字形

Created: November-22, 2018

Julia 的 Char 型別表示 Unicode 標量值，僅在某些情況下對應於人類認為的角色。例如，字元é的一個表示（如簡歷中）實際上是兩個 Unicode 標量值的組合：

julia> collect("é")
2-element Array{Char,1}:
 'e'
 '́'

這些程式碼點的 Unicode 描述是 LATIN SMALL LETTER E 和 COMBINING ACUTE ACCENT。它們共同定義了一個人字元，這是 Unicode 術語稱為字形。更具體地說，Unicode 附件#29 激發了字形叢集的定義，因為：

重要的是要認識到使用者認為的字元 - 語言編寫系統的基本單元 - 可能不僅僅是單個 Unicode 程式碼點。相反，該基本單元可以由多個 Unicode 程式碼點組成。為了避免計算機使用術語字元的歧義，這稱為使用者感知字元。例如，G+ acute-accent 是使用者感知的字元：使用者將其視為單個字元，但實際上由兩個 Unicode 程式碼點表示。這些使用者感知的字元由所謂的字素叢集近似，可以通過程式設計方式確定。

Julia 提供了 graphemes 函式來迭代字串中的字形叢集：

julia> for c in graphemes("résumé")
           println(c)
       end
r
é
s
u
m
é

請注意，如果我們迭代了 Unicode 標量值，那麼列印每個字元在自己的行上的結果會更好：

julia> for c in "résumé"
           println(c)
       end
r
e

s
u
m
e

通常，在使用使用者感知的字元處理字元時，處理字形叢集比使用 Unicode 標量值更有用。例如，假設我們想要編寫一個函式來計算單個單詞的長度。一個天真的解決方案是使用

julia> wordlength(word) = length(word)
wordlength (generic function with 1 method)

我們注意到，當單詞包含由多個程式碼點組成的字形叢集時，結果是反直覺的：

julia> wordlength("résumé")
8

當我們使用更正確的定義時，使用 graphemes 函式，我們得到預期的結果：

julia> wordlength(word) = length(graphemes(word))
wordlength (generic function with 1 method)

julia> wordlength("résumé")
6