¿Por qué Apache Commons considera '१२३' numérico?

Según la documentación de Apache Commons Lang para StringUtils.isNumeric(), la cadena '१२३' es numérica.

Como creí que esto podría ser un error en la documentación, realicé pruebas para verificar la declaración. Descubrí que según Apache Commons es numérico.

¿Por qué esta cadena es numérica? ¿Qué representan esos personajes?

Porque ese "CharSequence contiene solo dígitos Unicode" (citando su documentación vinculada ).

Todos los caracteres devuelven verdadero para Character.isDigit:

Algunos rangos de caracteres Unicode que contienen dígitos:

• '\ u0030' a '\ u0039', dígitos ISO-LATIN-1 ('0' a '9')
• '\ u0660' a '\ u0669', dígitos árabe-índicos
• '\ u06F0' a '\ u06F9', dígitos extendidos árabe-índicos
• '\ u0966' a '\ u096F', dígitos Devanagari
• '\ uFF10' a '\ uFF19', dígitos de ancho completo

Muchos otros rangos de caracteres también contienen dígitos.

१२३ son dígitos devanagari:

• १es DEVANAGARI DIGIT ONE,\u0967
• २es DEVANAGARI DIGIT TWO,\u0968
• ३es DEVANAGARI DIGIT THREE,\u0969

El símbolo १२३ es el mismo que 123 para el idioma nepalí o cualquier otro idioma que use la escritura devanagari , como hindi, gujarati, etc., y por lo tanto es un número para Apache Commons.

Puede utilizar Character#getTypepara comprobar la categoría general del personaje:

System.out.println(Character.DECIMAL_DIGIT_NUMBER == Character.getType('१'));

Esto se imprimirá true, lo que es una "evidencia" de que '१' es un número de dígito .

Ahora examinemos el valor Unicode del carácter '१':

System.out.println(Integer.toHexString('१'));
// 967

Este número está en el rango de dígitos Devanagari , que es: \u0966hasta \u096F.

Intenta también:

Character.UnicodeBlock block = Character.UnicodeBlock.of('१');
System.out.println(block.toString());
// DEVANAGARI

Devanagari es:

es un alfabeto abugida (alphasyllabary) de India y Nepal

"१२३" es un "123" (Unicode latino básico).

Leyendo:

• Más detalles sobre el carácter '१'
• StringUtils#isNumeric implementación

Si alguna vez desea saber qué propiedades tiene un "carácter" en particular (y hay bastantes), vaya directamente a la fuente: Unicode.org . Tienen herramientas de investigación que pueden mostrarle casi todo lo que le gustaría saber.

• Si desea ver todas las propiedades de un personaje específico, intente lo siguiente:

  http://unicode.org/cldr/utility/character.jsp?a=१

  o:

  http://unicode.org/cldr/utility/character.jsp?a=%E0%A5%A7

• Si desea ver todos los caracteres clasificados como "dígitos decimales" (es decir, con valores numéricos del 0 al 9), intente lo siguiente:

  http://unicode.org/cldr/utility/list-unicodeset.jsp?a=[:Numeric_Type=Decimal:]
  ^{(550 puntos de código - actualmente / a partir de Unicode 9.0)}

• Si desea ver todos los caracteres clasificados como "números de dígitos no decimales" (es decir, fracciones, encerrados en un círculo, etc.), intente lo siguiente:

  http://unicode.org/cldr/utility/list-unicodeset.jsp?a=[:Numeric_Type=Numeric:]
  ^{(836 puntos de código - actualmente / a partir de Unicode 9.0)}

• Si desea ver todos los caracteres clasificados como "dígitos decimales" (es decir, con valores numéricos de 0 a 9), pero solo hasta Unicode 6.0 (que utiliza .NET) , intente lo siguiente:

  http://unicode.org/cldr/utility/list-unicodeset.jsp?a=[:Numeric_Type=Decimal:]%26[:Age=6.0:]
  ^{(420 puntos de código, y no debería cambiar)}

• Si desea ver todos los caracteres clasificados como "dígitos decimales" (es decir, con valores numéricos de 0 a 9), pero solo hasta Unicode 6.0 (que utiliza .NET), y solo en el plano base-multilingüe / sin caracteres suplementarios ( es decir, nada por encima del punto de código 65535 / U + 0xFFFF) , intente lo siguiente:

  http://unicode.org/cldr/utility/list-unicodeset.jsp?a=[:Numeric_Type=Decimal:]%26[:Age=6.0:]%26[:bmp=Yes:]
  ^{(350 puntos de código - - y no debería cambiar)}

TENGA EN CUENTA: Unicode Consortium produce una especificación, no un software. Esto significa que depende de cada proveedor de software implementar la especificación con la mayor precisión posible . Así que, al igual que HTML, JavaScript, CSS, SQL, etc., existe una variación entre diferentes plataformas, lenguajes, etc. Por ejemplo, encontré un error en .NET Framework de Microsoft en el que las letras latinas encerradas en un círculo A-Zy los a-zpuntos de código 0x24B6 a 0x24E9 no se registran correctamente como siendo char.IsLetter = true( informe de error aquí ). Y eso conduce a un comportamiento inesperado en la funcionalidad relacionada, como cuando se llama al TextInfo.ToTitleCase()método ( informe de error aquí ).

Los símbolos '१२३' en realidad se derivan del idioma hindi (básicamente del idioma sánscrito, es decir, Devanagiri) que representan valores numéricos como:

१ representa 1

२ representa 2

y de la misma manera