无需枚举规则，如何使用ICU实现Unicode字符串连字（ligatures）分解

你可以直接用ICU库的NFKC规范化能力实现需求，不需要自己逐个枚举连字映射规则：

• 标准Unicode收录的通用连字（包括œ、æ、fi、fl、ffi等）都定义了兼容性等价映射，调用ICU的NFKC规范化接口，就可以直接将这些连字拆分为对应的基础字符序列
• 极少数特殊场景的自定义连字可以通过ICU的转换过滤器补充处理，不需要维护全量映射表

常用语言实现示例 #

Python（依赖PyICU库） #

import icu

def split_ligatures(input_str: str) -> str:
    nfkc_normalizer = icu.Normalizer2.getNFKCInstance()
    return nfkc_normalizer.normalize(input_str)

# 测试效果
print(split_ligatures("œuf très fidèle")) 
# 输出: oeuf tres fidele

Node.js（依赖icu4c绑定库） #

const { Normalizer } = require('@formatjs/icu-normalizer');

function splitLigatures(inputStr) {
  return Normalizer.normalize(inputStr, 'nfkc');
}

console.log(splitLigatures("Ͼfifl"));
// 输出: oeaeffl

Java（使用ICU4J） #

import com.ibm.icu.text.Normalizer2;

public class LigatureSplitter {
  private static final Normalizer2 NFKC_INSTANCE = Normalizer2.getNFKCInstance();
  
  public static String split(String input) {
    return NFKC_INSTANCE.normalize(input);
  }
}

补充说明 #

如果不需要连带处理变音符号、全角半角转换等其他规范化操作，可以自定义ICU的规范化过滤规则，只保留连字拆分的逻辑即可。仅私有字体自定义的非标准连字需要额外补充单独的映射规则，这类场景没有通用的标准化方案。

内容的提问来源于stack exchange，提问作者rch