XeTeX 的一个中文处理脚本

其实这个东西早就该写了，只不过我既是一个懒人，也是一个看不惯不完美东西的人，所以一直不好意思去写。

For the impatient: [脚本在这里](http://www.newsmth.net/att.php?s.460.239183.807.py)

[XeTeX](http://scripts.sil.org/xetex) 是 Johnathan Kew 一开始在 Mac OS X 上开发的一套 TeX 系统的扩展，主要的特点是使用 ATSUI 支持了操作系统 native 的字体，而后使用 ICU 加入了对 complex scripts 等多语言排版的直接支持，算是 TeX 世界中很振奋人心的更新，我也一直在关注着，因为没有 Mac 用，所以不大了解详情。

直到最近 Johnathan 公布了 Linux 系统下的 XeTeX，结合 fontconfig 和 freetype、ICU 一起支持了 Linux 系统下的 native fonts 和多语言排版，并在 Jin Wan Cho (dvipdfmx 的作者之一) 的帮助下扩展了 dvipdfmx，支持 xetex 的“.xdv”输出。所以近期在我的 Arch Linux 上，好好把玩了一阵子 XeTeX (中间的经历，在 [newsmth](http://www.newsmth.net/) 的 [TeX](http://www.newsmth.net/bbsdoc.php?board=TeX) 版和朋友们提过)，虽然发现有诸多不便，但仍然觉得这是一个很值得发展的东西。

最大的不便在于 mixed scripts typesetting，即所谓多种语言混杂的排版，因为目前 XeTeX (其实 TeX 也是，只不过无论 [CJK](http://cjk.ffii.org/) 还是 [CCT](ftp://ftp.cc.ac.cn/pub/cct/) 都用一种比较特别的方法绕过了这个问题，此处按下不表) 无论是哪一段文字，都只有唯一的一种字体，你无法给它指定一个复合字体 (combined font)，而复合字体的概念在 DTP 软件中是很常见的 (比如 FrameMaker, InDesign, Scribus 都支持)，这就造成了混杂排版的困难：每当语言变化了，就必须手动切换字体，比如用 XeLaTeX，通常使用的是 Will Robertson 写的 fontspec 来选择字体，设置正文的字体用：

\setromanfont[字体特性]{字体名称}

上面这里推荐使用汉字的字体，才能比较好的处理中文的断行 (考虑标点符号的避头尾)。

\XeTeXlinebreaklocale=”zh”
\XeTeXlinebreakskip=0pt plus 1pt

然后定义一个英文字体，比如：

\newfontinstance\rmfont{Garamond Premr Pro}
\newcommand{\nc}[1]{{\rmfont #1}}

这样在文档中写的时候是：

中文啦啦啦 \nc{blahblahblah} 中文啦啦啦 \nc{blahblahblah}

一行字还不觉得，英文多了就会很麻烦。目前在 XeTeX 的 mail list 上，已经多次有人 (包括我 ^^|) 提到了这个问题，其实反复思考，这真的不是一个很容易处理的问题，尤其是不仅仅考虑中文和英文两种语言，而是数十种相互字符集范围有交叠的语言时，设计就更费斟酌了，Johnathan 表示他在关注这个问题，但还没有到集中力量解决它的时候，所以我才在这里贴这么一个很 dirty 的 script，其实发现这个问题以后，我反复想了几天，即分析了 XeTeX 的源代码，也去信和 CCT 的作者张林波老师讨论了，最后才决定采用预处理这个方法，觉得这是目前最不伤筋动骨，又能迅速解决问题的方法。

这个脚本就是用来处理中英文混杂的排版，在英文前后自动插入 \nc{} 用于切换字体，你可以在 preamble 定义 \nc 代表的字体。处理时，最 tricky 的部分是中文的标点，其实这一部分在 Unicode 中的代码分布是 [Fullwidth Latin Characters](http://www.unicode.org/charts/PDF/UFF00.pdf) 部分，根本不属于汉字部分。

这是用 Python 写的一个很简单的小工具，从 `\begin{document}` 开始处理，到 `\end{document}` 结束，目前还*不支持*任何命令，所以在正文部分如果有 `\title{中文标题}` 这样的东西，别指望它能正确处理。

此外还有一个功能是在两行连续的中文之间插入 % 以保证源文件中的手动换行不会导致输出结果中出现空白。

这还是一个非常非常 experimental 的东西。欢迎测试，我希望有时间认真写一个 tokenizer 作这个处理，现在的处理是基本上不依赖上下文的，所以能力很弱。另外，还可能在以后加上标点符号的 kerning 处理，类似 CJKpunct 的功能。

当然，我很希望有更多中文的 XeTeX 爱好者和我一同来完成这个工作，:)