android中阿拉伯文研究

阿拉伯語系在文字處理上是我目前所知道最複雜的。阿拉伯文一些獨有的特性，導致其文字儲存時的編碼或在記憶體的原始 Unicode characters 序列，跟最後螢幕上看到的有很大的差異。

兩者最大的差異有：

• 順序不同
  • 阿拉伯文的書寫（或顯示）順序是由右向左的
  • 阿拉伯文字元序列間如果有數字或英文等左邊開始書寫的文字，這些左向右寫的文字，呈現時不能跟著阿拉伯字一起字序倒轉
• 單一字元最後顯示的形狀也不同
  • 字型檔處理上，會針對最後螢幕上呈現的字元給與另一套獨立的編碼
  • 這個獨立編碼，根據最新的 Unicode 標準，是不規範的，也就是由字型檔的創造者自行處理，可參考 Generating Arabic Fonts
  • 不過為了相容，Unicode 還是保留一組編碼作為這個用途，例如阿拉伯語專用的 Arabic Presentation Forms-B ，可參考 Arabic characters in Unicode
• 可參看 Arabic: 'source' Unicode to final display Unicode - Stack Overflow

阿拉伯文字，從記憶體中原始 Unicode 順序（memory representation in logical order），到最後螢幕呈現的結果（glyphs arrangement in visual order），中間的整個處理流程叫作造形（shaping），一般是顯示時由 rendering engine 處理的。

Arabic Shaping 可以區分成下列五部分：

• 書寫連接（Arabic Cursive Joining）
  • 阿拉伯文只有書寫體（沒有印刷體或標準體），即使是印刷在紙上，或顯示在電腦上，都得考慮草寫連接問題
  • 連接時，每個字元會因兩旁字元不同，而有不同形狀（glyphs），以應付不連，右連，左連，双連等情況
• 形狀重塑（Arabic Ligatures）
  • 除了連接需求外，一些連續的特定兩個字元，會結合（ligature）成另一種形狀（glyph）
• 記號標注（Combining Marks）
  • 用來標注重音等等
• 字序重排（Reordering）
  • 處理右到左的書寫，及混合左到右書寫的情形
• 鏡像矯正（Mirroring）
  • 針對大於小於及括號等因左右方向不同而有不同意義的字元作修正

前三者要依序處理。字序重排及鏡像矯正可以最先處理或最後處理，但會因先後處理不同會影響到前三項處理的細節。完整的字序重排及鏡像矯正說明可以參閱 UAX #9: Unicode Bidirectional Algorithm。

網路上可以找到的 source code 如下：

• Arabic Support for Windows CE
• How to support Arabic text in Android? - Stack Overflow
• harfbuzz-arabic.c

其中， Android 版是 CE 版的改寫，但這兩支程式都有個問題，就是沒考慮到 Combining Marks ，遇到 Transparent Joining Types 的字元時，就會出錯，這很容易遇到。第三支程式應該比較完整，但它太龐雜了，有耐心的話可以慢慢啃
。建議直接參考 Unicode6.1.0/ch08.pdf 的 8.2 Arabic 這個章節，針對會遇到的部份，自己重寫比較直接。

如果要處理的文字只有阿拉伯語（不含其他阿拉伯語系的文字，例如波斯、埃及等），那只要處理 Arabic Block 中，也有在 ISO/IEC 8859-6 列出的部份。對應的 glyphs 都可以在 Arabic Presentation Forms-B 找到。

要完整處理整個阿拉伯語系，那勢必得直接採用下列資料：

• ArabicShaping.txt
• DerivedJoiningGroup.txt
• DerivedJoiningType.txt

其他值得參考的資料如下：

• Template:Arabic alphabet shapes/joining
• What you need to know about the bidi algorithm and inline markup
• Right-To-Left Text in Markup Languages

转自：http://york.wikidot.com/arabic-shaping