基础 · \p{S} 符号四子类

\p{S} 符号四子类：竖线是符号、脱字符不是重音、emoji 归哪一类

接着 \p{P} 标点七子类那页——码点档案的 gc 表里，和 \p{P} 并排的还有一行 Symbol（符号）\p{S}，它切成 4 个子类 Sm Sc Sk So（数学 / 货币 / 修饰 / 其他）。反直觉的归类集中在此：+ | ~ 是数学符号 Sm（不是标点）、$ € 是货币 Sc、^ ´ ¨ 是修饰符号 Sk（看着像重音，实为独立符号），而 😀 © ★ 全挤在 catch-all 子类 So 里。

注 · gc 子类是「身份」，不是「住址」。一个码点的 General_Category 在 UCD 里是单值的——| 的 gc 永远是 Sm，无论它在代码里当「或」、当管道还是当绝对值竖线。这和 Block（住址）不同：住址只说它住哪段码位。本页所有「是不是某子类」都用 /^\p{…}$/u 当场测，不是查表。

1 · 看着像符号却不是符号的字符

挑选符号最常见的误区是凭字形归类。下面这些天天见、像极了符号的字符，gc 落在标点 P 或字母 L 里。

图 1-1 · 七个「看着像符号」的字符及其真实 gc，每行的判定当场实测。

警示 · 两点结论。其一，百分号 % ‰、角分秒 ′ ″ 看着是「记号」，gc 却是标点 Po（和脚注符号同桶，见标点七子类）；§ ¶ 在 Unicode 6.1 之前曾是 So，之后并入 Po。其二，微符号 µ（U+00B5）、欧姆常用的 Ω（实为希腊大写 Omega U+03A9）、抑扬符 ˆ（U+02C6）看着是符号，gc 却是字母（Ll / Lu / Lm）——「长得像」从来推不出「是哪类」。

2 · 四个子类的实测基数

每个码点恰好属于其中一个。So 是 catch-all 子类，独占近九成。

表 2-1 · 四个符号子类及其码点数，合计 8617 个（Unicode 17.0）。计数由全码空间逐码点枚举所得。emoji 几乎都落在 So 一类。
子类	名称	码点数	典型成员
`So`	Other 其他符号	7468	© ® ™ ° № ℃ ★ ♠ ♥ ☑ ░ █ 😀
`Sm`	Math 数学符号	960	+ < = > \| ~ ± × ÷ ¬ ∑ ∫ ∞ → ↔
`Sk`	Modifier 修饰符号	125	^ ` ´ ¨ ˜ ¯ ¸ ˚
`Sc`	Currency 货币符号	64	$ ¢ £ ¥ € ₩ ₹ ₿ ฿ ¤

3 · 探针：任意字符落在哪个子类

图 3-1 · 单个字符的符号子类归属逐项实测，不是符号时报它真实的大类。可试竖线（是 Sm）、脱字符（是 Sk）、百分号（实为标点 Po）与 emoji（是 So）。

4 · 四子类着色器

把一段含各种符号的文本逐码点上色，属于 \p{S} 的按四子类着色、其余灰显。

图 4-1 · 一段文本里的符号按四子类着色。可粘贴任意文本或点预设，观察各子类的分布与计数。

5 · 全量速查：8617 个符号

四个子类的全部码点，先按 gc 子类、再按 Unicode block 分组。搜索支持码位 hex（如 2103 或 U+2103）、Unicode 名（如 degree、arrow）、直接粘一个字符，或块名（如 currency、letterlike）。

图 5-1 · 全部 8617 个符号码点按子类与 block 分组的速查表。默认只渲染选中的一类，搜索时跨全部四类查找。

注 · So 占了近九成。7468 个 So 里绝大多数是 emoji 与 CJK 兼容符号——本页只把它们和 Sm/Sc/Sk 并列计数；emoji 的拆解见 Basic_Emoji 等几页，「画图用」的那撮见形状符号。点子类按钮只渲染选中的那一类（默认 Sm），所以即便 So 有 7468 个也不卡顿。

6 · Sm 与 Math 属性的包含关系

Sm（gc 子类）和 \p{Math}（二元属性）常被当成一回事，实为两套坐标：gc 子类是单值身份，Math 是能跨着 gc 切的标签。

图 6-1 · 四个符号子类各自有多少成员被 Math 属性收进去。Sm 整桶被含住，Sc 一个都不是。

注 · 所以「数学符号」有两种问法：按 gc 问 \p{Sm} 得到 960 个「形状就是算符」的字；按属性问 \p{Math} 得到 2322 个「数学语境会用」的字，含被借用的字母与记号。详见 \p{Math} 全量速查——那页正是把这 2322 个全列了出来。

7 · Sk 间隔修饰符与 Mn 组合记号

^ ´ ¨ 这些看着像「重音 / 声调符」，gc 却是 Symbol, modifier（Sk）——它们是独立、占一格的字符，自己就能打出来。这和真正的组合记号 Mn（Mark, nonspacing）是两回事：后者零宽、必须附在前一个字母上叠加渲染。同一种「帽子」，Unicode 备了两份。

图 7-1 · 六组「帽子」的间隔符号与组合记号并排，gc 当场实测。右列借占位圆显形。

警示 · 同一段「修饰符」区里也分三类。Spacing Modifier Letters 块（U+02B0–02FF）里：发音符号 ˆ（U+02C6）ˉ（U+02C9）实为字母 Lm（Letter, modifier）、不是 Sk；而 ˜（U+02DC）˚（U+02DA）才是 Sk。判定一律以 gc 为准，别按所在块或长相猜。

8 · 摄氏度是兼容字符

摄氏 ℃（U+2103）、华氏 ℉（U+2109）的 gc 都是 So——不是标点、不是 Sm、也不是字母，和 emoji 😀 同属「其他符号」。但它们还有一层身份：住在 Letterlike Symbols 区（U+2100–214F）、是为旧编码与 CJK 等宽排版预先组合好的兼容字符。

图 8-1 · 三个度数记号的 gc 与 NFKC 归一化结果，当场调用归一化实测。

警示 · 它们是兼容字符，日常不该用。℃ ℉ 的 NFKC 分解就是 °C / °F——规范文本里应写度数符号 °（U+00B0，也是 So）加字母 C，而不是这个预组合单字。否则 '℃' !== '°C'；比较与查重前先 normalize('NFKC')，细节见归一化。

注 · 同区更隐蔽的例外是：住在 Letterlike Symbols 区不等于 gc 是符号。紧挨着的 Ω OHM SIGN（U+2126）和 K KELVIN SIGN（U+212A）长得像符号，gc 却是 Lu（大写字母），而且已被弃用——canonical 等价于普通的希腊 Ω（U+03A9）与拉丁 K（U+004B），连 NFC 都会把它们折叠掉（Å ANGSTROM U+212B → Å U+00C5 同理）。所以 ℃ ℉ ° 是 So，Ω K Å 反而是字母。

建议 · 三种「看着都像记号」凑齐了：预组合兼容字符 ℃（So，NFKC 拆成 °C）、管道符 |（Sm）、脚注用的 * †（Po，见标点七子类）——同样像符号，gc 分属 symbol 与标点两个大类、So / Sm / Po 三个子类。本页是码点的档案里 gc 表中 \p{S} 那一行的展开，和标点七子类是一对姊妹页。

9 · 写成符号的汉字

Kangxi Radicals 块（U+2F00–U+2FD5）的 214 个码点画出来与汉字无异：⼀ 与 一、⽅ 与 方、⼤ 与 大 在多数字体下逐笔相同。它们的 gc 却全是 So，与 ℃ 同属一类——为往返兼容既有标准而另开码位的兼容字符。台湾的 CNS 11643 早在汉字之外为部首单独编过码（按部首检字需要一份独立的部首表），Unicode 3.0 照此收入，两边才能无损往返。隔壁的 CJK Radicals Supplement（U+2E80–U+2EF3）收的是 ⺅ ⻌ 这类变形偏旁，115 个已分配码点同样全是 So。两块合计 329 个，都算在 §2 表里 So 那 7468 个之内。

图 9-1 · 三对部首与汉字并排，逐格实测 gc、字母类判定、Script 判定与 NFKC 结果。末两行取自 CJK Radicals Supplement，其中⺟是该块里少见的备有兼容分解者。

gc 是 So 而非 Lo，后果是按字母类筛汉字的写法一个都不命中：\p{L}、\p{Unified_Ideograph}、[\u4e00-\u9fff] 对 ⼀ 全判 false，命中的只有 \p{Script=Han}。Script 与 gc 是两套正交的坐标，这与 §6 里 Sm 和 Math 的关系同理。两条属性的交集给出一个恰好的判定式：全码空间里 \p{Script=Han} 与 \p{So} 同时成立的码点，就是上述两块的 329 个，一个不多一个不少。

NFKC 能不能救回，两块的答案不同。Kangxi Radicals 的 214 个全部备有兼容分解，normalize('NFKC') 逐个折回对应汉字；CJK Radicals Supplement 的 115 个里只有 ⺟（U+2E9F）与 ⻳（U+2EF3）折得回去，其余 113 个原样不动。差别不在实现而在有没有可折的目标：⺅ ⻌ 是只作偏旁的变形写法，本就没有对应的独立汉字；⺟ ⻳ 与 母 龟 同形，才有分解可写。

注 · 本节初稿按「部首块都能靠 NFKC 折回汉字」写，逐码点扫过两块之后数字与结论都改了：康熙部首 214 个确实全部可折，补充块 115 个里可折的只有 2 个。「兼容字符总能归一化掉」这句常见说法，落到部首块上只对半边成立。

图 9-2 · 一段文本里的部首块字符逐字标红，并与 NFKC 之后的同一段并排。可粘贴文本或点预设，其中「NFKC 救不回的」一条转换后仍有红格。

警示 · 这批码点在拼音与五笔输入里几乎打不出来，文本里出现多半来自 OCR、PDF 抽取或旧系统转码，而屏幕上与汉字无从分辨。后果落在三处：按字母类写的校验与分词一律漏掉它们；indexOf('小') 找不到 ⼩；字体缺这批 glyph 时会回退成另一副面孔。入库前统一 normalize('NFKC') 挡得住康熙部首那 214 个，拦不住补充块剩下的 113 个，后者只能按码点区间显式拒收。

10 · 参考文献

Unicode. UAX #44 §General_Category Values. gc 全部大类与小类的官方定义表：Sm/Sc/Sk/So 各自收哪些字符、判定依据，以及它是单值属性这件事的出处。unicode.org
Wikipedia. Currency Symbols (Unicode block). Sc 货币符号：专属的 Currency Symbols 块（U+20A0–20CF）逐个码点，加散在别处的 $ ¢ £ ¥ ฿ ₿——本页 64 个 Sc 的来处。en.wikipedia.org
Codepoints. 逐码点数据库. 查任意码点的 gc、所属 block、是否 Math 等全部属性——核对本页 ^ ´ ¨ 的 Sk 归类、µ Ω ˆ 为何是字母最直接。codepoints.net
Unicode. Code Charts: Kangxi Radicals (U+2F00–U+2FDF). 214 个康熙部首的官方 glyph 与名称逐个列出，另有 CJK Radicals Supplement 一份——本页 §9 两块码点的出处。unicode.org
Unicode. The Unicode Standard, Chapter 18: East Asia. 两个 radical 块的收录用途，以及它们与 CJK Unified Ideographs 的分工。unicode.org