如何解决如何将Unicode块与语言/脚本相关联?
| 我试图找到一种资源,可用于将语言(或更可能是脚本)连接到Unicode字符块。这样的资源将用于查找诸如““法语中使用了哪些Unicode块?”或“哪些语言使用了0A80-0AFF(http://unicodinator.com/#Block-Gujarati)中的块的语言”之类的问题? \“您知道这样的资源吗? 我希望能够在unicode.org上轻松找到此信息。我很快就能找到一个将国家代码与语言相关联的好表格(http://unicode.org/repos/cldr-tmp/trunk/diff/supplemental/territory_language_information.html)。但是我花了很多时间在闲逛,没有运气找到将Unicode块与语言联系起来的东西。我可能遇到了一个术语问题,无法在此处连接点... 在这种情况下,我对“”语言“(Java语言环境代码或ISO 639代码或任何其他语言)的确切含义并不满意。我也了解可能没有确切答案,因为例如阿拉伯文文档除了阿拉伯文块中的字符外,还可以包含拉丁文和其他文本(http://unicodinator.com/#Block-Arabic,http:// unicodinator.com/#Block-Arabic_Supplement)。但是一定要有一个表写着“这些语言与这些块一起使用”。。。我对格式(XML,CSV等)也不是很挑剔,我可以轻松地将其转换为可以使用的数据为我的应用程序。再一次,我确实意识到引用可能会将脚本连接到块,而不是语言(尽管可以将脚本映射到语言)。 我确实意识到这将是一个多对多的表(因为许多语言使用来自多个块的字符,并且许多块被多种语言使用);我确实意识到这无法准确回答,因为Unicode代码点不是特定于语言的-但是,“该国家/地区使用哪种语言”这个问题也不可能(对于大多数国家/地区,答案可能是“大多数语言”) ,但仍然可以创建这样的表格(http://unicode.org/repos/cldr-tmp/trunk/diff/supplemental/territory_language_information.html)。 关于我为什么想要这样的事情:我想使用代码块的全局热图和语言列表来增强http://unicodinator.com;我也有一个小游戏概念。除此之外,其他人可能还有其他用途(字体创建?Google Translate API即将淘汰,启发式,快速,最佳猜测的语言检测?研究项目?)。解决方法
我自己从Unicode.org得到了答案!在CLDR子项目中,有以下文件:
http://unicode.org/cldr/trac/browser/trunk/common/main/ar.xml
http://unicode.org/cldr/trac/browser/trunk/common/main/fr.xml
对于每种语言ID,您都可以搜索\“ exemplarCharacters \”:
<exemplarCharacters>[\\u064B \\u064C \\u064D \\u064E \\u064F \\u0650 \\u0651 \\u0652 ء آ أ ؤ إ ئ ا ب ت ة ث ج ح خ د ذ ر ز س ش ص ض ط ظ ع غ ف ق ك ل م ن ه و ي ى]</exemplarCharacters>
<exemplarCharacters type=\"auxiliary\">[\\u200C\\u200D\\u200E\\u200F]</exemplarCharacters>
<exemplarCharacters type=\"currencySymbol\" draft=\"contributed\">[a b c d e f g h i j k l m n o p q r s t u v w x y z]</exemplarCharacters>
<exemplarCharacters type=\"index\" draft=\"contributed\">[ا ب ت ث ج ح خ د ذ ر ز س ش ص ض ط ظ ع غ ف ق ك ل م ن ه و ي]</exemplarCharacters>
或者,存在以下页面:http://unicode.org/repos/cldr-tmp/trunk/diff/by_type/misc.exemplarCharacters.html,看起来像所有页面。我将努力将数据重新转换为某种类型的langid-> blockid映射,在该映射下,我可能会知道@borrible \“ Answer \”(而不是让我作答)。
, 自己生成(近似)数据怎么样?一个示例可能是使用不同语言的维基百科-下载每种语言的足够数据,生成带有计数的文档中使用的字符列表,并设置一个阈值以摆脱其他语言中借来的文本的小实例。这将是大概的,但可能是一个很好的起点。
, 我认为CLDR的示例字符不会给出准确的结果。
您可以从UCD项目的Scripts.txt和ScriptExtensions.txt文件中找到每个字符的脚本属性。有关更多信息,请阅读此内容(Unicode脚本属性)
拥有脚本之后,可以使用SupplementalData.xml的languageData部分将其与CLDR中的语言相关联。
,没有这样的资源,原因很简单:Unicode代码点分配与语言无关。因此,每个代码点可以由多种语言使用。
当然,有些字符可以直接映射到一种语言,但是通常每个代码点都是要共享的。因此,创建指向语言表的代码没有太大意义。
如果您正在寻找检测语言的方法,那么绝对不是这样。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。