, a odtiaľ pochádzajú chyby v dĺžke reťazca.
| Rozsah | Blok | Čo v ňom je | Ukážka |
|---|---|---|---|
| U+D800–U+DB7F | High Surrogates | Prvá polovica UTF-16 páru — samostatne nikdy platnáOsamotený surrogate je to, čo zostane po reťazci prerezanom cez emoji. | |
| U+DC00–U+DFFF | Low Surrogates | Druhá polovica UTF-16 páru — samostatne nikdy platná | |
| U+E000–U+F8FF | Private Use Area | Zámerne nepriradené, pre súkromné dohodySem dávajú ikonové fonty svoje glyfy. Bez zodpovedajúceho fontu bez významu. | |
| U+FFF0–U+FFFF | Specials | Náhradný znak a príbuzní značky poradia bajtovU+FFFD je to, čo vidíte, keď dekodér nad nejakým bajtom vzdal. | � |
| U+1D400–U+1D7FF | Mathematical Alphanumeric Symbols | Tučné, kurzívne, písané a dvojito ryté abecedy ako znakyZdroj 𝐤𝐫𝐢𝐤𝐥𝐚𝐯𝐞𝐣 „tučnej“ v menách na sieťach. Nedohľadateľné. | 𝐀 𝓪 𝟙 |
| U+1F300–U+1F5FF | Miscellaneous Symbols and Pictographs | Väčšina emoji bez tvárí — počasie, predmety, miesta, symboly | 🌍 🔥 📄 |
| U+1F600–U+1F64F | Emoticons | Emoji tvárí | 😀 🙂 |
| U+1F680–U+1F6FF | Transport and Map Symbols | Vozidlá, doprava a mapové symboly | 🚀 🛑 |
| U+1F900–U+1F9FF | Supplemental Symbols and Pictographs | Neskoršie prírastky emoji — ďalšie tváre, gestá, predmety | 🤖 🧠 |
| U+E0000–U+E007F | Tags | Neviditeľné tag znaky, používané v sekvenciách vlajokZároveň nástroj na prepašovanie neviditeľného textu vnútri normálne vyzerajúceho reťazca. |
Časté otázky
Aký je rozdiel medzi blokom a písmom (script)?
Blok je súvislý rozsah kódových bodov; písmo je systém, do ktorého znak patrí. Nie je to to isté a často si to protirečí — latinské znaky sú rozptýlené najmenej v siedmich blokoch a blok Combining Diacritical Marks používa niekoľko písiem naraz. V regexe je takmer vždy správne \p{Script=Latin}, nie \p{Block=…}.
Prečo nemajú riadky so surrogates žiadne ukážky?
Pretože surrogate nie je znak. U+D800–U+DFFF sú vyhradené ako párový mechanizmus pre UTF-16: dva spolu kódujú jeden kódový bod nad U+FFFF. Samostatne sú neplatný text, a presne preto reťazec prerezaný v strede emoji vyprodukuje náhradný znak — zostala vám polovica páru.
Prečo sa mi znak s diakritikou niekedy počíta ako dva?
Pretože existujú dva spôsoby, ako ho zapísať. é môže byť jeden kódový bod z Latin-1 Supplement, alebo e nasledované kombinujúcim dlhým akcentom z bloku Combining Diacritical Marks. Vyzerajú rovnako a porovnajú sa ako nerovné. Normalizácia na NFC druhú podobu zlúči do prvej, a práve na to je nástroj na normalizáciu.
Je emoji jeden znak?
Zriedka. Jedno zobrazené emoji je často niekoľko kódových bodov — základný symbol, modifikátory odtieňa pleti, variačné selektory a spojovníky nulovej šírky držiace rodinu spolu. Dĺžka 1 je výnimka, nie pravidlo, a každý kód, ktorý reťazce reže podľa indexu, raz jedno rozpolí.