我试图评估不区分大小写的UTF-8字符串比较的不同策略。不知道语言的情况下折叠UTF-8
我已经阅读了一些来自Unicode联盟的材料，对ICU进行了实验并试图想出各种质量的实施方案。
多次我见过简单案例映射和完整案例映射之间的不同文本，我想确保完全理解它们之间的差异。
当我阅读它时，简单案例映射是“上下文无关”的，即不需要知道有效载荷是什么语言。由于突厥语“I /ı/İ/ i”的崩溃，这将给出近似的结果。
另一方面，完全大小写映射需要知道有效载荷的语言才能执行映射。有了这些额外的信息，它可以采取特殊措施，以涵盖作为突厥语字符串的“Kim”应该成为大写的“KİM”的情况，而作为英文字符串的“Kim”应该成为大写的“KIM”的情况。
我有这个权利吗？
是否还有其他示例针对不同语言折叠不同的“多面”代码点？
谢谢！
更新：提到简单案例映射为语言无关的来源之一是ICU's documentation。我将其解释为Unicode的真相，但也许它只是实现的一个声明？
不，“完整的大小写映射”是一个代码点需要被多个新的代码点替换的框。一个简单的案例映射是一个单一的代码点替换。
如果你想自己实现，那么Unicode CaseFolding.txt文件是正确的。请注意状态字段代码“T”，特别是处理土耳其I问题。
呃......对于大多数西方语言来说，辅音组合“SS”可能会缩写为“ss”，但在德语中可能会变成特殊字母“ß”。这只是“可能”，有相当多的usage rules考虑。
我认为这并不直接影响整理顺序（任何德国人当然欢迎纠正我），所以也许这是一个有争议的问题。
谢谢！我是否正确理解了简单与完全映射的区别？ – 2009-11-25 09:07:16
虽然大写“ß”会给你“SS”，但我没有看到没有相反的框架（小写（“SS”）导致“ß”）。 这是因为有时应该是“ss”，唯一的决定方法是拥有一本完整的德语字典。有时甚至还不够（例如“weiss”和“weiß”都是正确的词）。事实上，即使没有上下文（即它的意思），甚至连一个人都不能将“WEISS”小写。 – 2009-11-26 08:15:42
@Mhaihai - 谢谢，这很有道理。我有同样的想法，比起降低要容易得多。 – 2009-11-26 10:42:41
所以他们都需要语言环境，对吧？我使用不使用CaseFolding.txt的第三方库（PCRE），但仅使用来自UnicodeData.txt的案例信息，并且不需要语言上下文（就我所知，既不明示也不隐含）。我想这可能是简单情况下的一个有效妥协。 – 2009-11-26 06:47:21
当然。如文件中所述，您需要知道何时忽略具有“T”状态代码的记录。 – 2009-11-26 12:29:33
就我所见，T状态代码出现在CaseFolding中。txt，而不是UnicodeData.txt。但是你是否确实说过_correct_ folding只能通过语言环境的知识来完成？我正在寻找一种不需要上下文的妥协方案，并非100％完美......但也许这是通往温暖之路的第一步？ – 2009-11-26 15:10:04