没有一个适合所有用途的规范方法,但一个很好的起点是你链接到的 Unicode.org 页面上的Unicode Grapheme Cluster Boundary算法。基本上,Unicode 提供了每个代码点的字形中断属性的数据库,然后描述了一种算法,用于根据两个代码点分配的字形中断属性来决定是否允许在两个代码点之间进行字形中断。
以下是我不久前尝试过的实现(C++)的一部分:
bool BoundaryAllowed(char32_t cp, char32_t cp2) {
// lbp: left break property; rbp: right break property
auto lbp = get_property_for_codepoint(cp),
rbp = get_property_for_codepoint(cp2);
// Do not break between a CR and LF. Otherwise, break before and after
// controls.
if ((CR == lbp && LF == rbp)) {
// The Unicode grapheme boundary algorithm does not handle LFCR new lines
return false;
}
if (Control == lbp || CR == lbp || LF == lbp || Control == rbp || CR == rbp ||
LF == rbp) {
return true;
}
// Do not break Hangul syllable sequences.
if ((L == lbp && (L == rbp || V == rbp || LV == rbp || LVT == rbp)) ||
((LV == lbp || V == lbp) && (V == rbp || T == rbp)) ||
((LVT == lbp || T == lbp) && (T == rbp))) {
return false;
}
// Do not break before extending characters.
if (Extend == rbp) {
return false;
}
// Do not break before SpacingMarks, or after Prepend characters.
if (Prepend == lbp || SpacingMark == rbp) {
return false;
}
return true; // Otherwise, break everywhere.
}
为了获得不同类型的代码点的范围,您只需要查看Unicode字符数据库即可。具有字形中断属性的文件(根据范围描述它们)长约 1200 行:http://www.unicode.org/Public/6.1.0/ucd/auxiliary/
我不太确定忽略非字符代码点有多大价值,但是如果您的使用需要它,那么您将将其添加到您的实现中。