मैं .NET में स्ट्रिंग से डायक्रिटिक्स (उच्चारण) कैसे निकालूं?

Question

मैं कुछ ऐसे तार बदलने की कोशिश कर रहा हूं जो फ्रेंच कैनेडियन में हैं और मूल रूप से, मैं अक्षर रखते हुए अक्षरों में फ्रेंच उच्चारण के निशान को बाहर निकालने में सक्षम होना चाहता हूं। (जैसे परिवर्तित éकरें e, तो crème brûléeबन जाएगा creme brulee)

इसे प्राप्त करने के लिए सबसे अच्छी विधि क्या है?

Comments

एक चेतावनी: यह दृष्टिकोण कुछ विशिष्ट मामलों में काम कर सकता है, लेकिन सामान्य तौर पर आप केवल विशेषांक नहीं निकाल सकते हैं। कुछ मामलों में और कुछ भाषाओं में यह पाठ का अर्थ बदल सकता है। आप यह नहीं कहते कि आप ऐसा क्यों करना चाहते हैं; अगर यह तार की तुलना करने या आपको खोजने के लिए है, तो आप इसके लिए यूनिकोड-अवेयर लाइब्रेरी का उपयोग करके सबसे बेहतर तरीके से बेहतर हो सकते हैं।

— जैक्सबी

चूंकि इसे प्राप्त करने की अधिकांश तकनीकें यूनिकोड सामान्यीकरण पर निर्भर हैं, इसलिए मानक का वर्णन करने वाला यह दस्तावेज़ पढ़ने के लिए उपयोगी हो सकता है: unicode.org/reports/tr15

— LuddyPants

मुझे लगता है कि एज़्योर टीम ने इस मुद्दे को ठीक किया, मैंने इस नाम "मेमो डे ला रियूनियन.पीडी" के साथ एक फ़ाइल अपलोड करने की कोशिश की और ऑपरेशन सफल रहा।

— राडी

Answer 1

मैंने इस पद्धति का उपयोग नहीं किया है, लेकिन माइकल कापलान ने अपने ब्लॉग पोस्ट में ऐसा करने के लिए एक विधि का वर्णन किया है (एक भ्रामक शीर्षक के साथ) जो कि स्ट्रिपिंग डियाट्रिक्टिक्स के बारे में बात करता है: स्ट्रिपिंग एक दिलचस्प काम है (उर्फ अर्थहीन, उर्फ ​​ऑल एन अक्षर के अर्थ पर) गैर-रिक्ति हैं, लेकिन कुछ अन्य की तुलना में अधिक गैर-रिक्ति हैं)

static string RemoveDiacritics(string text) 
{
    var normalizedString = text.Normalize(NormalizationForm.FormD);
    var stringBuilder = new StringBuilder();

    foreach (var c in normalizedString)
    {
        var unicodeCategory = CharUnicodeInfo.GetUnicodeCategory(c);
        if (unicodeCategory != UnicodeCategory.NonSpacingMark)
        {
            stringBuilder.Append(c);
        }
    }

    return stringBuilder.ToString().Normalize(NormalizationForm.FormC);
}

ध्यान दें कि यह उनके पहले की पोस्ट का एक अनुवर्ती है: स्ट्रिपिंग डियाट्रिक्टिक्स ....

दृष्टिकोण स्ट्रिंग स्ट्रिंग का उपयोग करता है । इनपुट स्ट्रिंग को घटक ग्लिफ़ में विभाजित करने के लिए सामान्य रूप से (मूल रूप से "बेस" वर्णों को डायक्ट्रीक्स से अलग करना) और फिर परिणाम को स्कैन करता है और केवल आधार वर्णों को बरकरार रखता है। यह थोड़ा जटिल है, लेकिन वास्तव में आप एक जटिल समस्या को देख रहे हैं।

बेशक, यदि आप अपने आप को फ्रेंच तक सीमित कर रहे हैं, तो आप शायद सरल तालिका-आधारित दृष्टिकोण के साथ दूर हो सकते हैं कि कैसे C ++ std :: string में लहजे और टिल्ड को हटाएं , जैसा कि @David Dibben द्वारा अनुशंसित है।

Comments

ये गलत है। जर्मन अक्षर ä और ö और ü लेटाइज्ड के रूप में ae ue और oe के रूप में मिलता है, और ए के रूप में नहीं, कहां ...

— स्टीफन स्टीगर

इसके अलावा, पोलिश पत्र ł को अनदेखा किया जाता है।

— Zbigniew Wiadro

इसके अलावा नॉर्स ø को नजरअंदाज किया जाता है

— रिचर्ड डे विट

@StefanSteiger आप जानते हैं, चेक में áč which जैसे अक्षर होते हैं, जिन्हें हम आम तौर पर इक्का करने के लिए "लेटाइज़" करते हैं, भले ही यह अलग-अलग लगे और "hrbbě" / hra, bje /, "hrabě" / hrabje /, जैसे शब्दों में भ्रम पैदा कर सकता है। और "ह्राबे" / ह्रबे /। मेरे लिए, ऐसा लगता है कि विकृति विज्ञान का विलोपन एक विशुद्ध रूप से चित्रमय मामला है, जो ध्वन्यात्मकता या पत्र के इतिहास पर उदासीन है। आधार पत्र में "ई" को जोड़कर ä ö जैसे अक्षर बनाए गए, इस प्रकार "ae" अपघटन ऐतिहासिक रूप से समझ में आता है। यह लक्ष्य पर निर्भर करता है - चित्रमय चिह्नों को हटाने के लिए, या ASCII वर्णों को पत्र को विघटित करना।

— IllidanS4 मोनिका को

यह समारोह भाषा-अज्ञेय है। यह नहीं पता है कि स्ट्रिंग जर्मन में है या किसी अन्य भाषा में है। यदि हम इस बात को ध्यान में रखते हैं कि जर्मन टेक्स्ट में ö को oe से बदलना ठीक है, लेकिन इसका तुर्की के साथ कोई मतलब नहीं है, तो हम देखेंगे कि भाषा का पता लगाए बिना यह समस्या वास्तव में हल नहीं है।

— कांटा

Answer 2

इसने मेरे लिए चाल चली ...

string accentedStr;
byte[] tempBytes;
tempBytes = System.Text.Encoding.GetEncoding("ISO-8859-8").GetBytes(accentedStr);
string asciiStr = System.Text.Encoding.UTF8.GetString(tempBytes);

त्वरित और कम!

Comments

यह मेरे द्वारा देखी गई सबसे अच्छी विधि है।

— क्लीटन

मुझे यह समाधान पसंद है और यह विंडोज स्टोर एप्स के लिए अच्छा है। हालाँकि, यह Windows Phone Apps के लिए काम नहीं करता है क्योंकि ISO-8859-8 एन्कोडिंग उपलब्ध नहीं है। वहाँ एक और एन्कोडिंग है कि बजाय इस्तेमाल किया जा सकता है?

— फिलिप कॉलमर

यह सबसे सामान्य वर्ण, लेकिन कई विशेष वर्ण के लिए काम की तरह होगा « »और …(एक चरित्र के रूप में) प्रक्रिया है जो स्वीकार किए जाते हैं समाधान के साथ ऐसा नहीं है में बदल दिया जाएगा।

— The_Black_Smurf

ध्यान दें कि यह लिनक्स पर .NET कोर पर काम नहीं करता है:System.ArgumentException: 'ISO-8859-8' is not a supported encoding name.

— EM0

यदि आप .NET कोर पर हैं System.Text.Encoding.CodePages, तो nuget से इंस्टॉल करें, फिर प्रदाता को पंजीकृत करने के लिए इसे कॉल करें: Encoding.RegisterProvider(CodePagesEncodingProvider.Instance);- एक बार ऐसा करने के बाद, आप ISO-8859-8 का उपयोग कर सकते हैं

— स्पेसबिसन

Answer 3

अगर किसी को दिलचस्पी है, तो मैं कुछ इसी तरह की तलाश कर रहा था और निम्नलिखित लिख रहा था:

public static string NormalizeStringForUrl(string name)
{
    String normalizedString = name.Normalize(NormalizationForm.FormD);
    StringBuilder stringBuilder = new StringBuilder();

    foreach (char c in normalizedString)
    {
        switch (CharUnicodeInfo.GetUnicodeCategory(c))
        {
            case UnicodeCategory.LowercaseLetter:
            case UnicodeCategory.UppercaseLetter:
            case UnicodeCategory.DecimalDigitNumber:
                stringBuilder.Append(c);
                break;
            case UnicodeCategory.SpaceSeparator:
            case UnicodeCategory.ConnectorPunctuation:
            case UnicodeCategory.DashPunctuation:
                stringBuilder.Append('_');
                break;
        }
    }
    string result = stringBuilder.ToString();
    return String.Join("_", result.Split(new char[] { '_' }
        , StringSplitOptions.RemoveEmptyEntries)); // remove duplicate underscores
}

Comments

आपको स्मृति आवंटन ओवरहेड को कम करने के लिए नाम के लिए StringBuilder बफर का प्रचार करना चाहिए। अनुक्रमिक डुप्लिकेट _ को हटाने के लिए अंतिम स्प्लिट / जॉइन कॉल दिलचस्प है। शायद हमें उन्हें लूप में जोड़ने से बचना चाहिए। पिछले चरित्र के लिए एक ध्वज सेट करें _ और अगर सही नहीं है तो एक का उत्सर्जन करें।

— आईडीसोपोर्टर

2 वास्तव में अच्छे अंक, मैं इसे फिर से लिखूंगा अगर मुझे कोड के इस हिस्से पर वापस जाने का समय मिल जाए :)

— Luk

अच्छा लगा। IDisposables टिप्पणी के अलावा, हमें c < 128यह सुनिश्चित करने के लिए जांचना चाहिए कि हम किसी भी UTF चार्ट को पिक न करें , यहां देखें ।

— ईसाई गोल्हार्ट

या शायद अधिक कुशलता से c < 123। एएससीआई देख

— ईसाई Gollhardt

अभी भी ø जैसे काम नहीं करता है

— जुआनोरा

Answer 4

मुझे कुछ ऐसा चाहिए था जो सभी प्रमुख यूनिकोड वर्णों को रूपांतरित करता हो और मतदान का उत्तर कुछ हट कर हो, इसलिए मैंने CodeIgniter के convert_accented_characters($str)C # में एक संस्करण बनाया है जो आसानी से अनुकूलन योग्य है:

using System;
using System.Text;
using System.Collections.Generic;

public static class Strings
{
    static Dictionary<string, string> foreign_characters = new Dictionary<string, string>
    {
        { "äæǽ", "ae" },
        { "öœ", "oe" },
        { "ü", "ue" },
        { "Ä", "Ae" },
        { "Ü", "Ue" },
        { "Ö", "Oe" },
        { "ÀÁÂÃÄÅǺĀĂĄǍΑΆẢẠẦẪẨẬẰẮẴẲẶА", "A" },
        { "àáâãåǻāăąǎªαάảạầấẫẩậằắẵẳặа", "a" },
        { "Б", "B" },
        { "б", "b" },
        { "ÇĆĈĊČ", "C" },
        { "çćĉċč", "c" },
        { "Д", "D" },
        { "д", "d" },
        { "ÐĎĐΔ", "Dj" },
        { "ðďđδ", "dj" },
        { "ÈÉÊËĒĔĖĘĚΕΈẼẺẸỀẾỄỂỆЕЭ", "E" },
        { "èéêëēĕėęěέεẽẻẹềếễểệеэ", "e" },
        { "Ф", "F" },
        { "ф", "f" },
        { "ĜĞĠĢΓГҐ", "G" },
        { "ĝğġģγгґ", "g" },
        { "ĤĦ", "H" },
        { "ĥħ", "h" },
        { "ÌÍÎÏĨĪĬǏĮİΗΉΊΙΪỈỊИЫ", "I" },
        { "ìíîïĩīĭǐįıηήίιϊỉịиыї", "i" },
        { "Ĵ", "J" },
        { "ĵ", "j" },
        { "ĶΚК", "K" },
        { "ķκк", "k" },
        { "ĹĻĽĿŁΛЛ", "L" },
        { "ĺļľŀłλл", "l" },
        { "М", "M" },
        { "м", "m" },
        { "ÑŃŅŇΝН", "N" },
        { "ñńņňʼnνн", "n" },
        { "ÒÓÔÕŌŎǑŐƠØǾΟΌΩΏỎỌỒỐỖỔỘỜỚỠỞỢО", "O" },
        { "òóôõōŏǒőơøǿºοόωώỏọồốỗổộờớỡởợо", "o" },
        { "П", "P" },
        { "п", "p" },
        { "ŔŖŘΡР", "R" },
        { "ŕŗřρр", "r" },
        { "ŚŜŞȘŠΣС", "S" },
        { "śŝşșšſσςс", "s" },
        { "ȚŢŤŦτТ", "T" },
        { "țţťŧт", "t" },
        { "ÙÚÛŨŪŬŮŰŲƯǓǕǗǙǛŨỦỤỪỨỮỬỰУ", "U" },
        { "ùúûũūŭůűųưǔǖǘǚǜυύϋủụừứữửựу", "u" },
        { "ÝŸŶΥΎΫỲỸỶỴЙ", "Y" },
        { "ýÿŷỳỹỷỵй", "y" },
        { "В", "V" },
        { "в", "v" },
        { "Ŵ", "W" },
        { "ŵ", "w" },
        { "ŹŻŽΖЗ", "Z" },
        { "źżžζз", "z" },
        { "ÆǼ", "AE" },
        { "ß", "ss" },
        { "IJ", "IJ" },
        { "ij", "ij" },
        { "Œ", "OE" },
        { "ƒ", "f" },
        { "ξ", "ks" },
        { "π", "p" },
        { "β", "v" },
        { "μ", "m" },
        { "ψ", "ps" },
        { "Ё", "Yo" },
        { "ё", "yo" },
        { "Є", "Ye" },
        { "є", "ye" },
        { "Ї", "Yi" },
        { "Ж", "Zh" },
        { "ж", "zh" },
        { "Х", "Kh" },
        { "х", "kh" },
        { "Ц", "Ts" },
        { "ц", "ts" },
        { "Ч", "Ch" },
        { "ч", "ch" },
        { "Ш", "Sh" },
        { "ш", "sh" },
        { "Щ", "Shch" },
        { "щ", "shch" },
        { "ЪъЬь", "" },
        { "Ю", "Yu" },
        { "ю", "yu" },
        { "Я", "Ya" },
        { "я", "ya" },
    };

    public static char RemoveDiacritics(this char c){
        foreach(KeyValuePair<string, string> entry in foreign_characters)
        {
            if(entry.Key.IndexOf (c) != -1)
            {
                return entry.Value[0];
            }
        }
        return c;
    }

    public static string RemoveDiacritics(this string s) 
    {
        //StringBuilder sb = new StringBuilder ();
        string text = "";


        foreach (char c in s)
        {
            int len = text.Length;

            foreach(KeyValuePair<string, string> entry in foreign_characters)
            {
                if(entry.Key.IndexOf (c) != -1)
                {
                    text += entry.Value;
                    break;
                }
            }

            if (len == text.Length) {
                text += c;  
            }
        }
        return text;
    }
}

प्रयोग

// for strings
"crème brûlée".RemoveDiacritics (); // creme brulee

// for chars
"Ã"[0].RemoveDiacritics (); // A

Comments

आपका कार्यान्वयन कार्य करता है, लेकिन उत्पादन कोड में उपयोग किए जाने से पहले इसमें सुधार किया जाना चाहिए।

— पियरे अरनौद

github.com/apache/lucenenet/blob/master/src/…

— अलेक्जेंडर

क्यों बस इस जगह नहीं if (entry.Key.IndexOf(c) != -1)मेंif (entry.Key.Contains(c))

— पावेल Cioch

क्यों लूप में RemoveDiacritics (char c) का पुन: उपयोग न करें, क्यों StringBuilder का उपयोग करने के लिए नहीं। मैं जटिल शब्दकोश और काम करने वाले समाधान के लिए तैयार हूं, लेकिन कोड बहुत सरल हो सकता है

— पावेल किओच

मुझे समझ नहीं आ रहा है कि केवल कॉल { "äæǽ", "ae" }करने के बजाय उपयोग करने के लिए इतना हूप जंपिंग क्यों है । आपने उस इंडेक्स के उद्देश्य को पूरी तरह से हरा दिया है, जो पहले से ही है। { "ä", "ae" }, { "æ", "ae" }, { "ǽ", "ae" }if (foreign_characters.TryGetValue(...)) ...

— बेकन बिट्स

Answer 5

किसी की दिलचस्पी के मामले में, यहाँ जावा समकक्ष है:

import java.text.Normalizer;

public class MyClass
{
    public static String removeDiacritics(String input)
    {
        String nrml = Normalizer.normalize(input, Normalizer.Form.NFD);
        StringBuilder stripped = new StringBuilder();
        for (int i=0;i<nrml.length();++i)
        {
            if (Character.getType(nrml.charAt(i)) != Character.NON_SPACING_MARK)
            {
                stripped.append(nrml.charAt(i));
            }
        }
        return stripped.toString();
    }
}

Comments

के बजाय छीन + = nrml.charAt (i) एक StringBuilder का उपयोग करें। आपके पास O (n have) रनटाइम यहां छिपा हुआ है।

— एंड्रियास पीटरसन

यह और जावा के अन्य उत्तर यहाँ केवल एक थ्रेडिंग है। सवाल c # (.NET) के बारे में है जावा नहीं!

— 10

Answer 6

मैं अक्सर एक अन्य संस्करण के आधार पर एक विलोपन विधि का उपयोग करता हूं जो मुझे यहां मिला (देखें सी # (ascii) में वर्णों को बदलते हुए ) एक त्वरित स्पष्टीकरण:

• जैसे डी विभाजन charactes के रूप में सामान्य नौकरी एक करने के लिए ई और एक नॉनस्पेसिंग `
• इससे, nospacing वर्ण हटा दिए जाते हैं
• परिणाम सी के रूप में वापस सामान्यीकृत किया जाता है (मुझे यकीन नहीं है कि यह neccesary है)

कोड:

using System.Linq;
using System.Text;
using System.Globalization;

// namespace here
public static class Utility
{
    public static string RemoveDiacritics(this string str)
    {
        if (null == str) return null;
        var chars =
            from c in str.Normalize(NormalizationForm.FormD).ToCharArray()
            let uc = CharUnicodeInfo.GetUnicodeCategory(c)
            where uc != UnicodeCategory.NonSpacingMark
            select c;

        var cleanStr = new string(chars.ToArray()).Normalize(NormalizationForm.FormC);

        return cleanStr;
    }

    // or, alternatively
    public static string RemoveDiacritics2(this string str)
    {
        if (null == str) return null;
        var chars = str
            .Normalize(NormalizationForm.FormD)
            .ToCharArray()
            .Where(c=> CharUnicodeInfo.GetUnicodeCategory(c) != UnicodeCategory.NonSpacingMark)
            .ToArray();

        return new string(chars).Normalize(NormalizationForm.FormC);
    }
}

Answer 7

ग्रीक का कोडपेज (आईएसओ) कर सकते हैं

इस कोड पृष्ठ पर के बारे में जानकारी में है System.Text.Encoding.GetEncodings()। इसके बारे में जानें: https://msdn.microsoft.com/pt-br/library/system.text.encodinginfo.getencoding(v=vs.110).aspx

ग्रीक (ISO) का कोडपेज 28597 और नाम iso-8859-7 है ।

कोड पर जाएं ... \ o /

string text = "Você está numa situação lamentável";

string textEncode = System.Web.HttpUtility.UrlEncode(text, Encoding.GetEncoding("iso-8859-7"));
//result: "Voce+esta+numa+situacao+lamentavel"

string textDecode = System.Web.HttpUtility.UrlDecode(textEncode);
//result: "Voce esta numa situacao lamentavel"

तो, यह फ़ंक्शन लिखें ...

public string RemoveAcentuation(string text)
{
    return
        System.Web.HttpUtility.UrlDecode(
            System.Web.HttpUtility.UrlEncode(
                text, Encoding.GetEncoding("iso-8859-7")));
}

ध्यान दें कि ... पहला नाम के Encoding.GetEncoding("iso-8859-7")बराबर है Encoding.GetEncoding(28597), और दूसरा एन्कोडिंग का कोडपेज है।

Comments

ये तो बहुत खूब है! लघु और कुशल!

— krlzlx

उत्तम सामग्री। लगभग जितने भी किरदारों को मैंने परखा, वो पास हो गए। ( äáčďěéíľľňôóřŕšťúůýž ÄÁČĎĚÉÍĽĽŇÔÓŘŔŠŤÚŮÝŽ ÖÜË łŁđĐ ţŢşŞçÇ øı)। समस्याओं को केवल उसी के साथ पाया गया ßə, जिसे परिवर्तित किया जाता है ?, लेकिन ऐसे अपवादों को हमेशा अलग तरीके से नियंत्रित किया जा सकता है। इसे उत्पादन में डालने से पहले, परीक्षण को सभी यूनिकोड क्षेत्रों के खिलाफ बेहतर बनाया जाना चाहिए जिसमें विकृति विज्ञान वाले पत्र हों।

— miroxlav

Answer 8

यह हास्यास्पद है कि ऐसा प्रश्न इतने सारे उत्तर प्राप्त कर सकता है, और फिर भी कोई भी मेरी आवश्यकताओं को फिट नहीं करता है :) आसपास बहुत सारी भाषाएं हैं, एक पूर्ण भाषा अज्ञेय समाधान AFAIK वास्तव में संभव नहीं है, जैसा कि अन्य ने उल्लेख किया है कि फॉर्मसी या फॉर्मडी मुद्दे दे रहे हैं।

चूँकि मूल प्रश्न फ़्रेंच से संबंधित था, इसलिए सरलतम काम का उत्तर वास्तव में है

    public static string ConvertWesternEuropeanToASCII(this string str)
    {
        return Encoding.ASCII.GetString(Encoding.GetEncoding(1251).GetBytes(str));
    }

1251 को इनपुट भाषा के एन्कोडिंग कोड द्वारा प्रतिस्थापित किया जाना चाहिए।

हालाँकि यह केवल एक वर्ण को एक वर्ण से प्रतिस्थापित करता है। चूँकि मैं भी जर्मन के साथ इनपुट के रूप में काम कर रहा हूँ, इसलिए मैंने एक मैनुअल रूपान्तरण किया

    public static string LatinizeGermanCharacters(this string str)
    {
        StringBuilder sb = new StringBuilder(str.Length);
        foreach (char c in str)
        {
            switch (c)
            {
                case 'ä':
                    sb.Append("ae");
                    break;
                case 'ö':
                    sb.Append("oe");
                    break;
                case 'ü':
                    sb.Append("ue");
                    break;
                case 'Ä':
                    sb.Append("Ae");
                    break;
                case 'Ö':
                    sb.Append("Oe");
                    break;
                case 'Ü':
                    sb.Append("Ue");
                    break;
                case 'ß':
                    sb.Append("ss");
                    break;
                default:
                    sb.Append(c);
                    break;
            }
        }
        return sb.ToString();
    }

यह सर्वश्रेष्ठ प्रदर्शन नहीं दे सकता है, लेकिन कम से कम इसे पढ़ना और विस्तारित करना बहुत आसान है। Regex एक NO GO है, जो किसी भी चार / स्ट्रिंग सामान की तुलना में बहुत धीमी है।

मेरे पास अंतरिक्ष निकालने की एक बहुत ही सरल विधि है:

    public static string RemoveSpace(this string str)
    {
        return str.Replace(" ", string.Empty);
    }

आखिरकार, मैं एक्सटेंशन के ऊपर सभी 3 के संयोजन का उपयोग कर रहा हूं:

    public static string LatinizeAndConvertToASCII(this string str, bool keepSpace = false)
    {
        str = str.LatinizeGermanCharacters().ConvertWesternEuropeanToASCII();            
        return keepSpace ? str : str.RemoveSpace();
    }

और एक छोटी इकाई का परीक्षण (संपूर्ण नहीं) जो सफलतापूर्वक गुजरता है।

    [TestMethod()]
    public void LatinizeAndConvertToASCIITest()
    {
        string europeanStr = "Bonjour ça va? C'est l'été! Ich möchte ä Ä á à â ê é è ë Ë É ï Ï î í ì ó ò ô ö Ö Ü ü ù ú û Û ý Ý ç Ç ñ Ñ";
        string expected = "Bonjourcava?C'estl'ete!IchmoechteaeAeaaaeeeeEEiIiiiooooeOeUeueuuuUyYcCnN";
        string actual = europeanStr.LatinizeAndConvertToASCII();
        Assert.AreEqual(expected, actual);
    }

Answer 9

यह जावा में ठीक काम करता है।

यह मूल रूप से सभी उच्चारण वर्णों को उनके विलुप्त होने वाले समकक्षों में परिवर्तित करता है, जिसके बाद उनके संयोजन डायक्टिक्स हैं। अब आप डिएक्ट्रीक को उतारने के लिए रेगेक्स का उपयोग कर सकते हैं।

import java.text.Normalizer;
import java.util.regex.Pattern;

public String deAccent(String str) {
    String nfdNormalizedString = Normalizer.normalize(str, Normalizer.Form.NFD); 
    Pattern pattern = Pattern.compile("\\p{InCombiningDiacriticalMarks}+");
    return pattern.matcher(nfdNormalizedString).replaceAll("");
}

Comments

या जावा 7 में,"\\p{Block=CombiningDiacriticalMarks}"

— ब्रेंट फस्ट

जब आप विशेष रूप से .NET के लिए सवाल पूछते हैं तो आप एक जावा समाधान क्यों पोस्ट करेंगे?

— डेविड

@ डेविड यह सवाल "जावा ड्रॉप एक्सेंट" के लिए Google पर शीर्ष-हिट है। यह कहते हुए कि यह यहाँ नहीं है, लेकिन यह यहाँ उपयोगी है।

— blubb

Answer 10

टीएल; डीआर - सी # स्ट्रिंग विस्तार विधि

मुझे लगता है कि स्ट्रिंग के अर्थ को बचाने के लिये सबसे अच्छा समाधान के लिए उन्हें अलग करना है, जो अच्छी तरह से उदाहरण में दर्शाया गया है के बजाय वर्ण परिवर्तित करने के लिए है crème brûléeकरने के लिए crme brleबनाम creme brulee।

मैंने ऊपर अलेक्जेंडर की टिप्पणी की जाँच की और Lucene.Net कोड Apache 2.0 का लाइसेंस देखा, इसलिए मैंने कक्षा को एक सरल स्ट्रिंग एक्सटेंशन विधि में संशोधित किया है। आप इसे इस तरह से उपयोग कर सकते हैं:

var originalString = "crème brûlée";
var maxLength = originalString.Length; // limit output length as necessary
var foldedString = originalString.FoldToASCII(maxLength); 
// "creme brulee"

समारोह StackOverflow के उत्तर में पोस्ट करने के लिए बहुत लंबा है (~ 30 k के 139k वर्ण योग्य अनुमति देता है) तो मैंने एक जिस्ट बनाया और लेखकों को जिम्मेदार ठहराया :

/*
 * Licensed to the Apache Software Foundation (ASF) under one or more
 * contributor license agreements.  See the NOTICE file distributed with
 * this work for additional information regarding copyright ownership.
 * The ASF licenses this file to You under the Apache License, Version 2.0
 * (the "License"); you may not use this file except in compliance with
 * the License.  You may obtain a copy of the License at
 *
 *     http://www.apache.org/licenses/LICENSE-2.0
 *
 * Unless required by applicable law or agreed to in writing, software
 * distributed under the License is distributed on an "AS IS" BASIS,
 * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
 * See the License for the specific language governing permissions and
 * limitations under the License.
 */

/// <summary>
/// This class converts alphabetic, numeric, and symbolic Unicode characters
/// which are not in the first 127 ASCII characters (the "Basic Latin" Unicode
/// block) into their ASCII equivalents, if one exists.
/// <para/>
/// Characters from the following Unicode blocks are converted; however, only
/// those characters with reasonable ASCII alternatives are converted:
/// 
/// <ul>
///   <item><description>C1 Controls and Latin-1 Supplement: <a href="http://www.unicode.org/charts/PDF/U0080.pdf">http://www.unicode.org/charts/PDF/U0080.pdf</a></description></item>
///   <item><description>Latin Extended-A: <a href="http://www.unicode.org/charts/PDF/U0100.pdf">http://www.unicode.org/charts/PDF/U0100.pdf</a></description></item>
///   <item><description>Latin Extended-B: <a href="http://www.unicode.org/charts/PDF/U0180.pdf">http://www.unicode.org/charts/PDF/U0180.pdf</a></description></item>
///   <item><description>Latin Extended Additional: <a href="http://www.unicode.org/charts/PDF/U1E00.pdf">http://www.unicode.org/charts/PDF/U1E00.pdf</a></description></item>
///   <item><description>Latin Extended-C: <a href="http://www.unicode.org/charts/PDF/U2C60.pdf">http://www.unicode.org/charts/PDF/U2C60.pdf</a></description></item>
///   <item><description>Latin Extended-D: <a href="http://www.unicode.org/charts/PDF/UA720.pdf">http://www.unicode.org/charts/PDF/UA720.pdf</a></description></item>
///   <item><description>IPA Extensions: <a href="http://www.unicode.org/charts/PDF/U0250.pdf">http://www.unicode.org/charts/PDF/U0250.pdf</a></description></item>
///   <item><description>Phonetic Extensions: <a href="http://www.unicode.org/charts/PDF/U1D00.pdf">http://www.unicode.org/charts/PDF/U1D00.pdf</a></description></item>
///   <item><description>Phonetic Extensions Supplement: <a href="http://www.unicode.org/charts/PDF/U1D80.pdf">http://www.unicode.org/charts/PDF/U1D80.pdf</a></description></item>
///   <item><description>General Punctuation: <a href="http://www.unicode.org/charts/PDF/U2000.pdf">http://www.unicode.org/charts/PDF/U2000.pdf</a></description></item>
///   <item><description>Superscripts and Subscripts: <a href="http://www.unicode.org/charts/PDF/U2070.pdf">http://www.unicode.org/charts/PDF/U2070.pdf</a></description></item>
///   <item><description>Enclosed Alphanumerics: <a href="http://www.unicode.org/charts/PDF/U2460.pdf">http://www.unicode.org/charts/PDF/U2460.pdf</a></description></item>
///   <item><description>Dingbats: <a href="http://www.unicode.org/charts/PDF/U2700.pdf">http://www.unicode.org/charts/PDF/U2700.pdf</a></description></item>
///   <item><description>Supplemental Punctuation: <a href="http://www.unicode.org/charts/PDF/U2E00.pdf">http://www.unicode.org/charts/PDF/U2E00.pdf</a></description></item>
///   <item><description>Alphabetic Presentation Forms: <a href="http://www.unicode.org/charts/PDF/UFB00.pdf">http://www.unicode.org/charts/PDF/UFB00.pdf</a></description></item>
///   <item><description>Halfwidth and Fullwidth Forms: <a href="http://www.unicode.org/charts/PDF/UFF00.pdf">http://www.unicode.org/charts/PDF/UFF00.pdf</a></description></item>
/// </ul>
/// <para/>
/// See: <a href="http://en.wikipedia.org/wiki/Latin_characters_in_Unicode">http://en.wikipedia.org/wiki/Latin_characters_in_Unicode</a>
/// <para/>
/// For example, '&amp;agrave;' will be replaced by 'a'.
/// </summary>
public static partial class StringExtensions
{
    /// <summary>
    /// Converts characters above ASCII to their ASCII equivalents.  For example,
    /// accents are removed from accented characters. 
    /// </summary>
    /// <param name="input">     The string of characters to fold </param>
    /// <param name="length">    The length of the folded return string </param>
    /// <returns> length of output </returns>
    public static string FoldToASCII(this string input, int? length = null)
    {
        // See https://gist.github.com/andyraddatz/e6a396fb91856174d4e3f1bf2e10951c
    }
}

आशा है कि किसी और की मदद करता है, यह सबसे मजबूत समाधान है जो मैंने पाया है!

Comments

कैविट्स: 1) टीईटी अवधारणा स्थानीय-निर्भर है। उदाहरण के लिए, "ä" "a" या "aa" हो सकता है। 2) गलत / गलत: परिणाम केवल C0 नियंत्रण और मूल लैटिन ब्लॉक से आवश्यक नहीं है। यह केवल लैटिन अक्षरों और कुछ प्रतीक वेरिएंट को "समकक्ष" में परिवर्तित करता है। (बेशक, कोई गैर-सी 0 नियंत्रण और बेसिक लैटिन ब्लॉक वर्णों को बदलने या हटाने के लिए एक और पास ले सकता है।) लेकिन यह वही करेगा जो यह अच्छी तरह से करता है।

— टॉम ब्लॉडगट

Answer 11

यह VB संस्करण है (GREEK के साथ काम करता है):

आयात प्रणाली

आयात प्रणाली

Public Function RemoveDiacritics(ByVal s As String)
    Dim normalizedString As String
    Dim stringBuilder As New StringBuilder
    normalizedString = s.Normalize(NormalizationForm.FormD)
    Dim i As Integer
    Dim c As Char
    For i = 0 To normalizedString.Length - 1
        c = normalizedString(i)
        If CharUnicodeInfo.GetUnicodeCategory(c) <> UnicodeCategory.NonSpacingMark Then
            stringBuilder.Append(c)
        End If
    Next
    Return stringBuilder.ToString()
End Function

Comments

एक पुराना उत्तर हो सकता है, लेकिन आप चर घोषणा और पहले असाइनमेंट के लिए अलग-अलग लाइनों का उपयोग क्यों कर रहे हैं?

— NiKiZe

Answer 12

हेल्परशाप पैकेज आज़माएं ।

एक तरीका है RemoveAccents:

 public static string RemoveAccents(this string source)
 {
     //8 bit characters 
     byte[] b = Encoding.GetEncoding(1251).GetBytes(source);

     // 7 bit characters
     string t = Encoding.ASCII.GetString(b);
     Regex re = new Regex("[^a-zA-Z0-9]=-_/");
     string c = re.Replace(t, " ");
     return c;
 }

Answer 13

यह है कि मैं अपने सभी .NET प्रोग्राम में गैर-वर्णक वाले के लिए diacritic वर्णों को कैसे प्रतिस्थापित करता हूं

सी#:

//Transforms the culture of a letter to its equivalent representation in the 0-127 ascii table, such as the letter 'é' is substituted by an 'e'
public string RemoveDiacritics(string s)
{
    string normalizedString = null;
    StringBuilder stringBuilder = new StringBuilder();
    normalizedString = s.Normalize(NormalizationForm.FormD);
    int i = 0;
    char c = '\0';

    for (i = 0; i <= normalizedString.Length - 1; i++)
    {
        c = normalizedString[i];
        if (CharUnicodeInfo.GetUnicodeCategory(c) != UnicodeCategory.NonSpacingMark)
        {
            stringBuilder.Append(c);
        }
    }

    return stringBuilder.ToString().ToLower();
}

VB .NET:

'Transforms the culture of a letter to its equivalent representation in the 0-127 ascii table, such as the letter "é" is substituted by an "e"'
Public Function RemoveDiacritics(ByVal s As String) As String
    Dim normalizedString As String
    Dim stringBuilder As New StringBuilder
    normalizedString = s.Normalize(NormalizationForm.FormD)
    Dim i As Integer
    Dim c As Char

    For i = 0 To normalizedString.Length - 1
        c = normalizedString(i)
        If CharUnicodeInfo.GetUnicodeCategory(c) <> UnicodeCategory.NonSpacingMark Then
            stringBuilder.Append(c)
        End If
    Next
    Return stringBuilder.ToString().ToLower()
End Function

Answer 14

आप MMLib से स्ट्रिंग एक्सटेंशन का उपयोग कर सकते हैं।

using MMLib.RapidPrototyping.Generators;
public void ExtensionsExample()
{
  string target = "aácčeéií";
  Assert.AreEqual("aacceeii", target.RemoveDiacritics());
} 

---

Nuget पेज: https://www.nuget.org/packages/MMLib.Extensions/ Codeplex प्रोजेक्ट साइट https://mmlib.codeplex.com/

Answer 15

यदि आपने पहले से ही इस पर विचार नहीं किया है, तो इस लाइब्रेरी को यहां रोकें। ऐसा लगता है कि इसके साथ इकाई परीक्षणों की एक पूरी श्रृंखला है।

https://github.com/thomasgalliker/Diacritics.NET

Answer 16

Imports System.Text
Imports System.Globalization

 Public Function DECODE(ByVal x As String) As String
        Dim sb As New StringBuilder
        For Each c As Char In x.Normalize(NormalizationForm.FormD).Where(Function(a) CharUnicodeInfo.GetUnicodeCategory(a) <> UnicodeCategory.NonSpacingMark)  
            sb.Append(c)
        Next
        Return sb.ToString()
    End Function

Comments

एनएफसी के बजाय एनएफडी का उपयोग करने से उन अनुरोधों से कहीं अधिक परिवर्तन होगा।

— जॉन हैना

Answer 17

इस व्यक्ति ने क्या कहा:

Encoding.ASCII.GetString(Encoding.GetEncoding(1251).GetBytes(text));

यह वास्तव में पसंद करता है कि åइनमें से कौन सा एक वर्ण है (जो कि वर्ण कोड है 00E5, न 0061 कि संशोधक 030Aजो समान दिखाई देगा) aप्लस किसी प्रकार के संशोधक में, और फिर ASCII रूपांतरण केवल हटाकर संशोधक को हटा देता है a।

Answer 18

मुझे वास्तव में azrafe7 द्वारा प्रदान किया गया संक्षिप्त और कार्यात्मक कोड पसंद है । इसलिए, मैंने इसे विस्तार विधि में बदलने के लिए इसे थोड़ा बदल दिया है:

public static class StringExtensions
{
    public static string RemoveDiacritics(this string text)
    {
        const string SINGLEBYTE_LATIN_ASCII_ENCODING = "ISO-8859-8";

        if (string.IsNullOrEmpty(text))
        {
            return string.Empty;
        }

        return Encoding.ASCII.GetString(
            Encoding.GetEncoding(SINGLEBYTE_LATIN_ASCII_ENCODING).GetBytes(text));
    }
}

Comments

यह एकमात्र तरीका है जो सभी पॉलिश डायक्रिटिक्स के साथ काम करता है। स्वीकृत उत्तर Ł और ł वर्णों के साथ काम नहीं करता है।

— यारेकी

Answer 19

पर्याप्त प्रतिष्ठा नहीं होने के कारण, मैं अलेक्जेंडर के उत्कृष्ट लिंक पर टिप्पणी नहीं कर सकता। - ल्यूसिन यथोचित सामान्य मामलों में काम करने वाला एकमात्र समाधान प्रतीत होता है।

एक सरल कॉपी-पेस्ट समाधान चाहने वालों के लिए, यहाँ यह है, ल्यूसीन में कोड का लाभ:

string testbed = "ÁÂÄÅÇÉÍÎÓÖØÚÜÞàáâãäåéçèéêëîïðí =ñóööúúāāččğğıŁłńŌōřŞşšźžșțệủ";

Console.WriteLine (Lucene.latinizeLucene (testbed));

AAAACEIIOOOUUTHaaaaaaaeceeeeiiiidnoooouuaacDegiLlnOorSsszzsteu

//////////

public static class Lucene
{
    // source: https://raw.githubusercontent.com/apache/lucenenet/master/src/Lucene.Net.Analysis.Common/Analysis/Miscellaneous/ASCIIFoldingFilter.cs
    // idea: /programming/249087/how-do-i-remove-diacritics-accents-from-a-string-in-net (scroll down, search for lucene by Alexander)
    public static string latinizeLucene(string arg)
    {
        char[] argChar = arg.ToCharArray();

        // latinizeLuceneImpl can expand one char up to four chars - e.g. Þ to TH, or æ to ae, or in fact ⑽ to (10)
        char[] resultChar = new String(' ', arg.Length * 4).ToCharArray();

        int outputPos = Lucene.latinizeLuceneImpl(argChar, 0, ref resultChar, 0, arg.Length);

        string ret = new string(resultChar);
        ret = ret.Substring(0, outputPos);

        return ret;
    }

    /// <summary>
    /// Converts characters above ASCII to their ASCII equivalents.  For example,
    /// accents are removed from accented characters. 
    /// <para/>
    /// @lucene.internal
    /// </summary>
    /// <param name="input">     The characters to fold </param>
    /// <param name="inputPos">  Index of the first character to fold </param>
    /// <param name="output">    The result of the folding. Should be of size >= <c>length * 4</c>. </param>
    /// <param name="outputPos"> Index of output where to put the result of the folding </param>
    /// <param name="length">    The number of characters to fold </param>
    /// <returns> length of output </returns>
    private static int latinizeLuceneImpl(char[] input, int inputPos, ref char[] output, int outputPos, int length)
    {
        int end = inputPos + length;
        for (int pos = inputPos; pos < end; ++pos)
        {
            char c = input[pos];

            // Quick test: if it's not in range then just keep current character
            if (c < '\u0080')
            {
                output[outputPos++] = c;
            }
            else
            {
                switch (c)
                {
                    case '\u00C0': // À  [LATIN CAPITAL LETTER A WITH GRAVE]
                    case '\u00C1': // Á  [LATIN CAPITAL LETTER A WITH ACUTE]
                    case '\u00C2': // Â  [LATIN CAPITAL LETTER A WITH CIRCUMFLEX]
                    case '\u00C3': // Ã  [LATIN CAPITAL LETTER A WITH TILDE]
                    case '\u00C4': // Ä  [LATIN CAPITAL LETTER A WITH DIAERESIS]
                    case '\u00C5': // Å  [LATIN CAPITAL LETTER A WITH RING ABOVE]
                    case '\u0100': // Ā  [LATIN CAPITAL LETTER A WITH MACRON]
                    case '\u0102': // Ă  [LATIN CAPITAL LETTER A WITH BREVE]
                    case '\u0104': // Ą  [LATIN CAPITAL LETTER A WITH OGONEK]
                    case '\u018F': // Ə  http://en.wikipedia.org/wiki/Schwa  [LATIN CAPITAL LETTER SCHWA]
                    case '\u01CD': // Ǎ  [LATIN CAPITAL LETTER A WITH CARON]
                    case '\u01DE': // Ǟ  [LATIN CAPITAL LETTER A WITH DIAERESIS AND MACRON]
                    case '\u01E0': // Ǡ  [LATIN CAPITAL LETTER A WITH DOT ABOVE AND MACRON]
                    case '\u01FA': // Ǻ  [LATIN CAPITAL LETTER A WITH RING ABOVE AND ACUTE]
                    case '\u0200': // Ȁ  [LATIN CAPITAL LETTER A WITH DOUBLE GRAVE]
                    case '\u0202': // Ȃ  [LATIN CAPITAL LETTER A WITH INVERTED BREVE]
                    case '\u0226': // Ȧ  [LATIN CAPITAL LETTER A WITH DOT ABOVE]
                    case '\u023A': // Ⱥ  [LATIN CAPITAL LETTER A WITH STROKE]
                    case '\u1D00': // ᴀ  [LATIN LETTER SMALL CAPITAL A]
                    case '\u1E00': // Ḁ  [LATIN CAPITAL LETTER A WITH RING BELOW]
                    case '\u1EA0': // Ạ  [LATIN CAPITAL LETTER A WITH DOT BELOW]
                    case '\u1EA2': // Ả  [LATIN CAPITAL LETTER A WITH HOOK ABOVE]
                    case '\u1EA4': // Ấ  [LATIN CAPITAL LETTER A WITH CIRCUMFLEX AND ACUTE]
                    case '\u1EA6': // Ầ  [LATIN CAPITAL LETTER A WITH CIRCUMFLEX AND GRAVE]
                    case '\u1EA8': // Ẩ  [LATIN CAPITAL LETTER A WITH CIRCUMFLEX AND HOOK ABOVE]
                    case '\u1EAA': // Ẫ  [LATIN CAPITAL LETTER A WITH CIRCUMFLEX AND TILDE]
                    case '\u1EAC': // Ậ  [LATIN CAPITAL LETTER A WITH CIRCUMFLEX AND DOT BELOW]
                    case '\u1EAE': // Ắ  [LATIN CAPITAL LETTER A WITH BREVE AND ACUTE]
                    case '\u1EB0': // Ằ  [LATIN CAPITAL LETTER A WITH BREVE AND GRAVE]
                    case '\u1EB2': // Ẳ  [LATIN CAPITAL LETTER A WITH BREVE AND HOOK ABOVE]
                    case '\u1EB4': // Ẵ  [LATIN CAPITAL LETTER A WITH BREVE AND TILDE]
                    case '\u1EB6': // Ặ  [LATIN CAPITAL LETTER A WITH BREVE AND DOT BELOW]
                    case '\u24B6': // Ⓐ  [CIRCLED LATIN CAPITAL LETTER A]
                    case '\uFF21': // Ａ  [FULLWIDTH LATIN CAPITAL LETTER A]
                        output[outputPos++] = 'A';
                        break;
                    case '\u00E0': // à  [LATIN SMALL LETTER A WITH GRAVE]
                    case '\u00E1': // á  [LATIN SMALL LETTER A WITH ACUTE]
                    case '\u00E2': // â  [LATIN SMALL LETTER A WITH CIRCUMFLEX]
                    case '\u00E3': // ã  [LATIN SMALL LETTER A WITH TILDE]
                    case '\u00E4': // ä  [LATIN SMALL LETTER A WITH DIAERESIS]
                    case '\u00E5': // å  [LATIN SMALL LETTER A WITH RING ABOVE]
                    case '\u0101': // ā  [LATIN SMALL LETTER A WITH MACRON]
                    case '\u0103': // ă  [LATIN SMALL LETTER A WITH BREVE]
                    case '\u0105': // ą  [LATIN SMALL LETTER A WITH OGONEK]
                    case '\u01CE': // ǎ  [LATIN SMALL LETTER A WITH CARON]
                    case '\u01DF': // ǟ  [LATIN SMALL LETTER A WITH DIAERESIS AND MACRON]
                    case '\u01E1': // ǡ  [LATIN SMALL LETTER A WITH DOT ABOVE AND MACRON]
                    case '\u01FB': // ǻ  [LATIN SMALL LETTER A WITH RING ABOVE AND ACUTE]
                    case '\u0201': // ȁ  [LATIN SMALL LETTER A WITH DOUBLE GRAVE]
                    case '\u0203': // ȃ  [LATIN SMALL LETTER A WITH INVERTED BREVE]
                    case '\u0227': // ȧ  [LATIN SMALL LETTER A WITH DOT ABOVE]
                    case '\u0250': // ɐ  [LATIN SMALL LETTER TURNED A]
                    case '\u0259': // ə  [LATIN SMALL LETTER SCHWA]
                    case '\u025A': // ɚ  [LATIN SMALL LETTER SCHWA WITH HOOK]
                    case '\u1D8F': // ᶏ  [LATIN SMALL LETTER A WITH RETROFLEX HOOK]
                    case '\u1D95': // ᶕ  [LATIN SMALL LETTER SCHWA WITH RETROFLEX HOOK]
                    case '\u1E01': // ạ  [LATIN SMALL LETTER A WITH RING BELOW]
                    case '\u1E9A': // ả  [LATIN SMALL LETTER A WITH RIGHT HALF RING]
                    case '\u1EA1': // ạ  [LATIN SMALL LETTER A WITH DOT BELOW]
                    case '\u1EA3': // ả  [LATIN SMALL LETTER A WITH HOOK ABOVE]
                    case '\u1EA5': // ấ  [LATIN SMALL LETTER A WITH CIRCUMFLEX AND ACUTE]
                    case '\u1EA7': // ầ  [LATIN SMALL LETTER A WITH CIRCUMFLEX AND GRAVE]
                    case '\u1EA9': // ẩ  [LATIN SMALL LETTER A WITH CIRCUMFLEX AND HOOK ABOVE]
                    case '\u1EAB': // ẫ  [LATIN SMALL LETTER A WITH CIRCUMFLEX AND TILDE]
                    case '\u1EAD': // ậ  [LATIN SMALL LETTER A WITH CIRCUMFLEX AND DOT BELOW]
                    case '\u1EAF': // ắ  [LATIN SMALL LETTER A WITH BREVE AND ACUTE]
                    case '\u1EB1': // ằ  [LATIN SMALL LETTER A WITH BREVE AND GRAVE]
                    case '\u1EB3': // ẳ  [LATIN SMALL LETTER A WITH BREVE AND HOOK ABOVE]
                    case '\u1EB5': // ẵ  [LATIN SMALL LETTER A WITH BREVE AND TILDE]
                    case '\u1EB7': // ặ  [LATIN SMALL LETTER A WITH BREVE AND DOT BELOW]
                    case '\u2090': // ₐ  [LATIN SUBSCRIPT SMALL LETTER A]
                    case '\u2094': // ₔ  [LATIN SUBSCRIPT SMALL LETTER SCHWA]
                    case '\u24D0': // ⓐ  [CIRCLED LATIN SMALL LETTER A]
                    case '\u2C65': // ⱥ  [LATIN SMALL LETTER A WITH STROKE]
                    case '\u2C6F': // Ɐ  [LATIN CAPITAL LETTER TURNED A]
                    case '\uFF41': // ａ  [FULLWIDTH LATIN SMALL LETTER A]
                        output[outputPos++] = 'a';
                        break;
                    case '\uA732': // Ꜳ  [LATIN CAPITAL LETTER AA]
                        output[outputPos++] = 'A';
                        output[outputPos++] = 'A';
                        break;
                    case '\u00C6': // Æ  [LATIN CAPITAL LETTER AE]
                    case '\u01E2': // Ǣ  [LATIN CAPITAL LETTER AE WITH MACRON]
                    case '\u01FC': // Ǽ  [LATIN CAPITAL LETTER AE WITH ACUTE]
                    case '\u1D01': // ᴁ  [LATIN LETTER SMALL CAPITAL AE]
                        output[outputPos++] = 'A';
                        output[outputPos++] = 'E';
                        break;
                    case '\uA734': // Ꜵ  [LATIN CAPITAL LETTER AO]
                        output[outputPos++] = 'A';
                        output[outputPos++] = 'O';
                        break;
                    case '\uA736': // Ꜷ  [LATIN CAPITAL LETTER AU]
                        output[outputPos++] = 'A';
                        output[outputPos++] = 'U';
                        break;

        // etc. etc. etc.
        // see link above for complete source code
        // 
        // unfortunately, postings are limited, as in
        // "Body is limited to 30000 characters; you entered 136098."

                    [...]

                    case '\u2053': // ⁓  [SWUNG DASH]
                    case '\uFF5E': // ～  [FULLWIDTH TILDE]
                        output[outputPos++] = '~';
                        break;
                    default:
                        output[outputPos++] = c;
                        break;
                }
            }
        }
        return outputPos;
    }
}