Konverterare för helbredds- och halvbreddstecken

Helbredds- och halvbreddsformer är skilda Unicode-tecken, inte bara olika teckenstorlekar. Avsnitt 18.5 i grundspecifikationen för Unicode 17 beskriver bakgrunden i östasiatiska system där dubbelbytetecken visades i två celler och ASCII eller liknande enkelbytetecken i en.

Konverteraren kör inte generell kompatibilitetsnormalisering för Unicode. Den använder en mindre, tydligt granskbar uppsättning ersättningar.

ASCII och blanksteg

I riktningen till helbredd mappas varje utskrivbart ASCII-tecken från U+0021 till U+007E till motsvarande tecken från U+FF01 till U+FF5E. ASCII-blanksteg U+0020 mappas till ideografiskt blanksteg U+3000. Den motsatta riktningen vänder endast dessa par. Diagrammet Halfwidth and Fullwidth Forms dokumenterar de breda motsvarigheterna för skiljetecken, siffror och latinska bokstäver.

I den tredje raden ändras ASCII-siffrorna, blanksteget och stödd halvbreddskatakana. 東京 och emojin förblir orörda.

Katakana, skiljetecken och ljudmärken

Verktyget använder en uttrycklig tabell för halvbreddskatakana, japanska skiljetecken och förlängningstecknet. Unicodes teckennamnslista för U+FF00 till U+FFEF anger de smala motsvarigheterna för U+FF61 till U+FF9F, bland annat ｡ med 。, ｢ med 「, ･ med ・ och ｱ med ア.

Tonande och halvtonande stavelser har uttryckliga par. ｶﾞ motsvarar ガ, ﾊﾟ motsvarar パ och ｳﾞ motsvarar ヴ. Tabellen omfattar även de stödda paren ﾜﾞ och ｦﾞ. Kana utanför tabellen, exempelvis ヰ, ヱ, ヸ, ヹ, ヵ och ヶ, förblir oförändrade i stället för att gissas eller translittereras.

U+FF9E och U+FF9F hanteras som de strikta halvbreddsmotsvarigheterna till de kombinerande märkena U+3099 och U+309A. Mellanrumsbildande U+309B ゛ och U+309C ゜ är andra tecken och ändras inte.

Begränsning för normalisering och returkonvertering

Detta är inte NFKC. Bilaga 15 till Unicode-standarden klassificerar breddsvarianter som kompatibilitetsekvivalenta, men NFKC ändrar också många andra kompatibilitetsformer. De uttryckliga tabellerna undviker sådana bredare effekter.

För tonande katakana sker en avsiktlig sammansättning. Både det förkomponerade ガ och sekvensen カ följt av kombinerande U+3099 smalnar till ｶﾞ. När resultatet breddas blir det vanliga förkomponerade ガ. Läsningen bevaras, men verktyget lovar inte att den ursprungliga följden av kodpunkter återkommer.

Tilde-familjen visar en annan tydlig gräns:

ASCII-tilde U+007E och helbreddstilde U+FF5E bildar ett par. Vågstrecket U+301C 〜 är ett separat, olistat tecken och lämnas oförändrat.

Vad som förblir oförändrat

Tabbar, radbrytningar och hårt blanksteg U+00A0 bevaras. Detsamma gäller hiragana, kanji, emoji, halvbreddshangul, kana som inte stöds, arabisk-indiska siffror, östarabisk-indiska siffror och alla andra kodpunkter utanför tabellerna. Konverteraren översätter inte ord, gör inte om hiragana till katakana, tolkar inte tal, translittererar inte japanska och utför ingen allmän Unicode-rensning.

Japanska standardiseringsorganisationens post för JIS X 0201:1997 ger historisk bakgrund till 7- och 8-bitarsuppsättningar för romerska tecken och katakana. Detta webbläsarverktyg granskar dock inte en fils bytekodning och intygar inte överensstämmelse med JIS X 0201, lagar eller dokumentkrav. Det arbetar endast med den Unicode-text som webbläsaren redan har fått.

Integritet och indatagräns

Konverteringen sker i webbläsaren. Källtexten och vald riktning sparas i sessionStorage för den aktuella sessionen, så att de finns kvar mellan gränssnittets tre steg. Texten skickas inte via servern, placeras inte i webbadressen och överförs inte till servern. Börja om tar bort det sparade värdet. Urklippshanterare, webbläsartillägg och platsen där resultatet klistras in ligger utanför verktygets kontroll.

Gränsen är 10 000 Unicode-kodpunkter, inte UTF-16-enheter. Ett tilläggstecken som en emoji räknas en gång. En stödd katakana med ett kombinerande ljudmärke kan bli ett förkomponerat tecken efter konvertering, så antalet kodpunkter behöver inte vara detsamma i indata och resultat.