Python实用技法第28篇：将Unicode文本统一表示为规范形式

上一篇文章： Python实用技法第27篇：编写多行模式的正则表达式
下一篇文章： Python实用技法第29篇：用正则表达式处理Unicode字符

一、需求🙀

咱们正在同Unicode字符串打交道，但须要确保全部的字符串都拥有相同的底层表示。

二、解决方案😸

在Unicode中，有些特定的字符能够被表示成多种合法的代码点序列。为了说明这个问题，请看下面示例：

str1='\u00f1'
str2='n\u0303'
str3='\u0303'

print(str1)
print(str2)
print(str3)

print(str1==str2)
print(len(str1))
print(len(str2))

运行结果：

ñ
ñ
̃
False
1
2

这里的文本ñ是以两种形式呈现:

• 第一种使用的是字符ñ的【全组成】形式：U+00F
• 第二种使用的是拉丁字母n紧跟着一个“~”，【组合】而成的字符：U+0303

对于一个比较字符串的程序来讲，同一个文本拥有多种不一样的表示形式是个大问题。为了解决这个问题，应该先将文本同一表示为规范形式，这能够经过unicodedata模块来完成。

实例：

import unicodedata
str1='\u00f1'
str2='n\u0303'

t1=unicodedata.normalize('NFC',str1)
t2=unicodedata.normalize('NFC',str2)

print(t1)
print(t2)

print(t1==t2)

print(len(t1))
print(len(t2))

print('*'*10)

t3=unicodedata.normalize('NFD',str1)
t4=unicodedata.normalize('NFD',str2)
print(t3)
print(t4)

print(t3==t4)

print(len(t3))
print(len(t4))

结果：

ñ
ñ
True
1
1
**********
ñ
ñ
True
2
2

normalize()的第一个参数指定了字符串应该如何完成规范表示。

• NFC表示字符串应该是【全组成】的（即，若是可能的话使用单个代码点）。
• NFD表示应该使用【组合】字符，每一个字符应该是能彻底分解的。

Python还支持NFKC和NFKD的规范表示形式，它们为处理特定类型的字符增长额额外的兼容功能。

实例：

import unicodedata
str='\ufb01'

print(str)
print(len(str))
print('*'*10)

t_nfd=unicodedata.normalize('NFD',str)
t_nfkd=unicodedata.normalize('NFKD',str)
t_nfc=unicodedata.normalize('NFC',str)
t_nfkc=unicodedata.normalize('NFKC',str)

print(t_nfd)
print(len(t_nfd))
print('*'*10)

print(t_nfkd)
print(len(t_nfkd))
print('*'*10)

print(t_nfc)
print(len(t_nfc))
print('*'*10)

print(t_nfkc)
print(len(t_nfkc))

运行结果：

fi
1
**********
fi
1
**********
fi
2
**********
fi
1
**********
fi
2

三、分析😈

对于任何须要确保以规范和一致性的方式进行处理Unicode文本的程序来讲，规范化都是重要的一部分。尤为是在处理用户输入时接收到的字符串时，此时你没法控制字符串的编码方式，那么规范化文本的表示就显得更为重要了。

在对文本进行过滤和净化时，规范化一样也占据了重要的部分。例如，假设想从某些文本中去除全部的音符标记（多是为了进行搜索或匹配）：

import unicodedata
str='啦啦啦\ufb01我是测试\u00f1呱呱呱n\u0303'

t1=unicodedata.normalize('NFD',str)
print(str)
print(t1)

#使用combining()函数判断指定内容是否为一个组合型字符。
result=''.join(x for x in t1 if not unicodedata.combining(x))
print(result)

运行结果：

啦啦啦fi我是测试ñ呱呱呱ñ
啦啦啦fi我是测试ñ呱呱呱ñ
啦啦啦fi我是测试n呱呱呱n

很显然，Unicode是一个庞大的主题，要得到更多相关内容，能够参考：

http://www.unicode.org/faq/no...

https://nedbatchelder.com/tex...

上一篇文章： Python实用技法第27篇：编写多行模式的正则表达式
下一篇文章： Python实用技法第29篇：用正则表达式处理Unicode字符