rrpl

48 24578

包裝

可以使用-和|分別構成更複雜的字形的符號。這些符號可以鏈接到具有相等空間的兩個以上符號。

例子：

結果	代碼	結果	代碼
	27-26-26		2468|24578

分組

( and )符號可用於將組件分組在一起，因此可以按正確的順序進行混合水平和垂直包裝。

例子：

結果	代碼	結果	代碼
	(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進分子來構建新角色。解析器將直接將參考字形的內容轉移到字符串中，類似於C/C ++ #include功能。這使得描述更複雜的漢字特別容易，因為它們大多數由激進分子組成。

例子：

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

解析器

rrpl_parser.js中包含一個基線解析器，該分析器為該交互式演示提供動力。它可以與瀏覽器側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 ) ) ; 

文件類型

RRPL數據可以存儲在JSON文件中，將根對象映射Unicode字符到各自的描述時，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"
}

這些文件中的引用通常首先在嘗試渲染之前擴展。這可以通過兩種方式完成。第一個是在rrpl_parser.js中使用parser.preprocess(json_object) ，而第二個是使用compile.js 。可以在這些文件的標題評論中找到更多文檔。

通過使用compress.js的原始文件的一半，可以將JSON文件進一步壓縮為（並從未壓縮過）二進製文件，通過使用半字節來編碼RRPL Alphabet中的每個符號。

下載

• DIST/MIN-TRAD.JSON包含以JSON格式存儲的5000多個傳統漢字的RRPL描述。
• DIST/RRPL.TTF包含一個真正的類型字體（TTF），其中包含5000多個傳統漢字，默認解析器生成的字形。下面是MacOS textedit.app中字體的屏幕截圖：

工具

渲染

• 生成一個preview.html網頁，該頁麵包含RRPL JSON文件中所有字符的渲染：

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

• 生成一個realtime.html網頁，可以在其中進行用戶輸入並進行交互渲染：（輸入文件中定義的字符可供參考）

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

出口

• 導出一個svg的文件夾（可擴展向量圖形）在RRPL JSON文件中的每個字符的渲染：

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

與render.js的生成相反，這些SVG包含字形的“大綱”，而不是簡單的筆觸。可以在export_glyphs.js的源代碼中調整更多設置，例如厚度；命令行API將在以後出現。

• 為了從上述SVG生成TTF（true類型）字體，可以將Fontforge的Python庫用於此目的。 （ pip install fontforge ）可以在tools/forge_font.py中找到一個示例。

申請

由於RRPL將所有漢字都簡化為簡短的數字，因此可以通過Markov Chains，RNN和LSTM等順序模型來學習它們的結構。我已將RNN（經常性神經網絡）應用於該語言，以幻覺不存在的漢字。以下是通過對〜1000 RRPL字符描述訓練過夜產生的一些字符，使用Pix2Pix模型呈現視覺效果。該項目的單獨存儲庫將很快創建。

貢獻

rrpl.json包含最新的，正在進行的版本。那裡有大約5,000個字符，但是存在50,000多個漢字！因此，非常感謝幫助。如果您想幫助該項目，請在文件中附加新字符並提交拉動請求。有關更多信息，請通過發送電子郵件至lingdonh [at] andrew [dot] cmu [dot] edu與我聯繫。

以下是到目前為止使用RRPL表示的所有5000多個中文字符的渲染。單擊圖像放大。