为啥用于 Unicode 属性测试的 C# System.Char 方法有两个重载？

Posted 2023-02-25

【中文标题】为啥用于 Unicode 属性测试的 C# System.Char 方法有两个重载？

【英文标题】：Why do C# System.Char methods for Unicode property tests have two overloads?为什么用于 Unicode 属性测试的 C# System.Char 方法有两个重载？

【发布时间】：2016-10-09 05:10:40

【问题描述】：

在methods of System.Char 中，我们看到了两种检查字符是否为符号的方法：

public static bool IsSymbol(string s, int index)
public static bool IsSymbol(char c)

对于其他属性测试也是如此：IsLower、IsLetter 等。

为什么会有这种重复？有什么理由更喜欢Char.IsSymbol(s, idx) 而不是Char.IsSymbol(s[idx])？

【问题讨论】：

更好地处理 utf16 代理对可能是采用我想象的字符串的一个可能原因。

@RaphaelMiedl Yup, that's it。它使用 GetUnicodeCategory，它使用 InternalGetUnicodeCategory，它使用 InternalGetCategoryValue，它执行 UTF16 到 UTF32 的转换，这可能导致代理对的解码。

@RaymondChen：如果你能回答这个问题，我认为会很好。

看起来 Raphael 是正确的：dotnetfiddle.net/JFMrey。文档应该描述这种行为。一个字符既可以归类为高代理，也可以归类为字母，这也很有趣。

Unicode 需要一个或两个字符来编码一个代码点，当您编写 C# 代码时这是一个非常正确的参数。它不是唯一的，一些语言设计人员在 C# 出现之前很久就发现 utf16 存在问题，并决定弱支持 System.Char，要求程序员使用字符串重载。就像每个 C# 程序员都喜欢不喜欢的语言一样，它不应该被命名:)

【参考方案1】：

从表面上看，两个重载在功能上似乎是相同的，但深入到对 InternalGetUnicodeCategory 的调用会发现它们导致调用 CharUnicodeInfo.GetUnicodeCateogry 的不同重载。

string,int 重载最终会通过 InternalConvertToUtf32 进行 UTF32 转换，然后再调用同一个 char InternalGetUnicodeCategory 函数。这说明了解码 UTF16 编码字符中的代理对的可能性。

   internal static UnicodeCategory InternalGetUnicodeCategory(String value, int index) 
        Contract.Assert(value != null, "value can not be null");
        Contract.Assert(index < value.Length, "index < value.Length");

        return (InternalGetUnicodeCategory(InternalConvertToUtf32(value, index)));
    

Check out the Conversion implementation here if you want.

您可能会问为什么这很重要？那么答案是.Net 支持文本元素。微软声明：

MSDN Documentation on Unicode Support for Surrogate Pairs

文本元素是显示为单个字符的文本单元，称为字形。文本元素可以是基本字符、代理对或组合字符序列。

虽然我不相信IsSymbol 函数及其亲属可以解码字形或组合字符序列，但标注文本元素的原因是它们可以定义为代理对，因此需要通过IsSymbol(), IsLetter() 等的string,int 重载进行解码...

这意味着通过char 重载传递代理对将返回错误结果，因为字符串中的字符可能 是代理对。您不能假设 16 位编码代表单个字符，并且在所述索引处传递字符串的字符会做出这样的假设。

因为代理对可以在 .Net 中的字符串中表示，所以如果您正在处理一个可能包含其中之一的字符串，那么IsSymbol(string s, int index) 重载会更合适为了涵盖其中一对存在的情况。

结果不同的一个具体例子是

string s = char.ConvertFromUtf32(128204); // "?"

Debug.Assert(char.IsSymbol(s[0]) == char.IsSymbol(s, 0)); // Fails

【讨论】：

更新了一个更简洁和尖锐的答案......希望:)

您确定 char.IsSymbol() 等对组合字符序列进行操作吗？这更令人惊讶。根据前面的讨论，我希望它们只对代码点进行操作（即只解码代理对）。

我不确定在组合序列的情况下，但是文本元素被定义为代理对或组合字符序列，所以我真的只是在回答他们过载的潜在原因。看看它们是否也对序列进行操作会很有趣。

@ridiculous_fish Unicode 字符属性仅在每个代码点的基础上定义，因此处理整个组合字符序列/字素簇没有多大意义。此外，快速查看链接转换函数似乎可以确认它仅通过 utf32 转换使用代码点。引用似乎更多地是关于 C# 中的一般 unicode 支持，而不是特定于 IsSymbol() 函数。

我同意。 @EvanL，如果您更新您的答案以反映这一点（IsSymbol() 和朋友解码代理）并删除对字形和文本元素的讨论，我会接受您的答案。