如何获取某个UTF-8语言组中的所有字符？
我不知道确切的技术术语，但UTF-8作为标准包括来自某些语言分组的字符，可以在Windows 字符映射中使用类似Arial Unicode MS的字体观察。
- 拉丁
- 西里尔
- 希腊语
- 希伯来语
- 阿拉伯
- 天城文
- Gujrati
- 卡纳达语
- 老挝
- 平假名
- 货币符号
- 盒子图纸
如何获取每组下的字符列表？ 这可能是一个API，或者只是网上某处的普通列表/ DB。 我找到了列出所有内容的wiki文章 ，但没有列出可迭代的forms。 有任何想法吗？
您可以在已发布的UnicodeData.txt上访问整个unicode字符列表，这是一个CSV格式的文件，列出了包含组信息的每个字符。
按class级分组
第三列指定字符类，以2位数字forms表示此处指定的longforms 。
-
letter-character– 类Lu，Ll，Lt，Lm，Lo或Nl -
combining-character– 类Mn或Mc -
decimal-digit-character– 类Nd -
connecting-character– 类PC -
formatting-character– 类Cf
它甚至可以使用C＃LINQ迭代某个组的字符：
var charInfo = Enumerable.Range(0, 0x110000) .Where(x => x < 0x00d800 || x > 0x00dfff) .Select(char.ConvertFromUtf32) .GroupBy(s => char.GetUnicodeCategory(s, 0)) .ToDictionary(g => g.Key); foreach (var ch in charInfo[UnicodeCategory.LowercaseLetter]) { Console.Write(ch); }
按语言分组
但是，未明确提及语言分组，因此您必须解析名称的第一个单词以按语言对每个char进行分组。 这是最可靠的方法，因为每个拉丁语unicode字符都以前缀“Latin”开头。 示例如下：
- 拉丁文： Latin Capital Letter A.
- 拉丁语扩展A： 拉丁语小写字母C与急性
- Latin Extended B： Latin Capital Letter Tone Six
- 拉丁语扩展附加： 拉丁大写字母B上面有点