こんにちは、 @kz_morita です。 今回は、康熙部首 (こうきぶしゅ) という特殊な文字についてのメモです。 気になったきっかけ きっかけとしては、特定の文字列の中であるキーワードが含まれているかというよくあるプログラムの中で意図しない挙動をした際のデバッグでした。 具体的には以下のようなプログラムです。 def containMonth(txt: String): Boolean = { txt.contains("月") } val input_1 = "6月" val input_2 = "一⽉" println(s"input_1 = ${containMonth(input_1)}") println(s"input_2 = ${containMonth(input_2)}") 期待する結果は、２回 true が表示されることでしたが、結果は以下のようになります。 input_1 = true input_2 = false 原因 これは、input_2 に含まれる「つき」の漢字が通常の文字ではなく、康熙部首 と呼ばれる特殊な文字であったために起こりました。 一見ほぼ見分けがつかないですが、まったく別の unicode で異なる漢字だったために、判定の結果 false となります。 文字 unicode 月 \u6708 ⽉ \u2f94 康熙部首 の一覧は以下のサイトに記載されています。一般的な漢字も多いので注意が必要そうです。 KangXi Radicals unicode subset これらの文字の検出ですが、U+2F00〜U+2FDF の間に定義されているためそれらを検知できればよさそうです。