私は自動言語検出のための発見的方法を開発しており、与えられた文字に分音記号（「ÐàäèîÊóëüòóðà」 - すべての文字に分音記号がある）があるかどうかを調べたいと思います。可能であれば、分音符号のタイプを得ることができれば最高です。Unicode文字に.Netの発音区別符号が含まれているかどうかを確認する方法？
私はUnicodeCategory列挙型を閲覧しましたが、ここで私を助けるものは見つかりませんでした。
可能な方法の1つは、文字とその発音記号がいくつかのコードポイントとして書かれている形式に正規化することです。その後、アクセントが続く文字があるかどうかを確認します。
How do I remove diacritics (accents) from a string in .NET?から適応すると、Normalize(NormalizationForm.FormD)で正規化し、UnicodeCategory.NonSpacingMarkで発音区別符を確認できます。
bool IsLetterWithDiacritics(char c)
{
var s = c.ToString().Normalize(NormalizationForm.FormD);
return (s.Length > 1) &&
char.IsLetter(s[0]) &&
s.Skip(1).All(c2 => CharUnicodeInfo.GetUnicodeCategory(c2) == UnicodeCategory.NonSpacingMark);
}
真偽チェックが必要な場合は、それをFormDなどに正規化して、文字列が元の文字列よりも長いかどうかを確認するだけです。 –
@JoakimJohansson FormDで分解する他のグリフがあっても、アクセント付きの文字ではない場合、私は驚いていません。しかし、私のアイデアがどれほどうまくいくかはわかりません。 – CodesInChaos
@ JoakimJohanssonあなたのアルゴリズムが発音区別記号を持つとみなす1つの大きなクラスの文字は韓国語のハングル文字です。これらは分解されるいくつかの部分で構成されていますが、発音区別記号はありません。いくつかの例： '' ''、 '' ''、 '' ''。 '≠'、 '⊉'、'∄'、 '∦'のような数学的な記号があります。最後に私が知りません：' ஔ' – CodesInChaos
文字eth（Ð）には分音記号はありません。 Unicodeでは、基本文字です。ストロークは発音区別符号とはみなされません。したがって、あなたの目標を再定式化することができます（そして、より良いアプローチがあるかもしれないので、どのような特定の問題が解決するかを説明するかもしれません）。 –
あなたがやりたい最後のことは分解です。特定の文字と特定の発音区別符との組み合わせは、その言語の強力なセレクタです。頻度表を前面に作成するだけです。しかし、多くの言語は発音区別記号の隣に使用しています。たとえば、英語、オランダ語、イタリア語の違いを知ることはできません。あなたはそれが本当に機能するように辞書が必要です。例えば、100の最も一般的な言葉を保存することは、長い道のりになります。 –