UTF8で複数の表現のUnicode合字を使用できますか？

Question

UTF8でユニコード文字を結束文字fi（Unicode U + FB01）に複数指定できますか？どれ？正規化フォームごとに？

Answer 1

これは「文字」の意味によりますが、これはあいまいです。 Unicodeでは、「文字」は通常、文字に割り当てられたコードポイントを意味し、「文字」の直感的な概念と正確に一致します。

U + FB01などの単一のコードポイントは、UTF-8なぜなら、UTF-8は、コード化されたフォームを生成するための明白なアルゴリズムを定義しているからです。

フィリピンなどの直感的な文字は、それぞれがUTF-8表現を持つコードポイントまたはコードポイントのシーケンスとして異なる表現を持つことがあります。 Unicodeの正規化ルールは、そのような選択肢間のマッピングの一部を定義します。

しかし、U + FB01（U + 0066 U + 0069、すなわち "f"に続いて "i"）の互換性マッピングは、直感的な文字のアイデンティティを保持しません。結束は2つの通常の文字にマッピングされます。

一方、 "f"と "i"のような2文字の間にU + 200D ZERO WIDTH JOINER（ZWJ）を挿入することで、結紮行動を求めたり、提案したりすることができます。ある意味では、シーケンスU + 0066 U + 200D U + 0069はフィギュアの代替表現ですが、これは文字の正式な特性ではなく、ソフトウェアをZWJに注意を払うかどうかによって決まります。

Answer 2

文字がutf-8でbe encoded as0xEF 0xAC 0x81をすべきであるが、同じ文字は一緒に0x66 0x69あるfと順番にi、に分解することができます。あなたの質問は、実際にthis chart from the unicode specificationによって直接答えている：あなたが見ることができるようにNFKDとNFKCフォームがf + i組み合わせを使用しながら、NFDとNFC正規化はまだリガチャに同じコードポイントを使用している

。