C# 的 StringInfo 和 TextElementEnumerator 无法正确识别字形
C#'s StringInfo and TextElementEnumerator can't recognize graphemes properly
在 C# 中 StringInfo 和 TextElementEnumerator 类 为文本元素提供方法和属性。
而here，我们可以找到文本元素的定义。
The .NET Framework defines a text element as a unit of text that is
displayed as a single character, that is, a grapheme. A text element
can be any of the following:
是的，它说文本元素是 .NET 中的字素。我自己也测试了一些 unicode 字符，在我测试了一个韩文字母 '가'.
之前，它看起来确实是真的
众所周知，一些 Unicode 字符由多个代码点组成。此外，我们可能会遇到代码点序列，这就是我使用 StringInfo 和 TextElementEnumerator 而不是简单的 String.
的原因
StringInfo 和 TextElementEnumerator 可以判断 Char 是否是正确的代理对。而“\u0061\u0308”，一个由多个代码点组成的 Unicode 字符，正如预期的那样被识别为一个文本元素。但至于“\u1100\u1161”，它并没有说它也是一个文本元素。
“\u1100”是首字母“ㄱ”，“\u1161”是元音字母“ㅏ”。它们可以是单独的字符，就像我在这里写的那样显示给用户，你现在可以看到它们。但如果它们一起使用，它们将被渲染为一个字符“가”而不是“ㄱㅏ”。
韩文“가”的表示方法有两种：
- 使用 Hangul Syllable.
中的单个代码点 U+AC00
- 使用来自 Jamo 的两个代码点 U+1100 和 U+1161。
大多数情况下使用前者。后者很少用到，老实说，我根本无法想象它什么时候被用到。。
无论如何，第一个只是一个预组合字母，第二个是 Lead 和 Vowel 的序列，被视为一个字符。渲染时它们看起来完全一样，实际上两者在规范上是等价的。
此外，C# 中的以下行 returns 为真：
"\u1100\u1161".Normalize() == "\uAC00"
我想知道为什么 Normalize() 在 C# 认为它们不是一个完整的文本元素时在这里工作得很好..
我认为这与我的 .NET 版本有关，但事实并非如此。即使在 Mono 中也会发生这种情况。
我也用 ICU 测试了它，它可以将“\u1100\u1161”视为一个字素正确！
我最初认为 StringInfo 和 TextElementEnumerator 可以在一些简单的情况下消除对 ICU4C 的需求，所以我现在很失望..
这是我的问题：
我是不是做错了什么？
或
与 ICU 不同，.NET 中的文本元素不是用户感知的字符？
这里的基本问题是，根据韩国标准 KS X 1026，两个 jamos ㄱ 和 ㅏ 不同于它们的组合形式 가。事实上，官方标准中使用了这个确切的示例（请参阅第 6.2 节）。
长话短说，Microsoft 试图遵循该标准，但其他操作系统和应用程序不一定这样做。因此，您可以从其他软件/平台获取 "malformed" 内容，这些内容似乎在 Windows / 在 .NET 中被错误解析，即使它在这些平台上被解析 "correctly" 也是如此。
您首先需要确保您的数据格式正确（不太可能，因为 事实上的 标准是完全忽略 官方标准）或者你需要使用ICU（或类似的库）来处理这些情况。
在 C# 中 StringInfo 和 TextElementEnumerator 类 为文本元素提供方法和属性。
而here，我们可以找到文本元素的定义。
The .NET Framework defines a text element as a unit of text that is displayed as a single character, that is, a grapheme. A text element can be any of the following:
是的，它说文本元素是 .NET 中的字素。我自己也测试了一些 unicode 字符，在我测试了一个韩文字母 '가'.
之前，它看起来确实是真的众所周知，一些 Unicode 字符由多个代码点组成。此外，我们可能会遇到代码点序列，这就是我使用 StringInfo 和 TextElementEnumerator 而不是简单的 String.
StringInfo 和 TextElementEnumerator 可以判断 Char 是否是正确的代理对。而“\u0061\u0308”，一个由多个代码点组成的 Unicode 字符，正如预期的那样被识别为一个文本元素。但至于“\u1100\u1161”，它并没有说它也是一个文本元素。
“\u1100”是首字母“ㄱ”，“\u1161”是元音字母“ㅏ”。它们可以是单独的字符，就像我在这里写的那样显示给用户，你现在可以看到它们。但如果它们一起使用，它们将被渲染为一个字符“가”而不是“ㄱㅏ”。
韩文“가”的表示方法有两种：
- 使用 Hangul Syllable. 中的单个代码点 U+AC00
- 使用来自 Jamo 的两个代码点 U+1100 和 U+1161。
大多数情况下使用前者。后者很少用到，老实说，我根本无法想象它什么时候被用到。。 无论如何，第一个只是一个预组合字母，第二个是 Lead 和 Vowel 的序列，被视为一个字符。渲染时它们看起来完全一样，实际上两者在规范上是等价的。 此外，C# 中的以下行 returns 为真：
"\u1100\u1161".Normalize() == "\uAC00"
我想知道为什么 Normalize() 在 C# 认为它们不是一个完整的文本元素时在这里工作得很好..
我认为这与我的 .NET 版本有关，但事实并非如此。即使在 Mono 中也会发生这种情况。
我也用 ICU 测试了它，它可以将“\u1100\u1161”视为一个字素正确！
我最初认为 StringInfo 和 TextElementEnumerator 可以在一些简单的情况下消除对 ICU4C 的需求，所以我现在很失望..
这是我的问题：
我是不是做错了什么？
或
与 ICU 不同，.NET 中的文本元素不是用户感知的字符？
这里的基本问题是，根据韩国标准 KS X 1026，两个 jamos ㄱ 和 ㅏ 不同于它们的组合形式 가。事实上，官方标准中使用了这个确切的示例（请参阅第 6.2 节）。
长话短说，Microsoft 试图遵循该标准，但其他操作系统和应用程序不一定这样做。因此，您可以从其他软件/平台获取 "malformed" 内容，这些内容似乎在 Windows / 在 .NET 中被错误解析，即使它在这些平台上被解析 "correctly" 也是如此。
您首先需要确保您的数据格式正确（不太可能，因为 事实上的 标准是完全忽略 官方标准）或者你需要使用ICU（或类似的库）来处理这些情况。