2.9Unicode 文本标准化

2023-09-29 17:58:46

问题

你正在处理Unicode字符串，需要确保所有字符串在底层有相同的表示。

解决方案

在Unicode中，某些字符能够用多个合法的编码表示。为了说明，考虑下面的这个列子：

s1='Spicy Jalape\u00f1o'
s2='Spicy Jalapen\u0303o'
print(s1) # ->Spicy Jalapeño
print(s2)   # ->Spicy Jalapeño

print(len(s1))  # ->14
print(len(s2))  # ->15
print(s1==s2)   # ->False

这里的文本Spicy Jalapeño使用了两种形式来显示。第一种使用整数字符“ñ”（U+00F1)，第二种使用拉丁文字母“n”后面跟一个“~”的组合字符（U+0303)。

在需要比较字符串的程度中使用字符的多种表示会产生问题。为了修正这个问题，你可以使用unicodedata模块先将文本标准化：

import unicodedata

t1=unicodedata.normalize('NFC',s1)
t2=unicodedata.normalize('NFC',s2)
print(t1==t2) # ->True
print(ascii(t1))  # ->'Spicy Jalape\xf1o'
t3=unicodedata.normalize('NFD',s1)
t4=unicodedata.normalize('NFD',s2)
print(t3==t4)  # ->True

normalize（）第一个参数指定字符串标准化的方式。NFC表示字符应该是整体组成（比如可能的话就使用单一的编码），而NFD表示字符应该分解为多个组合字符表示。

python同样支持扩展的标准化形式NFKC和NFKD，它们在处理某些字符的时候增加看额外的兼容特性。比如：

s='\ufb01'
print(s) #->fi
print(unicodedata.normalize('NFD',s))  # ->ﬁ
print(unicodedata.normalize('NFKD',s))  # ->fi
print(unicodedata.normalize('NFKC',s))  # ->fi

讨论

标准化对于任何需要以一致的方式处理Unicode文本的程序都是非常重要的。当处理来自用户输入的字符串而你很难去控制编码的时候尤其如此。

在清理和过滤文本的时候字符的标准化也是很重要的。比如，假设你想清楚掉一些文本上面的变音符的时候（可能是为了搜索和匹配）：

t1=unicodedata.normalize('NFD',s1)
print(''.join(c for c in t1 if not unicodedata.combining(c)))  # ->Spicy Jalapeno

最后一个例子展示了unicodedata模块的另一个重要方面，也就是测试字符类的工具函数。combining（）函数可以测试一个字符是否为和音字符。在这个模块中还有其他函数用于查找字符类别。测试是否为数字字符等等。

码农公寓

相关文章