rrpl

48 24578

包装

可以使用-和|分别构成更复杂的字形的符号。这些符号可以链接到具有相等空间的两个以上符号。

例子：

结果	代码	结果	代码
	27-26-26		2468|24578

分组

( and )符号可用于将组件分组在一起，因此可以按正确的顺序进行混合水平和垂直包装。

例子：

结果	代码	结果	代码
	(48|37)-(25678|27)-(37|15)		(46-68)|(246-268)|(24-28)

引用

可以直接引用其他字符和激进分子来构建新角色。解析器将直接将参考字形的内容转移到字符串中，类似于C/C ++ #include功能。这使得描述更复杂的汉字特别容易，因为它们大多数由激进分子组成。

例子：

结果	代码	结果	代码
	廿|468|由|(八)		((車|(山))-(殳))|(手)
	((口)-(口))|(甲)|十		(((木)-(缶)-(木))|(冖))|((鬯)-(彡))

解析器

rrpl_parser.js中包含一个基线解析器，该分析器为该交互式演示提供动力。它可以与浏览器侧JavaScript以及Node.js一起使用：

 //require the module: (or in html, <script src="./rrpl_parser.js"></script>)
var parser = require ( './rrpl_parser.js' ) ;

//obtain an abstract syntax tree
var ast = parser . parse ( "(48|37)-(25678|27)-(37|15)" ) ;

//returns line segments (normalized 0.0-1.0) that can be used to render the character
var lines = parser . toLines ( parser . toRects ( ast ) ) ; 

文件类型

RRPL数据可以存储在JSON文件中，将根对象映射Unicode字符到各自的描述时，例如

 {
  "一" : "48" ,
  "丁" : "468|26|27" ,
  "上" : "246|248" ,
  "不" : "(48-45678-48)|(3-26-1)" ,
  "丕" : "不|一" ,
  "中" : "(46-2468-68)|(24-2468-28)" ,
  "串" : "中|中"
}

这些文件中的引用通常首先在尝试渲染之前扩展。这可以通过两种方式完成。第一个是在rrpl_parser.js中使用parser.preprocess(json_object) ，而第二个是使用compile.js 。可以在这些文件的标题评论中找到更多文档。

通过使用compress.js的原始文件的一半，可以将JSON文件进一步压缩为（并从未压缩过）二进制文件，通过使用半字节来编码RRPL Alphabet中的每个符号。

下载

• DIST/MIN-TRAD.JSON包含以JSON格式存储的5000多个传统汉字的RRPL描述。
• DIST/RRPL.TTF包含一个真正的类型字体（TTF），其中包含5000多个传统汉字，默认解析器生成的字形。下面是MacOS textedit.app中字体的屏幕截图：

工具

渲染

• 生成一个preview.html网页，该页面包含RRPL JSON文件中所有字符的渲染：

 $node render.js preview path/to/input.json

• 生成一个realtime.html网页，可以在其中进行用户输入并进行交互渲染：（输入文件中定义的字符可供参考）

 $node render.js realtime path/to/input.json

出口

• 导出一个svg的文件夹（可扩展向量图形）在RRPL JSON文件中的每个字符的渲染：

 $node export_glyphs.js path/to/input.json path/to/output/folder 0

与render.js的生成相反，这些SVG包含字形的“大纲”，而不是简单的笔触。可以在export_glyphs.js的源代码中调整更多设置，例如厚度；命令行API将在以后出现。

• 为了从上述SVG生成TTF（true类型）字体，可以将Fontforge的Python库用于此目的。 （ pip install fontforge ）可以在tools/forge_font.py中找到一个示例。

申请

由于RRPL将所有汉字都简化为简短的数字，因此可以通过Markov Chains，RNN和LSTM等顺序模型来学习它们的结构。我已将RNN（经常性神经网络）应用于该语言，以幻觉不存在的汉字。以下是通过对〜1000 RRPL字符描述训练过夜产生的一些字符，使用Pix2Pix模型呈现视觉效果。该项目的单独存储库将很快创建。

贡献

rrpl.json包含最新的，正在进行的版本。那里有大约5,000个字符，但是存在50,000多个汉字！因此，非常感谢帮助。如果您想帮助该项目，请在文件中附加新字符并提交拉动请求。有关更多信息，请通过发送电子邮件至lingdonh [at] andrew [dot] cmu [dot] edu与我联系。

以下是到目前为止使用RRPL表示的所有5000多个中文字符的渲染。单击图像放大。