Как разбить тамильские символы в строке в PHP

Я думаю, вы должны иметь возможность использовать функцию grapheme_extract для перебора комбинированных символов (которые технически называемые «графемными кластерами»).

В качестве альтернативы, если вы предпочитаете подход с регулярными выражениями, я думаю, вы можете использовать это:

preg_match_all('/\pL\pM*|./u', $str, $results)

где \pL означает «букву» Юникода, а \pM означает «метку» Юникода.

(Отказ от ответственности: я не тестировал ни один из этих подходов.)

если я правильно понял ваш вопрос, у вас есть строка юникода, содержащая кодовые точки, и вы хотите преобразовать ее в массив графем?

Я работаю над разработкой библиотеки Python с открытым исходным кодом для выполнения подобных задач для веб-сайта на тамильском языке.

Я давно не использовал PHP, поэтому опубликую логику. Вы можете взглянуть на код в разделе split_letters файла amuthaa/TamilWord.py. () функция.

Как упоминал Руах, тамильские графемы построены как кодовые точки.

• Гласные (உயிர் எழுத்து எழுத்து), aytham (ஆய்த எழுத்து - ஃ) и все комбинации (((உயிர் -மெய் எழுத்து) в столбце 'a' (அ வரி - то есть க, ச, ட, த, ப, ற, ங, ஞ, ண, ந, ம, ன, ய, ர, ள, வ, ழ, ல) используют одну кодовую точку.

• Каждый согласный состоит из двух кодовых точек: буква а + пулли. Например. ப் = ப + ்

• Каждая комбинация, кроме а-комбинаций, также состоит из двух кодовых точек: буква а-комбинации + маркировка: например. பி = ப் + ி, தை = த் + ை

Итак, если ваша логика будет примерно такой:

initialize an empty array

for each codepoint in word:

    if the codepoint is a vowel, a-combination or aytham, it is also its grapheme, so add it to the array

    otherwise, the codepoint is a marking such as the pulli (i.e. ்) or one of the combination extensions (e.g.  ி or  ை), so append it to the end of the last element of the array

Это, конечно, предполагает, что ваша строка правильно сформирована и у вас нет таких вещей, как две маркировки подряд.

Вот код Python, если он окажется вам полезен. Если вы хотите помочь нам перенести это на PHP, пожалуйста, дайте мне знать:

@staticmethod
def split_letters(word=u''):
    """ Returns the graphemes (i.e. the Tamil characters) in a given word as a list """

    # ensure that the word is a valid word
    TamilWord.validate(word)

    # list (which will be returned to user)
    letters = []

    # a tuple of all combination endings and of all அ combinations
    combination_endings = TamilLetter.get_combination_endings()
    a_combinations = TamilLetter.get_combination_column(u'அ').values()

    # loop through each codepoint in the input string
    for codepoint in word:

        # if codepoint is an அ combination, a vowel, aytham or a space,
        # add it to the list
        if codepoint in a_combinations or \
            TamilLetter.is_whitespace(codepoint) or \
            TamilLetter.is_vowel(codepoint) or \
            TamilLetter.is_aytham(codepoint):

            letters.append(codepoint)

        # if codepoint is a combination ending or a pulli ('்'), add it
        # to the end of the previously-added codepoint
        elif codepoint in combination_endings or \
            codepoint == TamilLetter.get_pulli():

            # ensure that at least one character already exists
            if len(letters) > 0:
                letters[-1] = letters[-1] + codepoint

            # otherwise raise an Error. However, validate_word()
            # should catch this
            else:
                raise ValueError("""%s cannot be first character of a word""" % (codepoint))

    return letters