人人都是藝術家！談談那些奇怪的字符（上）

轉自IMWeb社區，做者：黎騰，原文連接

前言

編碼，是每一個程序員繞不開的話題。對於前端工程師而言，字符更是會直觀地展現在界面上。
提起文字，大部分人的腦中，都會定式爲規整排列的字符。可是林子大了什麼鳥都有，世界上但是存在着6800+種文字，不免會飛出來一些詭異的鳥…
而號稱「萬國碼」的Unicode，在實現編碼與展現的時候，也會不會遇到一些奇葩的事情呢？

事實上，可能你早已見識過了：

---

x̙͈̝͍͕̙̄͛̽̆͌́̕͟g̘̣̠̝̟̤̥̼̼̽͑͋̈̑̒͟͞q̛̤̦̝̘͎͋̔̋͌͒̆̋̚͡f̵̢̙͇̮̠̋̀͌̅̉̃̔͜͜͠͡r̢̜̩͙̭̲͓͈̈̀͑̆͋̚͢͜m̷̛͙̝̣̲̭͍͉̊̓̾̈̋̿̚͢͟͠s̷̡̩͔̮͈̜̊̽͂̆̈́̃̓͋̏

熱҈的҈字҈都҈出҈汗҈了҈

你的屏幕被藍翔挖掘機給挖壞了不信你看;̷̸̨̀͒̏̃ͦ̈́̾̀́̎͢҉̵̶͚̼͉͖̺̥͔͇̰̹̮͙͉̻̼̭̻͕̮͇ͨͬͪ͗̇̑̽͋̀̋̊͌ͧͨͭ̓̅͐ͥ̂̔̊ͧ͊҉̶̵̷̞̩̦̳̺̳̬̬̩̣̫͇̯̥͖͍͕̠̦̼̗ͯ̽͌̔ͪͯ́́͋̍ͨ̿̿̎͒ͤ̓̅̀͂ͧ͋̏ͫͣ̔͘͜͠͏̶̵̸̧̧̥̺͓̘̺͎̜̥͕͈̝̫͎̺̮̱̤̠̠͖̳̻̥̣̪͍͕͇̮͙̹̪ͮͧͫ͂͒ͤͣ̌̽ͨͪ͒̄̄̉̒̊ͩ̅͆͘̚͘͘̚͟͟͝ͅ

今天咱們就來探討一下這些奇怪的字符。

1、文字能夠戴帽子和穿鞋子

提起泰文，不少朋友都會當即想到：薩瓦迪卡（你好）。
但這句話是怎麼寫的呢？
其實這句你好，男生和女生之間還有差別，男生寫法是：สวัสดีครับ，女生則是：สวัสดีค่ะ。

不過這並不重要，重要的是，咱們發現某些字的上面，還帶了特殊的符號。就好像是戴上了帽子。
事實上，泰文字符不只會「戴帽子」，偶爾還會「穿鞋子」。
好比下面三個字符：ผ ผู ผู้

若是腦洞再大一點，有人就會想，那是否是還能夠戴多頂帽子呢？
的確如此…泰文容許你穿一雙鞋子，而且戴兩頂帽子。完整的形式是這樣的：

因此，平時看慣了中英文的咱們，須要改變一下思路了。
世界上的文字，並不全是規規整整橫向排列的格子，也存在像泰文這種變形金剛組合式的文字。

雖然標準的泰文裏，「帽子」和「鞋子」的數量是有限制的，但因爲國際碼的迷之設計（先賣個關子），在計算機裏顯示的泰文字符，卻能夠擁有無數的帽子和鞋子。也就是說，它變成了一款能夠在Y軸無限拓展的文字！

而且，咱不光能夠往上噴，還能夠有必定角度…

還能夠

，簡直是不講道理。

（因爲一些系統會崩潰，這裏使用截圖）

2、人與機器的矛盾

而後咱們會質問Unicode，你爲什麼不講道理？
如此的設計，近乎是一個bug；但即便是bug，也應該早就修復了呀。

事實上，這樣的設計，是爲了解決一個問題：人與機器的矛盾。

首先是存儲的矛盾。
若是把每一個組合好的泰文用一個編碼來表示，那麼至少須要44×21×4=3696個編碼（實際上可能要比這還多）。用如此多的編碼來處理基本元素只有69個的文字是很是浪費的，所以電腦採用一套稱爲複雜文字編排（CTL）的設計來解決矛盾。
簡單的說，泰文的每一個基本字符對應一個編碼，用戶在輸入法裏依次輸入多個基本字符進行拼合，最後敲一個特殊的「結束字符」；這時前面輸入的基本字符，就拼合成了一個單獨的泰文字符，在屏幕中顯示。 這樣就解決了存儲的空間浪費問題。

但這樣就帶來了第二個矛盾，識別的問題。
人能夠輕鬆地識別一個泰文合字是否拼寫正確、有意義；但機器在顯示時卻很難進行判斷，即便能夠也會帶來相應的性能問題。
如何解決呢？現在會在輸入法上作一些文章，好比打一個聲調符號後就不能再輸入了。不過，因爲泰文這種基於結束標誌合成字符的本質，你仍是無法避免「藝術家」們使用複製粘貼、手工撰改字符位置等方式去進行創造，只能起到一些限制做用。

其次，在比較新版本的Webkit裏，在顯示上會阻止這種往上下冒的字符，這樣至少不影響排版。因此有部分字符已經不會出現上下疊加的情形了，你能夠在不一樣瀏覽器，觀察一下這個字符的顯示：ส็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็็

3、萌即正義的顏文字 (ง •̀_•́)ง

也許你以爲泰文奇葩，但它的聲調就在文字裏，看到就能準確地讀出來。這樣更容易傳播，是否是也沒了你讀文言文要查字典的煩惱呢？因此文字的設計各有優劣。

這樣的設計不止泰文，它只是一個典型的例子。除此以外常見的還有老撾文、藏文。
腦洞大開的藝術家們，又會想到另一個好玩的事情：我能不能拿老撾文的「帽子」，組合「藏文」的鞋子，合成一個獨立的字符呢？

他們贏了。不久，顏文字開始流行。

好比，這個表情：(;´༎ຶД༎ຶ`)
裏面有眼睛流淚的一個字符：༎ຶ
它是什麼語言呢？

事實上，它並不屬於世界上任何一種語言！眼睛部分是老撾文，淚水部分屬於藏文。
可是，你在複製它的時候，能夠發現它倒是一個單獨的字符，這就很是的神奇。緣由咱們在第二部分已經講過了。

我是如何知道的呢？固然我並非個語言學家，咱們能夠轉碼一下，發現༎ຶ對應的編碼是\u0f0e\u0eb6，再到 unicode-table 裏去查看就清楚了。

除此以外——

• ▷ˋε´◁ 中 ε 是希臘字母
• ʕ-'ᴥ’-ʔ 中 ʕᴥʔ 是國際音標
• (·ཀ·」∠) 中 ཀ 是藏文
• (ง •̀_•́ )ง 中 ง 是泰文
• 罒 д 罒 中 罒 是中文（同網），д 是俄語西裏爾字母

看來若是你會發顏文字，就是名副其實的會「十八國語言」了呢 (๑✦ˑ̫✦)✧

4、字體的錯位

前面咱們一直在談字符的本質，但字符在屏幕中的展現，還有一個關鍵的因素：字體。
相同的字符，使用了不一樣的字體，它們的顯示也會有差異。

一行中文，你設置「黑體」或「草書」，它大致來看仍是規整的；
但若是你設置一行英文爲「草書」，可能就會有問題。

在瀏覽器裏，若是對應編碼在字體文件裏爲空，通常會展現成一個方格，起碼不會影響其餘正常字符的排版。但咱們知道，Unicode的林子實在太大了…
在某些字體裏，就會對一些特殊的字符產生錯誤的排版。

好比：熱҈的҈字҈都҈出҈汗҈了҈

把它轉義一下，就獲得編碼是： \u70ed\u0488\u7684\u0488\u5b57\u0488\u90fd\u0488\u51fa\u0488\u6c57\u0488\u4e86\u0488

其中0488就是҈這個字符的編碼，它是一個組合用的西里爾文百千符號。

它在大部分經常使用字體裏，都有錯位問題；而其餘一些字體，好比 Courier New 字體，則是分開的展現：

那麼，這兩種展現哪一種纔是正常的呢？其實都不正常。
咱們查看西里爾文計數法的wiki，能夠看到它只有配合西里爾數字時，才能展現正常：

至於你把它跟其餘語言組合在一塊兒時，咱們要麼看到錯位，要麼看到分離的展現。並且國際上並無一個組織，去規定要怎麼展現。事實上文字這麼多，根本也管不過來，因此這也是混亂的緣由。

最後補充一點，另一小撮別有心裁的藝術家，還習慣使用這個字符去突破敏感詞過濾…

5、混亂與創新？

值得一提的是，Unicode是不可阻擋的潮流，它也一直在更新。好比咱們經常使用的Emoji表情，就已是Unicode的標準字符集。

而前面咱們說到，你們在玩這些奇奇怪怪的字符時，都是基於「相似bug」的設定在搞事情。這就有很大的侷限性。
那「藝術家」們又會有些大膽的想法：我能不能主動創造一些新字符，就是爲了錯位和組合呢？

我也不清楚這是創新，仍是會帶來更多的混亂。但事實是，iOS系統自帶的字符，已經有這樣的嘗試了。而且搜狗輸入法在iOS系統提供的諸多符號裏，挑選了一些，可供用戶去使用。這個功能的名字，叫作花漾字。

仍是得感慨藝術家們的視角是多麼獨特。
既然都這樣了…最後，但願咱們的國產表情包能有朝一日打入Unicode吧。

（未完待續）