posso cercare un CJK char (come 小) utilizzando un punto di codice Unicode:Come cercare tutti i caratteri CJK in vim?
/\%u5c0f
/[\u5c0f]
Non posso cercare tutti CJK caratteri utilizzando [\u4E00-\u9FFF], perché il manuale vim dice:
：help /[]
NOTE: The other backslash codes mentioned above do not work inside []!
È un modo per svolgere il lavoro?
Vim non può effettivamente fare questo da sola, dal momento che non si è dato l'accesso alle proprietà Unicode come \p{Han}.
Come di Unicode v6.0, la gamma di codepoints per i caratteri nello script Han è:
2E80-2E99 2E9B-2EF3 2F00-2FD5 3005-3005 3007-3007 3021-3029 3038-303B 3400-4DB5 4E00-9FCB F900-FA2D FA30-FA6D FA70-FAD9 20000-2A6D6 2A700-2B734 2B740-2B81D 2F800-2FA1D
Mentre con Unicode v6.1, la gamma di codepoints Han è cambiato a:
2E80-2E99 2E9B-2EF3 2F00-2FD5 3005-3005 3007-3007 3021-3029 3038-303B 3400-4DB5 4E00-9FCC F900-FA6D FA70-FAD9 20000-2A6D6 2A700-2B734 2B740-2B81D 2F800-2FA1D
Mi sembra anche di ricordare che Vim ha difficoltà ad esprimere i punti del codice astrale, che sono necessari perché funzioni correttamente. Ad esempio, utilizzando il flessibile \x{HHHHHH} notazione da Java 7 o Perl, si dovrebbe:
[\x{2E80}-\x{2E99}\x{2E9B}-\x{2EF3}\x{2F00}-\x{2FD5}\x{3005}-\x{3005}\x{3007}-\x{3007}\x{3021}-\x{3029}\x{3038}-\x{303B}\x{3400}-\x{4DB5}\x{4E00}-\x{9FCC}\x{F900}-\x{FA6D}\x{FA70}-\x{FAD9}\x{20000}-\x{2A6D6}\x{2A700}-\x{2B734}\x{2B740}-\x{2B81D}\x{2F800}-\x{2FA1D}]
Si noti che l'ultima parte della gamma è \x{2F800}-\x{2FA1D}, che è al di là del BMP. Ma quello di cui hai veramente bisogno è \p{Han} (che significa \p{Script=Han}). Questo dimostra ancora che i dialetti regex che non supportano almeno Level 1 of UTS#18: Basic Unicode Support non sono sufficienti per lavorare con Unicode. Le regex di Vim sono inadeguate per il lavoro base di Unicode.
Ecco il programma che scarica le gamme di punti di codice che si applicano a qualsiasi script di Unicode.
#!/usr/bin/env perl
#
# uniscrange - given a Unicode script name, print out the ranges of code
# points that apply.
# Tom Christiansen <[email protected]>
use strict;
use warnings;
use Unicode::UCD qw(charscript);
for my $arg (@ARGV) {
print "$arg: " if @ARGV > 1;
dump_range($arg);
}
sub dump_range {
my($scriptname) = @_;
my $alist = charscript($scriptname);
unless ($alist) {
warn "Unknown script '$scriptname'\n";
return;
}
for my $aref (@$alist) {
my($start, $stop, $name) = @$aref;
die "got $name, not $scriptname\n" unless $name eq $scriptname;
printf "%04X-%04X ", $start, $stop;
}
print "\n";
}
sue risposte dipendono da quale versione di Perl - e, quindi, quale versione di Unicode - si sta eseguendo contro.
$ perl5.8.8 ~/uniscrange Latin Greek
Latin: 0041-005A 0061-007A 00AA-00AA 00BA-00BA 00C0-00D6 00D8-00F6 00F8-01BA 01BB-01BB 01BC-01BF 01C0-01C3 01C4-0241 0250-02AF 02B0-02B8 02E0-02E4 1D00-1D25 1D2C-1D5C 1D62-1D65 1D6B-1D77 1D79-1D9A 1D9B-1DBF 1E00-1E9B 1EA0-1EF9 2071-2071 207F-207F 2090-2094 212A-212B FB00-FB06 FF21-FF3A FF41-FF5A
Greek: 0374-0375 037A-037A 0384-0385 0386-0386 0388-038A 038C-038C 038E-03A1 03A3-03CE 03D0-03E1 03F0-03F5 03F6-03F6 03F7-03FF 1D26-1D2A 1D5D-1D61 1D66-1D6A 1F00-1F15 1F18-1F1D 1F20-1F45 1F48-1F4D 1F50-1F57 1F59-1F59 1F5B-1F5B 1F5D-1F5D 1F5F-1F7D 1F80-1FB4 1FB6-1FBC 1FBD-1FBD 1FBE-1FBE 1FBF-1FC1 1FC2-1FC4 1FC6-1FCC 1FCD-1FCF 1FD0-1FD3 1FD6-1FDB 1FDD-1FDF 1FE0-1FEC 1FED-1FEF 1FF2-1FF4 1FF6-1FFC 1FFD-1FFE 2126-2126 10140-10174 10175-10178 10179-10189 1018A-1018A 1D200-1D241 1D242-1D244 1D245-1D245
$ perl5.10.0 ~/uniscrange Latin Greek
Latin: 0041-005A 0061-007A 00AA-00AA 00BA-00BA 00C0-00D6 00D8-00F6 00F8-01BA 01BB-01BB 01BC-01BF 01C0-01C3 01C4-0293 0294-0294 0295-02AF 02B0-02B8 02E0-02E4 1D00-1D25 1D2C-1D5C 1D62-1D65 1D6B-1D77 1D79-1D9A 1D9B-1DBE 1E00-1E9B 1EA0-1EF9 2071-2071 207F-207F 2090-2094 212A-212B 2132-2132 214E-214E 2184-2184 2C60-2C6C 2C74-2C77 FB00-FB06 FF21-FF3A FF41-FF5A
Greek: 0374-0375 037A-037A 037B-037D 0384-0385 0386-0386 0388-038A 038C-038C 038E-03A1 03A3-03CE 03D0-03E1 03F0-03F5 03F6-03F6 03F7-03FF 1D26-1D2A 1D5D-1D61 1D66-1D6A 1DBF-1DBF 1F00-1F15 1F18-1F1D 1F20-1F45 1F48-1F4D 1F50-1F57 1F59-1F59 1F5B-1F5B 1F5D-1F5D 1F5F-1F7D 1F80-1FB4 1FB6-1FBC 1FBD-1FBD 1FBE-1FBE 1FBF-1FC1 1FC2-1FC4 1FC6-1FCC 1FCD-1FCF 1FD0-1FD3 1FD6-1FDB 1FDD-1FDF 1FE0-1FEC 1FED-1FEF 1FF2-1FF4 1FF6-1FFC 1FFD-1FFE 2126-2126 10140-10174 10175-10178 10179-10189 1018A-1018A 1D200-1D241 1D242-1D244 1D245-1D245
È possibile utilizzare il comando corelist -a Unicode per vedere quale versione di Unicode va con quale versione di Perl. uscita viene selezionato qui:
$ corelist -a Unicode
v5.8.8 4.1.0
v5.10.0 5.0.0
v5.12.2 5.2.0
v5.14.0 6.0.0
v5.16.0 6.1.0
'/ [\ x {2E80} - \ x {2E99}]' ==> 'E16: intervallo non valido' – kev
@kev Ho detto esplicitamente che stavo usando la notazione '\ x {HHHHHH}' (che Vim fa non capisco) in modo che potessi specificare punti di codice arbitrari su qualsiasi piano, non solo nel BMP come il modo in cui '\ uHHHH' (che Vim capisce). Era necessario farlo per capire il problema. – tchrist
@kev Java7 usa anche quella notazione per le sue regex. È necessario per i punti di codice che si trovano sopra il BMP. Si noti che la risposta accettata trascura gli intervalli non BMP in '\ p {Han}', che a partire da Unicode v6.1 sono 20000-2A6D6, 2A700-2B734, 2B740-2B81D e 2F800-2FA1D. Ti piacerebbe il programma che ho scritto che genera queste gamme per te? – tchrist
Sembra che le gamme Vim siano in qualche modo limitate allo stesso byte alto, perché /[\u4E00-\u4eFF] funziona correttamente. Se non ti dispiace il disordine, provare:
/[\u4e00-\u4eff\u4f00-\u4fff\u5000-\u50ff\u5100-\u51ff\u5200-\u52ff\u5300-\u53ff\u5400-\u54ff\u5500-\u55ff\u5600-\u56ff\u5700-\u57ff\u5800-\u58ff\u5900-\u59ff\u5a00-\u5aff\u5b00-\u5bff\u5c00-\u5cff\u5d00-\u5dff\u5e00-\u5eff\u5f00-\u5fff\u6000-\u60ff\u6100-\u61ff\u6200-\u62ff\u6300-\u63ff\u6400-\u64ff\u6500-\u65ff\u6600-\u66ff\u6700-\u67ff\u6800-\u68ff\u6900-\u69ff\u6a00-\u6aff\u6b00-\u6bff\u6c00-\u6cff\u6d00-\u6dff\u6e00-\u6eff\u6f00-\u6fff\u7000-\u70ff\u7100-\u71ff\u7200-\u72ff\u7300-\u73ff\u7400-\u74ff\u7500-\u75ff\u7600-\u76ff\u7700-\u77ff\u7800-\u78ff\u7900-\u79ff\u7a00-\u7aff\u7b00-\u7bff\u7c00-\u7cff\u7d00-\u7dff\u7e00-\u7eff\u7f00-\u7fff\u8000-\u80ff\u8100-\u81ff\u8200-\u82ff\u8300-\u83ff\u8400-\u84ff\u8500-\u85ff\u8600-\u86ff\u8700-\u87ff\u8800-\u88ff\u8900-\u89ff\u8a00-\u8aff\u8b00-\u8bff\u8c00-\u8cff\u8d00-\u8dff\u8e00-\u8eff\u8f00-\u8fff\u9000-\u90ff\u9100-\u91ff\u9200-\u92ff\u9300-\u93ff\u9400-\u94ff\u9500-\u95ff\u9600-\u96ff\u9700-\u97ff\u9800-\u98ff\u9900-\u99ff\u9a00-\u9aff\u9b00-\u9bff\u9c00-\u9cff\u9d00-\u9dff\u9e00-\u9eff\u9f00-\u9fff]
Questa è una buona soluzione. Grazie. – kev
Vim si blocca quando cerco questo modello. Ma io lavoro. Grazie ancora! – kev
@kev Sì, viene spiegato nella guida: quando si utilizza una raccolta, il carattere da verificare per una corrispondenza viene confrontato con tutti i * caratteri * nella raccolta. Non sta controllando di essere in un certo intervallo. Quindi la regex precedente esegue ventimilanovecentodieci assegni per ogni carattere. Ovviamente, si congela. – ZyX
Ho suonato in giro con questo un po 'e in vim seguente sembra trovare tutti i caratteri Kanji nel mio testo Kanji/Pinyin/inglese:
[^!-~0-9 aāáǎăàeēéěèiīíǐĭìoōóǒŏòuūúǔùǖǘǚǜ]
Grazie mille, funziona molto, tu sei l'uomo. – whitesiroi
I don capisco lo "stesso problema con i byte alti" ma sembra che non si applica (almeno non per me, VIM 7.4) quando si inserisce effettivamente il personaggio per costruire gli intervalli.
Io di solito ricerca da U + 3400 (㐀) a U + 9FCC (鿌) per acquisire caratteri cinesi nei testi giapponesi.
Si prega di notare che la scrittura giapponese usa "々" come simbolo kanji ripetizione che non fa parte di questo blocco. Puoi trovarlo nel blocco "Simboli e punteggiatura giapponesi".
/[㐀-鿌]
A (quasi?) Set completo di caratteri cinesi con le estensioni
/[㐀-鿌豈-龎-]
Questa gamma comprende:
Bonus per le persone lavorando sul contenuto in lingua giapponese:
Hiragana va da U + 3041 a U + 3096
/[ぁ-ゟ]
Katakana
/[゠-ヿ]
Kanji radicali
/[⺀-⿕]
Simboli giapponesi e punteggiatura.
Si noti che questo intervallo include anche 々 (ripetizione dell'ultimo kanji) e 〆 (abbreviazione di shime 「し め」). Potresti volerli aggiungere al tuo intervallo per trovare le parole.
[ -〿]
vari simboli e caratteri giapponesi
/[ㇰ-ㇿ㈠-㉃㊀-㍿]
alfanumerico e punteggiatura (larghezza)
[！-～]
Fonti:
http://www.fileformat.info/info/unicode/char/9fcc/index.htm http://www.localizingjapan.com/blog/2012/01/20/regular-expressions-for-japanese-text/comment-page-1/#comment-46891
Grazie mille per Hiragana e Katakana. – whitesiroi
In alcuni casi semplici, lo uso per cercare caratteri cinesi. Corrisponde anche a caratteri giapponesi, russi e così via.
[^\x00-\xff]
Se si cercano solo caratteri CJK specifici, è sufficiente digitare CJK nella ricerca. Ad esempio:/小 –