码表里是否应该删去一些兼容区的字，以及日本简化字（还混进了乱码）

[garywill]

关于码表疑问

开始问之前：

1. 平常使用的码表似乎仅在repo https://github.com/fcitx/fcitx-table-data 里，而这个repo已经archive了

2. 根据之前这个PR的处理（https://gitlab.com/fcitx/fcitx-table-extra/-/merge_requests/9 ）我当时想将wubi-large.txt里兼容区字符搜（FA8E）换成统一区的搜（641C）。当时的维护者添加了漏掉了的统一区字符，不删除兼容区的，同时保留两者。

   • 五笔字型wbx.txt in fcitx-table-data
   • 五笔大字集wubi-large.txt in fcitx5-table-extra
   • 五笔98 in fcitx5-table-extra

   那么，我的理解：五笔码表3种，只有wbx.txt是给普通的五笔86用户日常所用的

现在，码表里发现，https://github.com/fcitx/fcitx-table-data/blob/master/wbx.txt 中有以下兼容区字符：

   兼容字符  -> 所对应的统一字符
郎 63788 F92C -> U+90CE (yveb 郎，与统一区字yvcb码不同)， U+90DE
凉 63865 F979 -> U+51C9 （以下几个，左右五笔码相同）
秊 63893 F995 -> U+79CA
裏 63975 F9E7 -> U+88CF
隣 63985 F9F1 -> U+96A3
兀 64012 FA0C -> U+5140
嗀 64013 FA0D -> U+55C0
礼 64024 FA18
蘒 64032 FA20

我认为是否应删除？ 或许至少应该删除前7个有对应Unihan kCompatibilityVariant的（即，Unicode认为这些汉字兼容字符不应使用，人们应该使用其所对应的统一汉字字符）

删除的理由还有：

1. 那7个兼容字符对应的统一区字符已在wbx.txt中有了，无必要另有兼容区字符
2. 凡是有这些兼容字符的，都仅是单字，并不成词语。而对应的统一区字符成词语
3. 简单比较了一下前7个兼容字符与所对应的统一字符外观，可以说无区别
4. 拼音码表 https://github.com/fcitx/fcitx/blob/289b2f674d95651d4e0d0c77a48e3a2f0da40efe/src/im/pinyin/data/gbkpy.org 里无这些兼容区字符
5. 遍历搜索了fcitx5-table-extra/的文件（搜索词为郎|凉|秊|裏|隣|兀|嗀|礼|蘒|），许多IM也没有这些字符

附：wbx.txt里那些兼容区字符所在：

3865:atnv   蘒
3913:attg   蘒
3920:attx   蘒
6248:boqh   隣
18261:finn  礼
19596:fpgc  嗀
25565:gqv   兀
77059:ttfj  秊
83137:uyiy  凉
96185:yjfe  裏
98898:yveb  郎

另外这还有一个乱码 � 65533 FFFD

88857:wqfn 低�   

[lilydjwg]

支持删掉这些没啥用的字，或者至少单独放着。

我甚至想要只包含中国大陆规范中的字，去除各种繁体异体。

[garywill]

我甚至想要只包含中国大陆规范中的字，去除各种繁体异体。

繁体异体还不算最离谱的，现实是连日本专用新字形也在码表里

我做了一个工具用以发现这些特殊字符 https://garywill.github.io/cc-visualize/

其实这样很容易造成人打错字的，比如「步行」的「步」字，如果你记忆失误，把其下半部分记成了「少」（多了一点），那么刚好有一个日本字在那让你选

hir 步
hitr 歩   《==这个是日本字

不只是这个五笔码表有这样的问题。我简略测试了一下别的输入法和其他地方repo的码表，许多都有类似的问题

[lilydjwg]

@garywill 我没看明白你这个工具的数据在哪里。我想用你的数据写个命令行版本来处理我的码表。

[garywill]

@lilydjwg

opencc-data/    
unicode-data/
summary-data/     这里面是结合了以上两者的数据，用这个吧

数据是包装在.js的文件里的。若看到以类似

summary_data = {
  ..... 很多很多行
}

开头的.js文件就是数据。

xxxx-data/下面的pre开头的文件是预处理（shell及node），用来将原始数据生成以上.js包装的数据（已生成好了，不用管）

至于如何使用这些数据，你可以参考根目录下的那几个.js文件（先看unusual_conditions.js吧，里面是如何判断一个字符属于”非寻常“字符）

不知道这样说清楚了没。。

我想用你的数据写个命令行版本来处理我的码表。

如果你真的弄好了cli，PR一个给我吧，我也在想要有个cli的来处理local text files 处理好生成了码表共享一下 ：）

[lilydjwg]

感谢解释，我已经把自己的码表处理好了。所有代码公开，但是码表含有私人信息，无法共享。新写的 filter-lines 功能比较简陋，我先不发 pr 了。

我的处理流程：

1. 导出主码表： libime_tabledict -d ~/.local/share/fcitx5/table/lilywb.main.dict main.txt
2. 导出用户码表： libime_tabledict -du ~/.local/share/fcitx5/table/lilywb.user.dict user.txt
3. 使用 tabledict_combine 合并： tabledict_combine main.txt user.txt > combined.txt
4. 使用 filter-lines 关掉其它字符过滤（修改 main.rs）： cargo run --release < combined.txt > filtered.txt
5. 开启其它字符过滤（修改 main.rs）： cargo run --release < combined.txt > filtered-with-others.txt
6. 确认需要删除的其它字符项： vimdiff filtered.txt filtered-with-others.txt
7. 修改 filtered.txt 生成删除并保存的指令
8. 关闭输入法，使用 fcitx5-tabledict 执行删除操作： fcitx5-tabledict < filtered.txt
9. 导出主码表： libime_tabledict -d ~/.local/share/fcitx5/table/lilywb.main.dict main.txt
10. 导出用户码表： libime_tabledict -du ~/.local/share/fcitx5/table/lilywb.user.dict user.txt
11. 合并： tabledict_combine main.txt user.txt > combined.txt
12. 修改 main.txt，替换数据为 combined.txt 的结果，然后生成新码表： libime_tabledict main.txt lilywb.main.dict
13. 安装新码表、删除旧的用户码表
14. 启动 fcitx5

[wengxt]

过去的 pua 区的字符是在老系统上 gbk 到 unicode 转换造成的，已经在 https://github.com/fcitx/libime/commit/ed70dc4ef1e2223da2a12d907b4adb2e4bf9f9ae 去掉