Co należy wiedzieć o algorytmie bidi i znacznikach

Podstawowy kierunek (kontekst kierunkowy)

Rezultat algorytmu dwukierunkowego zależy od podstawowego kierunku paragrafu, lub strony, na której jest używany. Podstawowy kierunek określa kontekst kierunkowy, do którego odnosi się algorytm bidi w różnych miejscach aby zdecydować jak poradzić sobie z tekstem.

W XHTML podstawowy kierunek jest albo ustawiany ręcznie przez najbliższy element używający atrybutu dir, albo, w przypadku braku takiego atrybutu, jest dziedziczony po domyślnym ustawieniu kiedrunku tekstu w dokumencie, czyli od lewej do prawej.

Aby ustawić domyślny kierunek całego dokumentu XHTML na z prawej do lewej dodaj dir="rtl" do taguhtml. Będzie to oznaczało, że wszystkie elementy dokumentu odziedziczą kierunek od lewej do prawej, chyba że zostanie użyty artybutdir na elemencie w celu zmiany kierunku w obrębie tego elementu.

Znaki i kierunek pisania

Wiemy już, że ciąg łacińskich znaków jest wyświetlany jeden po drugim od lewej do prawej (możemy to zaobserwować w poniższym akapicie). Z drugiej strony, algorytm bidi wyświetli ciąg arabskich i hebrajskich znaków jeden po drugim od prawej do lewej.

Jest to niezależne od obecnego podstawowego kierunku pisania i działa ponieważ w Unicode każdy znak ma przypisaną kierunkowość. Większość liter jest pisanych LTR. Litery pisane w tekstach od prawej do lewej mają określony kierunek RTL.

Ciągi kierunkowe

Kiedy w jednym wersie miesza się tekst o różnych kierunkach algorytm bidi wyświetla każdy ciąg sąsiadujących znaków tak samo jak wyświetlił by oddzielny ciąg znaków.

Tak więc w poniższym przykładzie są trzy ciągi kierunkowe:

Można spojrzeć na to również tak, że zmiana kierunku określa granicę ciągu kierunkowego.

Zauważ, że nie potrzeba żadnych znaczników czy specjalnego stylu aby to działało.

Jeszcze jedna ważna informacja: kierunek, w którym ciąg kierunkowy zostanie wyświetlony na stronie zależy od obecnego podstawowego kierunku.

W powyższym przykładzie, który ma ogólny kontekst (kierunek podstawowy) LTR raczej powinno się przeczytać najpierw 'bahrain', potem 'مصر', a potem 'kuwait'.

Jeśli zmianisz kontekst kierunkowy powyższego przykładu określając element html lub blok jako RTL zobaczysz to:

Znaki w obu wersach przechowywane są w pamięci w dokładnie taki sam sposób, ale kolejność wyświetlania ciągów jest odwrócona.

Znaki neutralne

Spacje i znaki interpunkcyjne nie mają form LTR I RTL w Unicode, bo mogą być używane w każdym typie skryptu. Dlatego są klasyfikowane jako neutralne.

I tu zaczyna się robić interesująco. Kiedy algorytm bidi napotka znaki z neutralnymi cechami (takie jak spacje i znaki interpunkcyjne) ustala jak je potraktować na podstawie otaczających je znaków.

Neutralny znak znajdujący się pomiędzy dwoma znakami pisanymi w tym samym kierunku przyjmie ten sam kierunek. Więc neutralny znak pomiędzy dwoma znakami RTL będzie traktowany jako znak RTL i będzie miał efekt przedłużenia serii o tym samym kierunku pisania. Dlatego trzy arabskie słowa (oddzielone neutralnymi znakami) w tym zdaniu czytane są od prawej do lewej jako jedna seria kierunkowa. (Strzałki pokazują kierunek czytania.)

Zauważ, ze dalej niepotrzebne są znaczniki i poprawki stylistyczne. I nadal są tu trzy serie kierunkowe.

Interesujące zachowanie pojawia się wtedy gdy neutralny znak znajduje się pomiędzy dwoma znakami o różnych kierunkach. W takim wypadku neutralny znak będzie traktowany jakby miał kierunek taki sam jak ogólny kierunek paragrafu lub kontekstu. Ma to efekt tworzenia granicy pomiędzy seriami kierunkowymi.

Nawet jeśli jest kilka neutralnych znaków pomiędzy dwoma typami znaków, będą one traktowane w taki sam sposób.

Wszystkie implikacje tych zmian staną się jasne gdy będziemy je omawiali przykładach w następnej sekcji.

Cyfry

Cyfry w skryptach RTL są w kolejności od lewej do prawej w obrębie serii pisanej od prawej do lewej, ale algorytm bidi radzi sobie z nimi trochę inaczej niż ze słowami. Mówi się, że cyfry mają słabą kierunkowość. Poniższe dwa przykłady ilustrują tę różnicę.

Pierwszy przykład używa Europejskich cyfr "1234", a drugi wyraża te same cyfry używając arabsko-Indyjskich cyfr ١٢٣٤. W obu przypadkach cyfry czytane są od lewej do prawej.

Ponieważ cyfry mają słabą kierunkowość, cyfry postrzegane są jako część Aabskiego tekstu, więc dwa arabskie słowa, które otaczają cyfry traktowane są jako część tego samego ciągu kierunkowego mimo iż sekwencja cyfr pokazywana jest od lewej do prawej na ekranie.

Zauważ także, że tak jak cyfry, niektóre inne znaki jak na przykład symbole walut będą traktowane raczej jako numer a nie znak neutralny.

Przemieszczone znaki neutralne

Neutralne znaki pomiędzy dwoma ciągami kierunkowymi mogą czasem zostać źle zinterpretowane. Napiszmy znak interpunkcyjny na końcu arabskiej frazy w ostatnim przykładzie. Zgodnie z ustawieniami domyślnymi otrzymamy taką serię:

Cudzysłów jest na porządku, ale wykrzyknik jest na złym miejscu. Powinien być na końcu arabskiego tekstu, czyli z lewej, tak jak tu:

Biorąc pod uwagę działanie algorytmu bidi wiemy czemu tak się stało. Ponieważ wykrzyknik był pomiędzy ostatnim znakiem RTL 'ب' (z lewej) i literą LTR “p”(wyrazu „po”) jego kierunek został ustalony na podstawie ogólnego kontekstu paragrafu (tutaj LTR). Zauważ, że nie ma różnicy, że są tam dwa znaki interpunkcyjne i spacja – wszystkie są neutralne, więc są jednakowo traktowane.

Ponieważ wykrzyknik jest uznany za LTR zostaje dołączony do serii kierunkowej , w który wliczony jest tekst “po arabsku”.

Jak więc umieścić znaki interpunkcyjne we właściwym miejscu?

W takiej sytuacji rzeważnie otoczyłbyś arabski cytat znacznikami – aby oznaczyć go jako cytat, lub by podać informację o języku. W tym wypadku jest na to proste lekarstwo. Zastosuj atrybut na Tagu aby zmienić kierunek tekstu na RTL.

Oto przykład jak to może wyglądać w XHTML.

Zauważ, że znacznik span znajduje się wewnątrz cudzysłowu – to część otaczającego go polskiego tekstu.

Jest też inna możliwość: można wpisać niewidoczny znak typu RTL po wykrzykniku. Wtedy wykrzyknik zostanie zinterpretowany jako RTL i włączony do arabskiego kierunku tekstu.

Tak się składa, że istnieje taki znak – znak Unicode U+200F, zwany Z-PRAWEJ-DO-LEWEJ (RLM). Jest też podobny znak, U+200E, zwany Z-LEWEJ-DO-PRAWEJ (LRM).

Ponieważ znak ten jest niewidoczny, może będziesz wolał wpisać znak odniesienia numerycznego(‏) lub jeśli jest to możliwe, inny znak ‏ w XHTML).

W poniższym przykładzie znak ‏ został dodany po wykrzykniku I rezultat wygląda dobrze:

Jeśli znacznik już jest wpisany wokół cudzysłowu najlepszym rozwiązaniem będzie użyciedir, a nie znaku control. W przeciwnym wypadku łatwiej może być użyć znaku control.

Znaki neutralne z kryzysem osobowości

Znaki neutralne pomiędzy identycznymi ciągami kierunkowymi czasem mogą zostać źle zinterpretowane. W naszym kolejnym przykładzie kolejność jest nieprawidłowa, ponieważ pierwsze dwa arabskie słowa powinny być odwrócone, a przecinek będący częścią angielskiego tekstu powinien pojawić się po pierwszym wyrazie.

Chcieliśmy otrzymać:

Dzieje się tak dlatego, że w tekście pisanym od prawej do lewej (RTL) po obu stronach neutralnego znaku algorytm postrzega ten znak jako część tekstu arabskiego. W rzeczywistości jest to część angielskiego tekstu i przecinek powinien oddzielać dwa teksty kierunkowe po arabsku.

Podczas gdy w poprzedniej sekcji neutralny znak myślał, że jest częścią ogólnego kontekstu, a nie był, w tej sekcji znak neutralny myśli, że jest częścią serii kierunkowej kiedy tak naprawdę jest częścią ogólnego kontekstu! Nikt nie mówił, że życie jest proste…

Wstawianie znaczników wokół przecinka przypomina trochę rozbijanie skorupki jajka przy użyciu młotka w tym przypadku.

Dobrym rozwiązaniem w takiej sytuacji jest użycie kolejnego niewidocznego znaku Unicode, tym razem znaku LTR obok przecinka. W takim wypadku neutralny znak interpunkcyjny znajdzie się pomiędzy znakami RTL i LTR, co zmusi go do przyjęcia ogólnego kierunku kontekstu, czyli LTR. Wtedy dwa arabskie słowa odbierane są jako dwie różne serie kierunkowe, o kierunku LTR zgodnie z dominującym kierunkiem tekstu w paragrafie.

Może będziesz wolał wybrać NCR (‎) lub inny znak (taki jak ‎) jeśli jest to możliwe.

Znowu razem

Przykłady używane do tej pory bazowały na języku polskim i orientacji LTR. Te same zasady dotyczą tekstów pisanych RTL w językach takich jak hebrajski czy arabski. Spójrzmy na jeszcze jeden przykład.

Niestety pozostawiony samemu sobie algorytm bidi nie zrobi nic dobrego z poniższym tekstem w akapicie napisanym od prawej do lewej. (Czerwone cyfry to część diagramu, a nie tekst i są tam umieszczone w celu numeracji nawiasów).

Oto co chcemy zobaczyć.

Wygląda to na bardzo trudne do rozwiązania, ale rozwiązanie tego problemu jest trywialne. Wystarczy wstawić RLM po „W3C” i to tyle. Naprawdę bardzo proste.

Jeśli to nie przekonuje, spójrzmy na wyjaśnienie.

Wcześniej nawias oznaczony "1" znajdował się pomiędzy dwoma znakami pisanymi od lewej do prawej , więc także obrał ten kierunek. Sprawia to, że 'W3C (World Wide Web Consortium" jest odbierany jako ciag znaków w tym samym kierunku.

Wstawienie RLM po 'W3C' zmiania kierunek nawiasu. Teraz jest on pomiędzy znakami o wyraźnym kierunku LTR i RTL, więc przyjmuje kierunek podstawowy, czyli kierunek RTL całego akapitu. Ma to sens jeśli będziesz odbierał nawiaj jako część zdania hebrajskiego. Kolejny nawias również jest pisany RTL ponieważ pojawia się pomiędzy Łacińskim i hebrajskim znakiem.

Oznacza to, że teraz mamy do czynienia z trzema kierunkami pisania na początku tekstu. Ustawione są w następującej kolejności: 'W3C', nawias RTL, i tekst "World Wide Web Consortium". Ponieważ kierunek dla całego akapitu to od prawej do lewej to, co wpisaliśmy wyświetlane jest od prawej do lewej - czyli tak jak chcieliśmy.

(Zmiana hieroglifu z prawej strony nawiasu następuje automatycznie. Hieroglif użyty dla „odwróconych znaków” zmienia się zgodnie z kierunkiem tekstu. To ciągle ten sam znak..)

Znaki odwrócone

Może zauważyłeś, że jeden z nawiasów we wcześniejszym przykładzie zmienił także swój kształt. Stało się tak automatycznie ponieważ nawias to jeden ze znaków odwróconych w Unicode.

Odwrócone znaki to przeważnie pary znaków, takich jak nawias okrągły, czy kwadratowy itp, których kształt jest zależny od tego czy są częścią kontekstu LTR czy RTL. Nie musisz zmieniać znaku, aby zmienił się jego kształt.

Końce nawiasu otwierającego zawsze są skierowane zgodnie z kierunkiem tekstu. Na poniższym obrazku Nawias w czerwonym okręgu jest skierowany w prawo w górnej lini ponieważ jest traktowany jako otwarcie nawiasu w tekście Łacińskim. W niższej wersji tekstu ten sam znak (zaznaczony na czerwono) jest traktowany jako otwarcie nawiasu w hebrajskim tekscie (pełna nazwa występuje po akronimie przy czytaniu) i dlatego skierowany jest w drugą stronę.

Oznacza to, że niezależnie od tego czy tekst jest w arabskim/hebrajskim czy łacińskim musisz użyć tego samego znaku - LEWEGO NAWIASU na początku tekstu, który ma być w nawiasie. Innymi słowy traktuj znaki odwrócone tak jakby każdy wyraz w lewo oznaczał 'otwarcie', a w prawo oznaczał 'zamknięcie'.

Grupowanie serii kierunkowych

Algorytm bidi i znaczniki kierunków działają całkiem nieźle kiedy jest tylko jeden poziom mieszanego tekstu. Kiedy nastąpi sytuacja, w której są dwa, lub więcej zgrupowanych poziomów różnokierunkowych tekstów, będziemy potrzebować innego rozwiązania. Poniższy obrazek pokazuje Łacińskie zdanie zawierające hebrajski cytet, który zawiera i hebrajski i łaciński tekst.

Kolejność hebrajskich słów jest poprawna, ale tekst “W3C” powiniej pojawić się z lewej strony cudzysłowu, a przecinek pomiędzy hebrajskim tekstem i “W3C”. Innymi słowy powinno to wyglądać tak:

Ten problem pojawia się, bo kierunki tekstu ustalane są na podstawie kontekstu LTR paragrafu. Jednak wewnątrz hebrajskiego cytatu domyślnym kierunkiem tekstu powinien być RTL.

Aby rozwiązać ten problem musimy utworzyć nowypoziom osadzania. W XHTML oznaczałoby to otoczenie cytatu znacznikami i przypisanie im kierunkowości RTL używając atrybutu dir.

W językach znaczników innych niż XHTML/HTML można znaleźć podobne atrybuty, do których można zastosować różne style aby uzyskać podobny efekt. Jeśli nie ma takiego atrybutu można ręcznie dostosować znaczniki, ale pewnie lepiej byłoby zwrócić się do dewelopera znaczników aby je dostarczył.

Można też użyć znaków kontrolnych Unicode aby otrzymać ten sam rezultat, ale ponieważ tworzą one obszary z niewidocznymi granicami odradza się ich używania.