字素簇中的最大代码点数答案

【问题标题】：Maximum number of codepoints in a grapheme cluster字素簇中的最大代码点数
【发布时间】：2022-08-21 15:39:18
【问题描述】：

我正在使用 C++ ICU 库。我希望将一个 utf-8 字符串分成大致相等的块。但是，我希望在字素簇边界处划分块。我不希望将整个字符串转换为 utf-16 以实现内存和速度效率。相反，我想将靠近我估计的块边界的少量 utf-8 代码点转换为 utf-16。然后我可以使用 ICU 的BreakIterator 来计算出确切的界限。

可以构成字素簇的代码点数量是否有硬性上限？如果是这样，它是什么？为了确定需要从 utf-8 转换为 utf-16 的最小代码点，我需要知道这一点。

原则上，可以将arbitrary number of combining diacritics 堆叠在基本字母之上。
谢谢这回答了我的问题以及接受的答案。

标签： c++ utf icu breakiterator grapheme-cluster

【解决方案1】：

可以构成字素簇的代码点数量是否有硬性上限？

不。一个字素簇（即用户感知的字符）包含多少个代码点没有硬性上限。

例如，您可以重复添加带有连接字符的 ZERO WIDTH JOINER。

【讨论】：

【解决方案2】：

只是为接受的答案添加一个示例。

例如，您可以使用此页面创建任意大的字素集群：

https://glitchtextgenerator.com/

例如，这里有一个“字母 X”，它在磁盘上占用 73 个字节：

我还创建了另一个接近 10 KB 的文件，但最好不要在此处发布此类怪物，因为它们可能会导致一些问题。根据软件，这些以有趣的方式呈现。

【讨论】：