क्यूस्ट्रिंग

Question

से लहजे को हटाकर मैं एक उच्चारण से असंवेदनशील खोज शुरू करने के लिए एक स्ट्रिंग से उच्चारण और अधिक आम तौर पर diacritic अंक को हटाना चाहता हूं। यूनिकोड वर्ण वर्गों पर कुछ पढ़ने के आधार पर, मैं इस के साथ आ गया है:

QString unaccent(const QString s) 
{ 
    QString s2 = s.normalized(QString::NormalizationForm_D); 
    QString out; 
    for (int i=0,j=s2.length(); i<j; i++) 
    { 
    // strip diacritic marks 
    if (s2.at(i).category()!=QChar::Mark_NonSpacing && 
     s2.at(i).category()!=QChar::Mark_SpacingCombining) 
    { 
      out.append(s2.at(i)); 
    } 
    } 
    return out; 
} 

यह लैटिन-आधारित भाषाओं के लिए काफी अच्छा काम करने के लिए प्रकट होता है, लेकिन मैं अन्य अक्षर पर अपनी पर्याप्तता के बारे में सोच रहा हूँ: अरबी , सिरिलिक, सीजेके ... जो कि इनकी सांस्कृतिक समझ की कमी के कारण मैं परीक्षण नहीं कर सकता।

विशेष रूप से मैं चाहता हूँ मैं जानता हूँ कि चाहते हैं:

1. क्या यूनिकोड सामान्य रूप से इस समस्या के लिए बेहतर अनुकूल है: NormalizationForm_KD या NormalizationForm_D?
2. Mark_NonSpacing और Mark_SpacingCombining श्रेणियों से संबंधित वर्णों को निकालने के लिए पर्याप्त है या इसमें अधिक श्रेणियां शामिल होनी चाहिए?
3. क्या उपरोक्त कोड में अन्य सुधार हैं जो इसे सभी भाषाओं के लिए यथासंभव सर्वोत्तम काम करेंगे?

Answer 1

QString unaccent(const QString s) 
{ 
    QString output(s.normalized(QString::NormalizationForm_D)); 
    return output.replace(QRegExp("[^a-zA-Z\\s]"), ""); 
}