Самый простой, но наихудший способ сделать это - выбрать код, новый для каждого выпуска Unicode, и проверить его свойства символов. Или вы можете проверить его общую категорию с помощью регулярного выражения. Вот некоторые выбранные кодовые точки:
Юникод 6.0.0:
Ꞡ U+A7A0 GC=Lu SC=Latin LATIN CAPITAL LETTER G WITH OBLIQUE STROKE
₹ U+20B9 GC=Sc SC=Common INDIAN RUPEE SIGN
ₜ U+209C GC=Lm SC=Latin LATIN SUBSCRIPT SMALL LETTER T
Юникод 5.2:
Ɒ U+2C70 GC=Lu SC=Latin LATIN CAPITAL LETTER TURNED ALPHA
⅐ U+2150 GC=No SC=Common VULGAR FRACTION ONE SEVENTH
⸱ U+2E31 GC=Po SC=Common WORD SEPARATOR MIDDLE DOT
Юникод 5.1:
ꝺ U+A77A GC=Ll SC=Latin LATIN SMALL LETTER INSULAR D
Ᵹ U+A77D GC=Lu SC=Latin LATIN CAPITAL LETTER INSULAR
⚼ U+26BC GC=So SC=Common SESQUIQUADRATE
Юникод 5.0:
Ⱶ U+2C75 GC=Lu SC=Latin LATIN CAPITAL LETTER HALF H
ɂ U+0242 GC=Ll SC=Latin LATIN SMALL LETTER GLOTTAL STOP
⬔ U+2B14 GC=So SC=Common SQUARE WITH UPPER RIGHT DIAGONAL HALF BLACK
Я включил общую категорию и свойство сценария, хотя вы можете проверить сценарий только в JDK7, первом выпуске Java, который это поддерживает.
Я нашел эти кодовые точки, выполнив такие команды из командной строки:
% unichars -gs '\p{Age=5.1}'
% unichars -gs '\p{Lu}' '\p{Age=5.0}'
Где это программа unichars . Он найдет свойства, поддерживаемые в базе данных символов Unicode только для той версии UCD, которую поддерживает версия Perl, которую вы используете.
Мне также нравится сортировка выходных данных, поэтому я обычно запускаю
% unichars -gs '\p{Alphabetic}' '\p{Age=6.0}' | ucsort | less -r
где это программа ucsort , которая сортирует текст в соответствии с алгоритмом сортировки Unicode.
Однако в Perl, в отличие от Java, это легко узнать. Например, если вы
запустите это из командной строки (да, есть и API для программиста), вы найдете:
$ corelist -a Unicode
v5.6.2 3.0.1
v5.8.0 3.2.0
v5.8.1 4.0.0
v5.8.8 4.1.0
v5.10.0 5.0.0
v5.10.1 5.1.0
v5.12.0 5.2.0
v5.14.0 6.0.0
Это показывает, что Perl версии 5.14.0 был первым, кто поддержал Unicode 6.0.0. Я полагаю, что для Java нет API, который бы предоставлял вам эту информацию напрямую, поэтому вам придется жестко кодировать таблицы, отображающие версии Java и версии Unicode, или использовать эмпирический метод тестирования кодовых точек для свойств. Под эмпирическим путем я подразумеваю эквивалент такого рода вещей:
% ruby -le 'print "\u2C75" =~ /\p{Lu}/ ? "pass 5.2" : "fail 5.2"'
pass 5.2
% ruby -le 'print "\uA7A0" =~ /\p{Lu}/ ? "pass 6.0" : "fail 6.0"'
fail 6.0
% ruby -v
ruby 1.9.2p0 (2010-08-18 revision 29036) [i386-darwin9.8.0]
% perl -le 'print "\x{2C75}" =~ /\p{Lu}/ ? "pass 5.2" : "fail 5.2"'
pass 5.2
% perl -le 'print "\x{A7A0}" =~ /\p{Lu}/ ? "pass 6.0" : "fail 6.0"'
pass 6.0
% perl -v
This is perl 5, version 14, subversion 0 (v5.14.0) built for darwin-2level
Чтобы узнать возраст конкретной кодовой точки, запустите на ней uniprops -a следующим образом:
% uniprops -a 10424
U+10424 ‹?› \N{DESERET CAPITAL LETTER EN}
\w \pL \p{LC} \p{L_} \p{L&} \p{Lu}
All Any Alnum Alpha Alphabetic Assigned InDeseret Cased Cased_Letter LC Changes_When_Casefolded CWCF Changes_When_Casemapped CWCM Changes_When_Lowercased CWL Changes_When_NFKC_Casefolded CWKCF Deseret Dsrt Lu L Gr_Base Grapheme_Base Graph GrBase ID_Continue IDC ID_Start IDS Letter L_ Uppercase_Letter Print Upper Uppercase Word XID_Continue XIDC XID_Start XIDS X_POSIX_Alnum X_POSIX_Alpha X_POSIX_Graph X_POSIX_Print X_POSIX_Upper X_POSIX_Word
Age=3.1 Bidi_Class=L Bidi_Class=Left_To_Right BC=L Block=Deseret Canonical_Combining_Class=0 Canonical_Combining_Class=Not_Reordered CCC=NR Canonical_Combining_Class=NR Decomposition_Type=None DT=None Script=Deseret East_Asian_Width=Neutral Grapheme_Cluster_Break=Other GCB=XX Grapheme_Cluster_Break=XX Hangul_Syllable_Type=NA Hangul_Syllable_Type=Not_Applicable HST=NA Joining_Group=No_Joining_Group JG=NoJoiningGroup Joining_Type=Non_Joining JT=U Joining_Type=U Line_Break=AL Line_Break=Alphabetic LB=AL Numeric_Type=None NT=None Numeric_Value=NaN NV=NaN Present_In=3.1 IN=3.1 Present_In=3.2 IN=3.2 Present_In=4.0 IN=4.0 Present_In=4.1 IN=4.1 Present_In=5.0 IN=5.0 Present_In=5.1 IN=5.1 Present_In=5.2 IN=5.2 Present_In=6.0 IN=6.0 SC=Dsrt Script=Dsrt Sentence_Break=UP Sentence_Break=Upper SB=UP Word_Break=ALetter WB=LE Word_Break=LE _X_Begin
Все мои инструменты Unicode доступны в комплекте Unicode :: Tussle , включая unichars , uninames , uniquote , ucsort и многие другие.
Улучшения Java 1.7
JDK7 значительно облегчает работу с Unicode. Я немного об этом говорю в конце своего выступления по выбору поддержки OSCON Unicode. Я думал о том, чтобы составить таблицу того, какие языки поддерживают какие версии Unicode, в каких версиях этих языков, но в итоге я отказался от этого, чтобы сказать людям просто получить последнюю версию каждого языка. Например, я знаю, что Unicode 6.0.0 поддерживается Java 1.7, Perl 5.14 и Python 2.7 или 3.2.
JDK7 содержит обновления для классов Character, String и Pattern в поддержку Unicode 6.0.0. Это включает в себя поддержку свойств сценария Unicode и несколько улучшений Pattern, что позволяет ему соответствовать требованиям поддержки уровня 1 для регулярных выражений Unicode UTS # 18 . К ним относятся
Методы isupper и islower теперь корректно соответствуют свойствам в верхнем и нижнем регистре Юникода; ранее они неправильно применялись только к буквам, что не правильно, потому что оно пропускает Other_Uppercase и Other_Lowercase кодовые точки соответственно. Например, это несколько строчных кодов , которые не являются GC=Ll (строчными буквами), только выбранные образцы:
% unichars -gs '\p{lowercase}' '\P{LL}'
◌ͅ U+0345 GC=Mn SC=Inherited COMBINING GREEK YPOGEGRAMMENI
ͺ U+037A GC=Lm SC=Greek GREEK YPOGEGRAMMENI
ˢ U+02E2 GC=Lm SC=Latin MODIFIER LETTER SMALL S
ˣ U+02E3 GC=Lm SC=Latin MODIFIER LETTER SMALL X
ᴬ U+1D2C GC=Lm SC=Latin MODIFIER LETTER CAPITAL A
ᴮ U+1D2E GC=Lm SC=Latin MODIFIER LETTER CAPITAL B
ᵂ U+1D42 GC=Lm SC=Latin MODIFIER LETTER CAPITAL W
ᵃ U+1D43 GC=Lm SC=Latin MODIFIER LETTER SMALL A
ᵇ U+1D47 GC=Lm SC=Latin MODIFIER LETTER SMALL B
ₐ U+2090 GC=Lm SC=Latin LATIN SUBSCRIPT SMALL LETTER A
ₑ U+2091 GC=Lm SC=Latin LATIN SUBSCRIPT SMALL LETTER E
ⅰ U+2170 GC=Nl SC=Latin SMALL ROMAN NUMERAL ONE
ⅱ U+2171 GC=Nl SC=Latin SMALL ROMAN NUMERAL TWO
ⅲ U+2172 GC=Nl SC=Latin SMALL ROMAN NUMERAL THREE
ⓐ U+24D0 GC=So SC=Common CIRCLED LATIN SMALL LETTER A
ⓑ U+24D1 GC=So SC=Common CIRCLED LATIN SMALL LETTER B
ⓒ U+24D2 GC=So SC=Common CIRCLED LATIN SMALL LETTER C
Буквенные тесты теперь верны в том смысле, что они используют Other_Alphabetic. Они сделали это неправильно до 1.7, что является проблемой.
Шаблон \x{HHHHH} убегает, так что вы можете встретить RL1.1; это позволяет переписать [?-?] (что не удается из-за проклятия UTF-16) как [\x{1D49C}-\x{1D4B5}]. JDK7 - это первая версия Java, которая полностью / правильно поддерживает не-BMP символы в этом отношении. Удивительно, но верно.
Дополнительные свойства для RL1.2, из которых свойство сценария является безусловно самым важным. Это позволяет вам написать \p{script=Greek}, например, сокращенно \p{Greek}.
Theновый UNICODE_CHARACTER_CLASSES флаг компиляции шаблона и соответствующий флаг встраиваемого шаблона "(?U)" для соответствия RL1.2a по свойствам совместимости.
Я, конечно, могу понять, почему вы хотите убедиться, что вызапуск Java с поддержкой Unicode 6.0.0, поскольку это также дает и другие преимущества.