¿Hay alguna forma de comprobar si el texto Unicode está en un idioma determinado?

Question

Recibiré el texto de un usuario que necesito validar es un carácter chino.

¿Hay alguna manera de que pueda verificar esto?

Answer 1

De acuerdo con la información proporcionada here in unicode website se puede encontrar el bloque de chino o cualquier otro idioma y luego poner en práctica un programa de análisis para comprobar si una palabra está en el rango o no. al igual que

public bool IsChinese(string text) 
{ 
    return text.Any(c => c >= 0x20000 && c <= 0xFA2D); 
} 

Tenga en cuenta que

Como una referencia práctica, el Consorcio Unicode here proporciona una interfaz de búsqueda a la Unicode Han (漢) Database (Unihan).

El enlace de la base de datos que había proporcionado anteriormente que está mostrando los caracteres

Answer 2

Necesita consultar la base de datos de caracteres Unicode, que contiene información sobre cada carácter Unicode. Probablemente hay una función de utilidad en C# que puede hacer esto por usted. De lo contrario, puedes descargarlo de internet.

Answer 3

Simplemente compruebe los caracteres para ver si los puntos de código están en el (los) rango (s) deseado (s). Para exampe, consulte esta pregunta:

What's the complete range for Chinese characters in Unicode?

Answer 4

Puede utilizar expresiones regulares para que coincida con Supported Named Blocks:

private static readonly Regex cjkCharRegex = new Regex(@"\p{IsCJKUnifiedIdeographs}"); 
public static bool IsChinese(this char c) 
{ 
    return cjkCharRegex.IsMatch(c.ToString()); 
} 

A continuación, puede utilizar:

if (sometext.Any(z=>z.IsChinese())) 
    DoSomething(); 

Answer 5

De acuerdo con la wikipedia (https://en.wikipedia.org/wiki/CJK_Compatibility) hay varios diapasones de código de caracteres. Aquí es mi método para detectar los caracteres chinos basados ​​en enlace de arriba (código en C#, pero se puede convertir fácilmente)

let isChinese(text: string) = 
      text |> Seq.exists (fun c -> 
       let code = int c 
       (code >= 0x4E00 && code <= 0x9FFF) || 
       (code >= 0x3400 && code <= 0x4DBF) || 
       (code >= 0x3400 && code <= 0x4DBF) || 
       (code >= 0x20000 && code <= 0x2CEAF) || 
       (code >= 0x2E80 && code <= 0x31EF) || 
       (code >= 0xF900 && code <= 0xFAFF) || 
       (code >= 0xFE30 && code <= 0xFE4F) || 
       (code >= 0xF2800 && code <= 0x2FA1F) 
       ) 

Answer 6

en Unicode, chino, japón, y caracteres coreanos se codifican juntos.

visita este FAQ: http://www.unicode.org/faq/han_cjk.html

carácter chino se distribuyen en bloques de serveral.

visita el wiki: https://en.wikipedia.org/wiki/CJK_Unified_Ideographs

Usted encontrará que hay tablas de caracteres CJK serveral en el sitio web de Unicode.

Por simplicidad, sólo puede utilizar mínimo carácter chino y máximo:

0x4e00 y 0x2fa1f comprobar.

Answer 7

Esto funcionó para mí:

var charArray = text.ToCharArray(); 
var isChineseTextPresent = false; 


foreach (var character in charArray) 
{ 
    var cat = char.GetUnicodeCategory(character); 


    if (cat != UnicodeCategory.OtherLetter) 
    { 
     continue; 
    } 


    isChineseTextPresent = true; 
    break; 
} 

Answer 8

Como varias personas han mencionado aquí, en Unicode, chino, japón, y caracteres coreanos se codifican juntos, y hay varios rangos a ella. https://en.wikipedia.org/wiki/CJK_Compatibility

Para la simplicidad, aquí hay un ejemplo de código que detecta todo el rango CJK:

public bool IsChinese(string text) 
{ 
    return text.Any(c => (uint)c >= 0x4E00 && (uint)c <= 0x2FA1F); 
}