logo标签列表

如何检测一个字符是否属于从右到左的语言？

c#localizationright-to-leftbidi
31

如何判断一个字符串是否包含从右到左的语言？

我在stackoverflow上找到了这篇文章，建议采用以下方法：

public bool IsArabic(string strCompare)
{
  char[] chars = strCompare.ToCharArray();
  foreach (char ch in chars)
    if (ch >= '\u0627' && ch <= '\u0649') return true;
  return false;
}

虽然这种方法可能适用于阿拉伯语，但似乎并未涵盖其他从右到左书写的语言，如希伯来语。是否有一种通用的方法可以知道特定字符属于从右到左书写的语言？

5个回答
27

Unicode字符具有不同的属性。这些属性不能从代码点中推导出来；您需要一张表格告诉您一个字符是否具有某种属性。

您对具有双向属性“R”或“AL”（RandALCat）的字符感兴趣。

RandALCat字符是具有明确从右到左方向性的字符。

以下是完整列表，截至Unicode 3.2（来自RFC 3454）：

D. 双向表格
D.1 具有双向属性“R”或“AL”的字符
----- 开始表格 D.1 -----
05BE
05C0
05C3
05D0-05EA
05F0-05F4
061B
061F
0621-063A
0640-064A
066D-066F
0671-06D5
06DD
06E5-06E6
06FA-06FE
0700-070D
0710
0712-072C
0780-07A5
07B1
200F
FB1D
FB1F-FB28
FB2A-FB36
FB38-FB3C
FB3E
FB40-FB41
FB43-FB44
FB46-FBB1
FBD3-FD3D
FD50-FD8F
FD92-FDC7
FDF0-FDFC
FE70-FE74
FE76-FEFC
----- 结束表格 D.1 -----

以下是获取完整列表的代码，截至Unicode 6.0：

var url = "http://www.unicode.org/Public/6.0.0/ucd/UnicodeData.txt";

var query = from record in new WebClient().DownloadString(url).Split('\n')
            where !string.IsNullOrEmpty(record)
            let properties = record.Split(';')
            where properties[4] == "R" || properties[4] == "AL"
            select int.Parse(properties[0], NumberStyles.AllowHexSpecifier);

foreach (var codepoint in query)
{
    Console.WriteLine(codepoint.ToString("X4"));
}

请注意，这些值是Unicode代码点。在C#/.NET中，字符串采用UTF-16编码，需要先转换为Unicode代码点（参见Char.ConvertToUtf32）。下面是一个检查字符串是否包含至少一个RandALCat字符的方法：
static void IsAnyCharacterRightToLeft(string s)
{
    for (var i = 0; i < s.Length; i += char.IsSurrogatePair(s, i) ? 2 : 1)
    {
        var codepoint = char.ConvertToUtf32(s, i);
        if (IsRandALCat(codepoint))
        {
            return true;
        }
    }
    return false;
}
谢谢你！我只是想知道你对Brent的方法有什么看法？ - Patrick Klug
1
@Patrick Kluge：正则表达式引擎显然包含了这样一个Unicode属性表。但我没有看到所有RandALCat字符的命名块。所以这取决于您需要的正确性水平：如果检测阿拉伯语、希伯来语和其他一些字符对您来说足够好，那么可以使用正则表达式。如果您需要检测任何存在的RandALCat字符，请构建自己的表格并像上面展示的那样检查输入字符串。 - dtb
我想知道您对۞符号的看法，该符号在软件产品（如Google Chrome和MS Word）中被视为从右到左，并且未在Unicode规范中标记为RandALCat。 - Borislav Ivanov
19

你可以尝试在正则表达式中使用"已命名块"。只需挑选出从右到左的块，并形成正则表达式。例如：

\p{IsArabic}|\p{IsHebrew}
如果该正则表达式返回true，则字符串中至少有一个希伯来语或阿拉伯语字符。
10

从http://www.unicode.org/Public/6.0.0/ucd/UnicodeData.txt获取的Unicode 6.0中所有以"AL"或"R"开头的字符。

bool hasRandALCat = 0;
if(c >= 0x5BE && c <= 0x10B7F)
{
    if(c <= 0x85E)
    {
        if(c == 0x5BE)                        hasRandALCat = 1;
        else if(c == 0x5C0)                   hasRandALCat = 1;
        else if(c == 0x5C3)                   hasRandALCat = 1;
        else if(c == 0x5C6)                   hasRandALCat = 1;
        else if(0x5D0 <= c && c <= 0x5EA)     hasRandALCat = 1;
        else if(0x5F0 <= c && c <= 0x5F4)     hasRandALCat = 1;
        else if(c == 0x608)                   hasRandALCat = 1;
        else if(c == 0x60B)                   hasRandALCat = 1;
        else if(c == 0x60D)                   hasRandALCat = 1;
        else if(c == 0x61B)                   hasRandALCat = 1;
        else if(0x61E <= c && c <= 0x64A)     hasRandALCat = 1;
        else if(0x66D <= c && c <= 0x66F)     hasRandALCat = 1;
        else if(0x671 <= c && c <= 0x6D5)     hasRandALCat = 1;
        else if(0x6E5 <= c && c <= 0x6E6)     hasRandALCat = 1;
        else if(0x6EE <= c && c <= 0x6EF)     hasRandALCat = 1;
        else if(0x6FA <= c && c <= 0x70D)     hasRandALCat = 1;
        else if(c == 0x710)                   hasRandALCat = 1;
        else if(0x712 <= c && c <= 0x72F)     hasRandALCat = 1;
        else if(0x74D <= c && c <= 0x7A5)     hasRandALCat = 1;
        else if(c == 0x7B1)                   hasRandALCat = 1;
        else if(0x7C0 <= c && c <= 0x7EA)     hasRandALCat = 1;
        else if(0x7F4 <= c && c <= 0x7F5)     hasRandALCat = 1;
        else if(c == 0x7FA)                   hasRandALCat = 1;
        else if(0x800 <= c && c <= 0x815)     hasRandALCat = 1;
        else if(c == 0x81A)                   hasRandALCat = 1;
        else if(c == 0x824)                   hasRandALCat = 1;
        else if(c == 0x828)                   hasRandALCat = 1;
        else if(0x830 <= c && c <= 0x83E)     hasRandALCat = 1;
        else if(0x840 <= c && c <= 0x858)     hasRandALCat = 1;
        else if(c == 0x85E)                   hasRandALCat = 1;
    }
    else if(c == 0x200F)                      hasRandALCat = 1;
    else if(c >= 0xFB1D)
    {
        if(c == 0xFB1D)                       hasRandALCat = 1;
        else if(0xFB1F <= c && c <= 0xFB28)   hasRandALCat = 1;
        else if(0xFB2A <= c && c <= 0xFB36)   hasRandALCat = 1;
        else if(0xFB38 <= c && c <= 0xFB3C)   hasRandALCat = 1;
        else if(c == 0xFB3E)                  hasRandALCat = 1;
        else if(0xFB40 <= c && c <= 0xFB41)   hasRandALCat = 1;
        else if(0xFB43 <= c && c <= 0xFB44)   hasRandALCat = 1;
        else if(0xFB46 <= c && c <= 0xFBC1)   hasRandALCat = 1;
        else if(0xFBD3 <= c && c <= 0xFD3D)   hasRandALCat = 1;
        else if(0xFD50 <= c && c <= 0xFD8F)   hasRandALCat = 1;
        else if(0xFD92 <= c && c <= 0xFDC7)   hasRandALCat = 1;
        else if(0xFDF0 <= c && c <= 0xFDFC)   hasRandALCat = 1;
        else if(0xFE70 <= c && c <= 0xFE74)   hasRandALCat = 1;
        else if(0xFE76 <= c && c <= 0xFEFC)   hasRandALCat = 1;
        else if(0x10800 <= c && c <= 0x10805) hasRandALCat = 1;
        else if(c == 0x10808)                 hasRandALCat = 1;
        else if(0x1080A <= c && c <= 0x10835) hasRandALCat = 1;
        else if(0x10837 <= c && c <= 0x10838) hasRandALCat = 1;
        else if(c == 0x1083C)                 hasRandALCat = 1;
        else if(0x1083F <= c && c <= 0x10855) hasRandALCat = 1;
        else if(0x10857 <= c && c <= 0x1085F) hasRandALCat = 1;
        else if(0x10900 <= c && c <= 0x1091B) hasRandALCat = 1;
        else if(0x10920 <= c && c <= 0x10939) hasRandALCat = 1;
        else if(c == 0x1093F)                 hasRandALCat = 1;
        else if(c == 0x10A00)                 hasRandALCat = 1;
        else if(0x10A10 <= c && c <= 0x10A13) hasRandALCat = 1;
        else if(0x10A15 <= c && c <= 0x10A17) hasRandALCat = 1;
        else if(0x10A19 <= c && c <= 0x10A33) hasRandALCat = 1;
        else if(0x10A40 <= c && c <= 0x10A47) hasRandALCat = 1;
        else if(0x10A50 <= c && c <= 0x10A58) hasRandALCat = 1;
        else if(0x10A60 <= c && c <= 0x10A7F) hasRandALCat = 1;
        else if(0x10B00 <= c && c <= 0x10B35) hasRandALCat = 1;
        else if(0x10B40 <= c && c <= 0x10B55) hasRandALCat = 1;
        else if(0x10B58 <= c && c <= 0x10B72) hasRandALCat = 1;
        else if(0x10B78 <= c && c <= 0x10B7F) hasRandALCat = 1;
    }
}
4

编辑:

这是我现在使用的内容，它包括了希伯来语和阿拉伯语中的音标字符以及其他所有内容:

[\u0591-\u07FF]

新答案：

如果您需要检测一句话中的RTL语言，这个简化的正则表达式可能已经足够了：

[א-ת؀-ۿ]

如果要用希伯来语写东西，就必须使用其中一个字符，阿拉伯语的情况也类似。 它不包括元音字符，因此如果需要捕捉所有整个单词或绝对所有RTL字符，最好使用其他答案之一。 在希伯来文中，元音化字符在非诗歌文本中非常少见。 我不知道阿拉伯文本的情况。
1

在我的正则表达式实现中，我无法使用 \u、\x 或 {} 语言命名组。

因此，我基于 UnicodeData.txt 中列出的所有“R”和“AL”（RandALCat）双向字符编写了自己的模式程序。

[־׀׃א-״؛-ي٭-ە‏ײַ-ﳝﶈ-ﷺﺂ-ﻼ]

这应该是相当全面的，我已经对阿拉伯文和希伯来文本进行了测试。

网页内容由stack overflow 提供, 点击上面的
可以查看英文原文，
原文链接