Propiedad de carácter Unicode

El estándar Unicode asigna varias propiedades a cada carácter y punto de código Unicode . ^{[ 1 ] [ 2 ]}

Las propiedades se pueden usar para manejar caracteres (puntos de código) en procesos, como en el salto de línea, la dirección de escritura de derecha a izquierda o la aplicación de controles. También se definen algunas "propiedades de caracteres" para puntos de código que no tienen un carácter asignado y para puntos de código etiquetados como " < no es un carácter > ". Las propiedades de caracteres se describen en el Anexo Estándar n.° 44. ^{[ 2 ]}

Las propiedades tienen niveles de fuerza: normativa, informativa, contributiva o provisional. Para simplificar la especificación, una propiedad de carácter puede asignarse especificando un rango continuo de puntos de código que tengan la misma propiedad. ^{[ 3 ]}

Las propiedades se muestran en el siguiente orden: ^{[ 4 ]}

[código];[nombre];[gc];[cc];[bc];[descomposición];[nv-dec];[nv-dig];[nv-num];[bm];[alias];;[mayúsculas];[minúsculas];[mayúsculas iniciales]

• alias= nombre corregido. Obsoleto. Ahora se gestiona con una base de datos independiente, pero se mantiene para nombres Unicode 1.0.
• bc= categoría bidireccional [I, D, etc.]
• bm= bidi reflejado [N o Y]
• cc= clase de combinación [posición del diacrítico]
• decompositiontipo o <mapeo> = letra + diacrítico, ligadura XY, superíndice X, fuente X, X inicial, X medial, X final, X aislada, X vertical, etc.
• gc= categoría general [letra, símbolo, dígito, puntuación, comportamiento de mayúsculas y minúsculas, etc.]
• nv= tipo numérico y valor [de un dígito]. Si el tipo numérico es 'decimal', se llenan las 3 casillas. Si es 'digit', la primera será nula. (Esta función se ha descontinuado). Si es 'numeric', las dos primeras serán nulas y solo se utilizará la última.

La propiedad entre aliasy upper caseestá obsoleta y ahora es nula para todos los caracteres Unicode.

A un carácter Unicode se le asigna un nombre único (na). ^{[ 1 ]} El nombre se compone de letras mayúsculas A–Z, dígitos 0–9, guion-menos y espacio . Algunas secuencias están excluidas: no se permiten nombres que comiencen con un espacio o un guion, nombres que terminen con un espacio o un guion, espacios o guiones repetidos y espacios después de un guion. Se garantiza que el nombre sea único dentro de Unicode y se puede utilizar para identificar un punto de código y su carácter. Los caracteres ideográficos, de los cuales hay decenas de miles, se nombran en el patrón " cjk ideograma unificado - hhhh ". Por ejemplo, U+4E00一CJK IDEÓGRAFO UNIFICADO-4E00 . Los caracteres de formato también tienen nombres: U+00A0 ESPACIO SIN SALTO . 

Las siguientes categorías Unicode no tienen un valor de Nombre asignado: Controles (Categoría general: Cc), Uso privado (Co), Sustituto (Cs), No caracteres (Cn) y Reservado (Cn). Se puede hacer referencia a ellas, informalmente, mediante un meta-nombre genérico o específico, llamado "Etiquetas de punto de código": <control>, <control-0088>, <reservado>, <no carácter- hhhh >, <uso privado- hhhh > o <sustituto> . Dado que estas etiquetas contienen "<" y ">", nunca pueden aparecer en un Nombre, lo que evita confusiones.

A cada punto de código se le asigna un valor para la categoría general. Esta es una de las propiedades de carácter que también se definen para los puntos de código no asignados y los puntos de código que se definen como "no un carácter".

Algunos códigos comunes:

0 = letra, símbolo o modificador de espaciado (por ejemplo , a , ( , ʰ )

1 = superposición

6 = Lectura Han (marcas diacríticas de lectura CJK)

7 = nukta ( nukta diacrítico en escrituras bráhmicas )

8 = marcas de sonoridad kana

9 = virama

10 – 199 = diversas clases de posición fija

Marcas que se adhieren a la letra base:

200 = adjunto en la parte inferior izquierda

202 = adjunto directamente debajo (por ejemplo, cedilla en ç)

204 = adjunto en la parte inferior derecha

208 = adjunto a la izquierda

210 = adjunto a la derecha

212 = adjunto en la parte superior izquierda

214 = adjunto directamente arriba

216 = adjunto en la parte superior derecha

Marcas que no se adhieren a la letra base:

218 = esquina inferior izquierda

220 = directamente debajo (por ejemplo, anillo en n̥)

222 = abajo a la derecha

224 = izquierda

226 = derecha

228 = arriba a la izquierda

230 = arriba (por ejemplo, acento agudo en á)

232 = arriba a la derecha

233 = doble de abajo (subtiende dos bases)

234 = doble arriba (extiende dos bases)

240 = subíndice iota (solo ese diacrítico griego)

Seis propiedades de caracteres se refieren a la escritura bidireccional: Bidi_Class , Bidi_Control , Bidi_Mirrored , Bidi_Mirroring_Glyph , Bidi_Paired_Bracket y Bidi_Paired_Bracket_Type .

Una de las características principales de Unicode es la compatibilidad con la visualización de texto bidireccional ( Bidi ) de derecha a izquierda (D-a-I) y de izquierda a derecha (I-a-D). El algoritmo bidireccional de Unicode UAX9 ^{[ 23 ]} describe el proceso de presentación de texto con direcciones de escritura variables. Por ejemplo, permite insertar una cita en hebreo en un texto en inglés. El tipo de carácter Bidi_Character_Type indica el comportamiento de un carácter en la escritura direccional. Para anular una dirección, Unicode ha definido caracteres de control de formato especiales ( caracteres de control Bidi ). Estos caracteres pueden imponer una dirección y, por definición, solo afectan a la escritura bidireccional.

Cada punto de código tiene una propiedad llamada Bidi_Class . Esta define su comportamiento en un texto bidireccional tal como lo interpreta el algoritmo:

En situaciones normales, el algoritmo puede determinar la dirección de un texto mediante esta propiedad de carácter. Para controlar situaciones bidireccionales más complejas, por ejemplo, cuando un texto en inglés tiene una cita en hebreo, se agregan opciones adicionales a Unicode. Doce caracteres tienen la propiedad Bidi_Control=Yes: ALM, FSI, LRE, LRI, LRM, LRO, PDF, PDI, RLE, RLI, RLM y RLO como se nombran en la tabla. Estos son caracteres de control de formato invisibles, solo utilizados por el algoritmo y sin efecto fuera del formato bidireccional. ^{[ 23 ]} A pesar del nombre, son caracteres de formato, no caracteres de control, y tienen la categoría general Otros, formato (Cf) en la definición Unicode.

Básicamente, el algoritmo determina una secuencia de caracteres con el mismo tipo de dirección fuerte (de derecha a izquierda o de izquierda a derecha), teniendo en cuenta la anulación por parte de los controles bidireccionales especiales. A las cadenas numéricas (tipos débiles) se les asigna una dirección según su entorno fuerte, al igual que a los caracteres neutros. Finalmente, los caracteres se muestran según la dirección de cada cadena.

Dos propiedades de los caracteres son relevantes para determinar la imagen especular de un glifo en texto bidireccional: Bidi_Mirrored=Yesindica que el glifo debe reflejarse al escribirse de derecha a izquierda. La propiedad Bidi_Mirroring_Glyph=U+hhhhpuede entonces apuntar al carácter reflejado. Por ejemplo, los paréntesis ( , ) se reflejan de esta manera. El algoritmo no se encarga de dar forma a las escrituras cursivas, como el árabe, ni de reflejar los glifos que tienen una dirección.

Un bloque es un rango contiguo de puntos de código con un nombre único. Se identifica por su primer y último punto de código. Los bloques no se superponen ni se extienden a través de planos. El número de puntos de código en cada bloque debe ser un múltiplo de 16. Un bloque puede contener puntos de código reservados, no asignados, etc. Cada carácter asignado tiene un único valor de "nombre de bloque" de los 346 nombres asignados a partir de la versión 17.0 de Unicode . Los puntos de código no asignados fuera de un bloque existente tienen el valor predeterminado "No_block".

Cada carácter asignado puede tener un único valor para su propiedad "Script", que indica a qué escritura pertenece. ^{[ 24 ]} El valor es un código de cuatro letras en el rango Aaaa-Zzzz, según lo disponible en ISO 15924, que se corresponde con un sistema de escritura . Excepto al describir el origen y el uso de una escritura, Unicode no utiliza una conexión entre una escritura y los idiomas que la utilizan. Por lo tanto, "hebreo" se refiere a la escritura hebrea, no al idioma hebreo.

El código especial Zyyy para "Común" permite un único valor para un carácter que se usa en varios alfabetos. El código Zinh "Alfabeto heredado", usado para combinar caracteres y otros puntos de código especiales, indica que un carácter "hereda" su identidad de alfabeto del carácter con el que se combina. (Unicode usaba anteriormente el código privado Qaai para este propósito). El código Zzzz "Desconocido" se usa para todos los caracteres que no pertenecen a un alfabeto (es decir, el valor predeterminado), como símbolos y caracteres de formato. En general, los caracteres de un solo alfabeto pueden estar dispersos en varios bloques, como los caracteres latinos . Y viceversa: varios alfabetos pueden estar presentes en un solo bloque, por ejemplo, el bloque Símbolos tipo letra contiene caracteres de los alfabetos latino, griego y común.

Cuando el campo "Script" está vacío, según Unicode, el carácter no pertenece a ningún alfabeto. Esto se aplica a los símbolos, ya que los códigos de alfabeto ISO existentes "Zmth" (notación matemática), "Zsym" (símbolo) y "Zsye" (símbolo, variante emoji) no se utilizan en Unicode. La propiedad "Script" también está vacía para los puntos de código que no son caracteres tipográficos, como controles, sustitutos y puntos de código de uso privado.

Si existe un nombre de alias de escritura específico en ISO 15924, se utiliza en el nombre del carácter: U+0041 A LETRA MAYÚSCULA LATINA A , y U+05D0 א LETRA HEBREA ALEF .

Descomposiciones, tipo de descomposición, clase de combinación canónica, exclusiones de composición y más.

La edad es la versión del estándar en la que se designó por primera vez el punto de código. El número de versión se abrevia a la numeración mayor.menor' , aunque se utilizan números de versión más detallados: las versiones 4.0.0 y 4.0.1 se denominan 4.0 como Edad. Según las versiones, la Edad puede estar dentro del rango: 1.1, 2.0, 2.1, 3.0, 3.1, 3.2, 4.0, 4.1, 5.0, 5.1, 5.2, 6.0, 6.1, 6.2, 6.3, 7.0, 8.0, 9.0, 10.0, 11.0, 12.0, 12.1, 13.0, 14.0, 15.0, 15.1, 16.0 y 17.0. ^{[ 25 ]} Los valores largos para Edad comienzan en una V y usan un guion bajo en lugar de un punto: V1_1, por ejemplo. ^{[ 2 ]} Los puntos de código sin un valor de edad asignado específicamente tienen el valor "NA", con la forma larga "Sin asignar".

Una vez que se ha definido un carácter, no se eliminará ni se reasignará. ^{[ 26 ]} Sin embargo, un carácter puede estar obsoleto , lo que significa que su "uso está fuertemente desaconsejado". ^{[ 27 ]} A partir de la versión 17.0 de Unicode , los siguientes quince caracteres están obsoletos: ^{[ 28 ]}

El estándar Unicode especifica las siguientes propiedades relacionadas con los límites:

• grupo de grafemas
• Palabra
• Línea
• Oración

Unicode puede asignar alias a los puntos de código. Estos nombres son únicos entre todos los nombres (incluidos los regulares), por lo que pueden usarse como identificadores. Hay cinco posibles razones para agregar un alias:

1. Abreviatura

Abreviaturas o acrónimos comunes para códigos de control, caracteres de formato, espacios y selectores de variación.

Por ejemplo, U+00A0 NO-BREAK SPACE tiene el alias NBSP . A veces se presenta en un recuadro: 

NBSP

.

2. Control

Los nombres ISO 6429 para las funciones de control C0 y C1, así como otros nombres similares de uso común, se añaden como alias al carácter.

Por ejemplo, U+0008 <control-0008>tiene el alias RETROCESO .

3. Corrección

Se trata de una corrección para un "problema grave" en el nombre del personaje principal, normalmente un error.

Por ejemplo, U+2118 ℘ SCRIPT CAPITAL P es en realidad una p minúscula , y por eso se le da el nombre de alias WEIERSTRASS ELLIPTIC FUNCTION : "en realidad tiene la forma de una p minúscula caligráfica, a pesar de su nombre, y a través del alias se agrega la ortografía correcta". En las descripciones, con el símbolo precedente ※ .

4. Alternativa

Un nombre alternativo muy utilizado para un personaje.

Ejemplo: U+FEFF ESPACIO SIN SALTO DE ANCHO CERO tiene el alias alternativo MARCA DE ORDEN DE BYTES .

5. Figment

Varias etiquetas documentadas para puntos de código de control C1 que nunca fueron aprobadas en ninguna norma ( figment significa "fingido, ficticio").

Por ejemplo, U+0099 <control-0099>Tiene el alias ficticio SINGLE GRAPHIC CHARACTER INTRODUCER . Este nombre es un concepto arquitectónico de los primeros borradores de la norma ISO/IEC 10646-1, pero nunca fue aprobado ni estandarizado.

• Base de datos de caracteres Unicode , anexo n.º 44, que explica las diferentes propiedades.
• UnicodeData.txt : una lista de todos los caracteres Unicode, con sus propiedades.