Módulo discusión:Unicode data/tests

Han fallado 2 pruebas.

test_get_best_script
	Código	Esperado	Resultado
	%!?́: Zyyy (3), Zinh (1)	nil	nil
	’ʼ“”†‡•‰′‽⁕ • Zyyy (11)	nil	nil
	col·legi: Latn (7), Zyyy (1)	Latn	Latn
HTML character references
	𐘀: Lina (1)	Lina	Lina
	𐘀 • Zyyy (8), Latn (1)	Lina	Lina
	– • Zyyy (1)	nil	nil
	– • Latn (5), Zyyy (2)	nil	nil
Halkomelem
	lá:yelhp: Latn (7), Zyyy (1)	Latn	Latn
	xʷməθkʷəy̓əm: Latn (10), Grek (1), Zinh (1)	nil	nil
	hən̓q̓əmin̓əm̓: Latn (10), Zinh (4)	Latn	Latn
Quotes
	Tant’è amara che poco è più morte; ma per trattar del ben ch’i’ vi trovai, dirò de l’altre cose ch’i’ v’ ho scorte. • Latn (83), Zyyy (32)	Latn	Latn
	Díí Késhmish biyiʼ yáʼąąshdę́ę́ʼ ląʼígóó bee nikʼihojidlíi dooleeł. Niheechʼínáánáháhígíí biyiʼ iłhodeezyéél, iłhózhǫ́, ayóóʼóʼóʼní bee nikʼihojidlíi dooleeł. Tʼáá sahdiigiʼ átʼéego baa hózhǫ́ǫgo nihił hanááhoolzhiizhígí biyiʼ tʼáá ałtsojįʼ iłhózhǫ́ nííʼ dooleeł. • Latn (207), Zyyy (52), Zinh (5)	Latn	Latn
	Μῆνῐν ᾰ̓́ειδε, θεᾱ́, Πηληῐ̈ᾰ́δεω Ᾰ̓χῐλῆος οὐλομένην, ἣ μῡρῐ́᾽ Ᾰ̓χαιοῖς ᾰ̓́λγε᾽ ἔθηκε, πολλᾱ̀ς δ᾽ ῐ̓φθῑ́μους ψῡχᾱ̀ς Ἄῐ̈δῐ προῐ̈́ᾰψεν ἡρώων, αὐτοὺς δὲ ἑλώρῐᾰ τεῦχε κῠ́νεσσιν οἰωνοῖσῐ́ τε πᾶσῐ· Δῐὸς δ᾽ ἐτελείετο βουλή· • Grek (160), Zyyy (36), Zinh (19)	Grek	Grek
	Вот если вы не согласитесь с этим последним тезисом и ответите: «Не так» или «не всегда так», то я, пожалуй, и ободрюсь духом насчет значения героя моего Алексея Федоровича. Ибо не только чудак «не всегда» частность и обособление, а напротив, бывает так, что он-то, пожалуй, и носит в себе иной раз сердцевину целого, а остальные люди его эпохи — все, каким-нибудь наплывным ветром, на время почему-то от него оторвались… • Cyrl (329), Zyyy (93)	Cyrl	Cyrl
	ॐ अग्निमीळे पुरोहितं यज्ञस्य देवमृत्विजम् । होतारं रत्नधातमम् ॥१॥ अग्निः पूर्वेभिरृषिभिरीड्यो नूतनैरुत । स देवाँ एह वक्षति ॥२॥ अग्निना रयिमश्नवत् पोषमेव दिवेदिवे । यशसं वीरवत्तमम् ॥३॥ अग्ने यं यज्ञमध्वरं विश्वतः परिभूरसि । स इद्देवेषु गच्छति ॥४॥ अग्निर्होता कविक्रतुः सत्यश्चित्रश्रवस्तमः । देवो देवेभिरा गमत् ॥५॥ यदङ्ग दाशुषे त्वमग्ने भद्रं करिष्यसि । तवेत् तत् सत्यमङ्गिरः ॥६॥ उप त्वाग्ने दिवेदिवे दोषावस्तर्धिया वयम् । नमो भरन्त एमसि ॥७॥ राजन्तमध्वराणां गोपामृतस्य दीदिविम् । वर्धमानं स्वे दमे ॥८॥ स नः पितेव सूनवेऽग्ने सूपायनो भव । सचस्वा नः स्वस्तये ॥९॥ • Deva (449), Zyyy (109)	Deva	Deva

test_is_Latin
	Código	Esperado	Resultado
	%!?́: Zyyy (3), Zinh (1)	false	false
	’ʼ“”†‡•‰′‽⁕ • Zyyy (11)	false	false
	col·legi: Latn (7), Zyyy (1)	true	true
HTML character references
	𐘀: Lina (1)	false	false
	𐘀 • Zyyy (8), Latn (1)	false	false
	– • Zyyy (1)	false	false
	– • Latn (5), Zyyy (2)	false	false
Halkomelem
	lá:yelhp: Latn (7), Zyyy (1)	true	true
	xʷməθkʷəy̓əm: Latn (10), Grek (1), Zinh (1)	false	false
	hən̓q̓əmin̓əm̓: Latn (10), Zinh (4)	true	true
Quotes
	Tant’è amara che poco è più morte; ma per trattar del ben ch’i’ vi trovai, dirò de l’altre cose ch’i’ v’ ho scorte. • Latn (83), Zyyy (32)	true	true
	Díí Késhmish biyiʼ yáʼąąshdę́ę́ʼ ląʼígóó bee nikʼihojidlíi dooleeł. Niheechʼínáánáháhígíí biyiʼ iłhodeezyéél, iłhózhǫ́, ayóóʼóʼóʼní bee nikʼihojidlíi dooleeł. Tʼáá sahdiigiʼ átʼéego baa hózhǫ́ǫgo nihił hanááhoolzhiizhígí biyiʼ tʼáá ałtsojįʼ iłhózhǫ́ nííʼ dooleeł. • Latn (207), Zyyy (52), Zinh (5)	true	true
	Μῆνῐν ᾰ̓́ειδε, θεᾱ́, Πηληῐ̈ᾰ́δεω Ᾰ̓χῐλῆος οὐλομένην, ἣ μῡρῐ́᾽ Ᾰ̓χαιοῖς ᾰ̓́λγε᾽ ἔθηκε, πολλᾱ̀ς δ᾽ ῐ̓φθῑ́μους ψῡχᾱ̀ς Ἄῐ̈δῐ προῐ̈́ᾰψεν ἡρώων, αὐτοὺς δὲ ἑλώρῐᾰ τεῦχε κῠ́νεσσιν οἰωνοῖσῐ́ τε πᾶσῐ· Δῐὸς δ᾽ ἐτελείετο βουλή· • Grek (160), Zyyy (36), Zinh (19)	false	false
	Вот если вы не согласитесь с этим последним тезисом и ответите: «Не так» или «не всегда так», то я, пожалуй, и ободрюсь духом насчет значения героя моего Алексея Федоровича. Ибо не только чудак «не всегда» частность и обособление, а напротив, бывает так, что он-то, пожалуй, и носит в себе иной раз сердцевину целого, а остальные люди его эпохи — все, каким-нибудь наплывным ветром, на время почему-то от него оторвались… • Cyrl (329), Zyyy (93)	false	false
	ॐ अग्निमीळे पुरोहितं यज्ञस्य देवमृत्विजम् । होतारं रत्नधातमम् ॥१॥ अग्निः पूर्वेभिरृषिभिरीड्यो नूतनैरुत । स देवाँ एह वक्षति ॥२॥ अग्निना रयिमश्नवत् पोषमेव दिवेदिवे । यशसं वीरवत्तमम् ॥३॥ अग्ने यं यज्ञमध्वरं विश्वतः परिभूरसि । स इद्देवेषु गच्छति ॥४॥ अग्निर्होता कविक्रतुः सत्यश्चित्रश्रवस्तमः । देवो देवेभिरा गमत् ॥५॥ यदङ्ग दाशुषे त्वमग्ने भद्रं करिष्यसि । तवेत् तत् सत्यमङ्गिरः ॥६॥ उप त्वाग्ने दिवेदिवे दोषावस्तर्धिया वयम् । नमो भरन्त एमसि ॥७॥ राजन्तमध्वराणां गोपामृतस्य दीदिविम् । वर्धमानं स्वे दमे ॥८॥ स नः पितेव सूनवेऽग्ने सूपायनो भव । सचस्वा नः स्वस्तये ॥९॥ • Deva (449), Zyyy (109)	false	false

test_is_combining
	Código	Esperado	Resultado
	U+0300: ◌̀ (COMBINING GRAVE ACCENT)	true	true
	U+0060: ` (GRAVE ACCENT)	false	false

test_is_default_ignorable
	Código	Esperado	Resultado

test_is_rtl
Código	Esperado	Resultado
أبو عبد الله محمد بن عبد الله اللواتي الطنجي بن بطوطة	true	true
أدب القاضي Adab al-qādī	false	false
ܛܘܼܒܲܝܗܘܿܢ ܠܐܲܝܠܹܝܢ ܕܲܕ݂ܟܹܝܢ ܒܠܸܒ̇ܗܘܿܢ܄ ܕܗܸܢ݂ܘܿܢ ܢܸܚܙܘܿܢ ܠܐܲܠܵܗܵܐ܂‬	true	true
בְּרֵאשִׁית, בָּרָא אֱלֹהִים, אֵת הַשָּׁמַיִם, וְאֵת הָאָרֶץ.	true	true
𞤀𞤣𞤤𞤢𞤥 𞤆𞤵𞤤𞤢𞤪	true	true
𐬬𐬍𐬯𐬞𐬈 ⸱ 𐬰𐬍 ⸱ 𐬀𐬥𐬌𐬌𐬉 ⸱ 𐬨𐬀𐬜𐬃𐬢𐬵𐬋 ⸱ 𐬀𐬉𐬴𐬨𐬀 ⸱ 𐬵𐬀𐬗𐬌𐬧𐬙𐬈 ⸱ 𐬑𐬭𐬎𐬎𐬍𐬨 ⸱ 𐬛𐬭𐬎𐬎𐬋 ⸱ 𐬁𐬀𐬝 ⸱ 𐬵𐬋 ⸱ 𐬫𐬋 ⸱ 𐬵𐬀𐬊𐬨𐬀𐬵𐬈 ⸱ 𐬨𐬀𐬜𐬋 ⸱ 𐬀𐬴𐬀 ⸱ 𐬵𐬀𐬗𐬀𐬌𐬙𐬈	true	true
ދިވެހި	true	true
𐤀𐤓𐤍𐤟𐤆𐤐𐤏𐤋𐤟𐤀𐤕𐤁𐤏𐤋𐤟𐤁𐤍𐤀𐤇𐤓𐤌𐤟𐤌𐤋𐤊𐤂𐤁𐤋𐤟𐤋𐤀𐤇𐤓𐤌𐤟𐤀𐤁𐤄	true	true
ࡌࡀࡍࡃࡀ ࡖࡄࡉࡉࡀ	true	true
ࠄࠟࠓࠂࠝࠓࠜࠉࠆࠜࠉࠌ	true	true
%$!^&	false	false

test_lookup_age
	Código	Esperado	Resultado

test_lookup_block
Código	Esperado	Resultado
U+0064: d	Basic Latin	Basic Latin
U+030B: ◌̋	Combining Diacritical Marks	Combining Diacritical Marks
U+03A3: Σ	Greek and Coptic	Greek and Coptic
U+0411: Б	Cyrillic	Cyrillic
U+10E6: ღ	Georgian	Georgian
U+3175: ㅵ	Hangul Compatibility Jamo	Hangul Compatibility Jamo
U+AC01: 각	Hangul Syllables	Hangul Syllables
U+4E0A: 上	CJK Unified Ideographs	CJK Unified Ideographs
U+1F608: 😈	Emoticons	Emoticons
U+30000: 𰀀	No Block	CJK Unified Ideographs Extension G
U+10FFFF	Supplementary Private Use Area-B	Supplementary Private Use Area-B

test_lookup_category
Código	Esperado	Resultado
U+0009 (<control-0009>)	Cc	Cc
U+0020: (SPACE)	Zs	Zs
U+005B: [ (LEFT SQUARE BRACKET)	Ps	Ps
U+005D: ] (RIGHT SQUARE BRACKET)	Pe	Pe
U+005E: ^ (CIRCUMFLEX ACCENT)	Sk	Sk
U+0041: A (LATIN CAPITAL LETTER A)	Lu	Lu
U+00AD (SOFT HYPHEN)	Cf	Cf
U+00BE: ¾ (VULGAR FRACTION THREE QUARTERS)	No	No
U+00AB: « (LEFT-POINTING DOUBLE ANGLE QUOTATION MARK)	Pi	Pi
U+00BB: » (RIGHT-POINTING DOUBLE ANGLE QUOTATION MARK)	Pf	Pf
U+0300: ◌̀ (COMBINING GRAVE ACCENT)	Mn	Mn
U+0488: ҈ (COMBINING CYRILLIC HUNDRED THOUSANDS SIGN)	Me	Me
U+0663: ٣ (ARABIC-INDIC DIGIT THREE)	Nd	Nd
U+5B50: 子 (CJK UNIFIED IDEOGRAPH-5B50)	Lo	Lo
U+1FAE: ᾮ (GREEK CAPITAL LETTER OMEGA WITH PSILI AND PERISPOMENI AND PROSGEGRAMMENI)	Lt	Lt
U+1B44: ◌᭄ (BALINESE ADEG ADEG)	Mc	Mc
U+2208: ∈ (ELEMENT OF)	Sm	Sm
U+203F: ‿ (UNDERTIE)	Pc	Pc
U+21B9: ↹ (LEFTWARDS ARROW TO BAR OVER RIGHTWARDS ARROW TO BAR)	So	So
U+2E17: ⸗ (DOUBLE OBLIQUE HYPHEN)	Pd	Pd
U+2167: Ⅷ (ROMAN NUMERAL EIGHT)	Nl	Nl
U+2028 (LINE SEPARATOR)	Zl	Zl
U+2029 (PARAGRAPH SEPARATOR)	Zp	Zp
U+309E: ゞ (HIRAGANA VOICED ITERATION MARK)	Lm	Lm
U+D800 (<surrogate-D800>)	Cs	Cs
U+FFE1: ￡ (FULLWIDTH POUND SIGN)	Sc	Sc
U+FFFF (<noncharacter-FFFF>)	Cn	nil
U+100000 (<private-use-100000>)	Co	Co

test_lookup_name
Código	Esperado	Resultado
U+0000	<control-0000>	<control-0000>
U+007F	<control-007F>	<control-007F>
U+00C1: Á	LATIN CAPITAL LETTER A WITH ACUTE	LATIN CAPITAL LETTER A WITH ACUTE
U+0300: ◌̀	COMBINING GRAVE ACCENT	COMBINING GRAVE ACCENT
U+0378	<reserved-0378>	<reserved-0378>
U+1B44: ◌᭄	BALINESE ADEG ADEG	BALINESE ADEG ADEG
U+1F71: ά	GREEK SMALL LETTER ALPHA WITH OXIA	GREEK SMALL LETTER ALPHA WITH OXIA
U+3555: 㕕	CJK UNIFIED IDEOGRAPH-3555	CJK UNIFIED IDEOGRAPH-3555
U+AC01: 각	HANGUL SYLLABLE GAG	HANGUL SYLLABLE GAG
U+D5FF: 헿	HANGUL SYLLABLE HEH	HANGUL SYLLABLE HEH
U+DC00	<surrogate-DC00>	<surrogate-DC00>
U+EEEE	<private-use-EEEE>	<private-use-EEEE>
U+FDD1	<noncharacter-FDD1>	<noncharacter-FDD1>
U+FFFD: �	REPLACEMENT CHARACTER	REPLACEMENT CHARACTER
U+FFFF	<noncharacter-FFFF>	<noncharacter-FFFF>
U+1F4A9: 💩	PILE OF POO	PILE OF POO
U+E0000	<reserved-E0000>	<reserved-E0000>
U+F0F0F	<private-use-F0F0F>	<private-use-F0F0F>
U+10FFFF	<noncharacter-10FFFF>	<noncharacter-10FFFF>

test_lookup_script
Código	Esperado	Resultado
U+0061: a (LATIN SMALL LETTER A)	Latn	Latn
U+002F: / (SOLIDUS)	Zyyy	Zyyy
U+0300: ◌̀ (COMBINING GRAVE ACCENT)	Zinh	Zinh
U+0378 (<reserved-0378>)	Zzzz	Zzzz
U+0398: Θ (GREEK CAPITAL LETTER THETA)	Grek	Grek
U+03E2: Ϣ (COPTIC CAPITAL LETTER SHEI)	Copt	Copt
U+2014: — (EM DASH)	Zyyy	Zyyy

Comienza una discusión acerca de Módulo:Unicode data/tests

Las páginas de discusión sirven para debatir sobre cómo hacer que el contenido de Wikipedia sea el mejor posible. Puedes utilizar esta página de discusión para empezar una discusión acerca de cómo mejorar Módulo:Unicode data/tests.

Escribir un mensaje

Añadir tema