文档首页
MySQL 9.0 参考手册
相关文档 下载本手册

12.14.4.2 MySQL 支持的 LDML 语法

本节描述 MySQL 识别的 LDML 语法。这是在 http://www.unicode.org/reports/tr35/ 上提供的 LDML 规范中描述的语法的子集,应参考该规范以获取更多信息。MySQL 识别足够大的语法子集,因此在许多情况下,可以从 Unicode 通用区域设置数据存储库下载排序规则定义并将相关部分(即 <rules></rules> 标签之间的部分)粘贴到 MySQL Index.xml 文件中。这里描述的规则都支持,但字符排序仅在主级别发生。指定二级或更高排序级别差异的规则将被识别(因此可以包含在排序规则定义中),但在主级别被视为相等。

当 MySQL 服务器在解析 Index.xml 文件时发现问题时,它会生成诊断信息。请参见 第 12.14.4.3 节,“Index.xml 解析期间的诊断”

字符表示

LDML 规则中命名的字符可以用文字或 \unnnn 格式编写,其中 nnnn 是十六进制 Unicode 代码点值。例如,Aá 可以用文字或 \u0041\u00E1 编写。在十六进制值内,数字 AF 不区分大小写;\u00E1\u00e1 是等效的。对于 UCA 4.0.0 排序规则,十六进制符号只能用于基本多语言平面中的字符,不能用于 BMP 范围 0000FFFF 之外的字符。对于 UCA 5.2.0 排序规则,十六进制符号可以用于任何字符。

Index.xml 文件本身应使用 UTF-8 编码编写。

语法规则

LDML 有重置规则和移位规则来指定字符顺序。排序作为一组规则给出,这些规则从一个重置规则开始,该规则建立一个锚点,然后是一些移位规则,这些规则指示字符相对于锚点的排序方式。

  • <reset> 规则本身不指定任何排序。相反,它 重置 随后移位规则的排序,使其相对于给定字符进行。以下两种规则之一将后续移位规则重置为相对于字母 'A' 进行

    <reset>A</reset>
    
    <reset>\u0041</reset>
  • <p><s><t> 移位规则定义了字符相对于另一个字符的主、次和三级差异

    • 使用主差异来区分不同的字母。

    • 使用次差异来区分重音变化。

    • 使用三级差异来区分字母大小写变化。

    以下两种规则之一为 'G' 字符指定主移位规则

    <p>G</p>
    
    <p>\u0047</p>
  • <i> 移位规则表示一个字符的排序与另一个字符相同。以下规则使 'b' 的排序与 'a' 相同

    <reset>a</reset>
    <i>b</i>
  • 缩写移位语法使用一对标签来指定多个移位规则。下表显示了缩写语法规则与等效的非缩写规则之间的对应关系。

    表 12.5 缩写移位语法

    缩写语法 非缩写语法
    <pc>xyz</pc> <p>x</p><p>y</p><p>z</p>
    <sc>xyz</sc> <s>x</s><s>y</s><s>z</s>
    <tc>xyz</tc> <t>x</t><t>y</t><t>z</t>
    <ic>xyz</ic> <i>x</i><i>y</i><i>z</i>

  • 扩展是一个重置规则,它为一个多字符序列建立一个锚点。MySQL 支持 2 到 6 个字符长的扩展。以下规则将 'z' 在主级别上设置高于三个字符 'abc' 的序列

    <reset>abc</reset>
    <p>z</p>
  • 收缩是一个移位规则,它对一个多字符序列进行排序。MySQL 支持 2 到 6 个字符长的收缩。以下规则将三个字符 'xyz' 的序列在主级别上设置高于 'a'

    <reset>a</reset>
    <p>xyz</p>
  • 长扩展和长收缩可以一起使用。这些规则将三个字符 'xyz' 的序列在主级别上设置高于三个字符 'abc' 的序列

    <reset>abc</reset>
    <p>xyz</p>
  • 普通扩展语法使用 <x><extend> 元素来指定扩展。以下规则将字符 'k' 在次级别上设置高于序列 'ch'。也就是说,'k' 的行为就好像它扩展到 'c' 之后的一个字符,后面跟着 'h'

    <reset>c</reset>
    <x><s>k</s><extend>h</extend></x>

    此语法允许长序列。这些规则将序列 'ccs' 在三级级别上设置高于序列 'cscs'

    <reset>cs</reset>
    <x><t>ccs</t><extend>cs</extend></x>

    LDML 规范将普通扩展语法描述为 棘手的。请参见该规范以获取详细信息。

  • 先前上下文语法使用 <x><context> 元素来指定字符之前的上下文影响其排序方式。以下规则将 '-' 在次级别上设置高于 'a',但仅当 '-' 出现在 'b' 之后时

    <reset>a</reset>
    <x><context>b</context><s>-</s></x>
  • 先前上下文语法可以包含 <extend> 元素。这些规则将 'def' 在主级别上设置高于 'aghi',但仅当 'def' 出现在 'abc' 之后时

    <reset>a</reset>
    <x><context>abc</context><p>def</p><extend>ghi</extend></x>
  • 重置规则允许一个 before 属性。通常,重置规则之后的移位规则指示排序在重置字符之后的字符。重置规则之后的移位规则,如果具有 before 属性,则指示排序在重置字符之前的字符。以下规则将字符 'b' 在主级别上紧接在 'a' 之前

    <reset before="primary">a</reset>
    <p>b</p>

    允许的 before 属性值通过名称或等效的数值来指定排序级别

    <reset before="primary">
    <reset before="1">
    
    <reset before="secondary">
    <reset before="2">
    
    <reset before="tertiary">
    <reset before="3">
  • 重置规则可以命名一个逻辑重置位置,而不是一个文字字符

    <first_tertiary_ignorable/>
    <last_tertiary_ignorable/>
    <first_secondary_ignorable/>
    <last_secondary_ignorable/>
    <first_primary_ignorable/>
    <last_primary_ignorable/>
    <first_variable/>
    <last_variable/>
    <first_non_ignorable/>
    <last_non_ignorable/>
    <first_trailing/>
    <last_trailing/>

    这些规则将 'z' 在主级别上设置高于具有默认 Unicode 排序元素表 (DUCET) 条目且不是 CJK 的不可忽略字符

    <reset><last_non_ignorable/></reset>
    <p>z</p>

    逻辑位置的代码点如下表所示。

    表 12.6 逻辑重置位置代码点

    逻辑位置 Unicode 4.0.0 代码点 Unicode 5.2.0 代码点
    <first_non_ignorable/> U+02D0 U+02D0
    <last_non_ignorable/> U+A48C U+1342E
    <first_primary_ignorable/> U+0332 U+0332
    <last_primary_ignorable/> U+20EA U+101FD
    <first_secondary_ignorable/> U+0000 U+0000
    <last_secondary_ignorable/> U+FE73 U+FE73
    <first_tertiary_ignorable/> U+0000 U+0000
    <last_tertiary_ignorable/> U+FE73 U+FE73
    <first_trailing/> U+0000 U+0000
    <last_trailing/> U+0000 U+0000
    <first_variable/> U+0009 U+0009
    <last_variable/> U+2183 U+1D371

  • The <collation> 元素允许一个 shift-after-method 属性,它影响移位规则的字符权重计算。该属性有以下允许的值

    • simple: 计算字符权重,就像没有 before 属性的重置规则一样。如果未给出该属性,则为默认值。

    • expand: 在重置规则之后使用扩展进行移位。

    假设 '0''1' 的权重分别为 0E290E2A,我们想要将所有基本拉丁字母放在 '0''1' 之间

    <reset>0</reset>
    <pc>abcdefghijklmnopqrstuvwxyz</pc>

    对于简单移位模式,权重按如下方式计算

    'a' has weight 0E29+1
    'b' has weight 0E29+2
    'c' has weight 0E29+3
    ...

    但是,没有足够的空位来将 26 个字符放在 '0''1' 之间。结果是数字和字母混合在一起。

    为了解决这个问题,使用 shift-after-method="expand"。然后权重按如下方式计算

    'a' has weight [0E29][233D+1]
    'b' has weight [0E29][233D+2]
    'c' has weight [0E29][233D+3]
    ...

    233D 是字符 0xA48C 的 UCA 4.0.0 权重,它是最后一个不可忽略字符(排序中最大的字符,不包括CJK)。UCA 5.2.0 类似,但使用 3ACA,对应于字符 0x1342E

MySQL 特定 LDML 扩展

LDML 规则的扩展允许 <collation> 元素在 <collation> 标签中包含一个可选的 version 属性,以指示排序规则所基于的 UCA 版本。如果省略了 version 属性,其默认值为 4.0.0。例如,此规范指示一个基于 UCA 5.2.0 的排序规则

<collation id="nnn" name="utf8mb4_xxx_ci" version="5.2.0">
...
</collation>