Unicode文本标准化
编辑日期: 2024-11-28 文章阅读: 次
Unicode文本标准化
最近遇到unicodedata模块，才知道它的一个应用。某些字符能够用多个合法的编码表示，这就会导致一些问题。
如一个字符ñ既可以使用\u00f1，也可以使用n\u0303表示，如下所示：
In [2]: '\u00f1'
Out[2]: 'ñ'
In [3]: 'n\u0303' # 注意前面有个字符n
Out[3]: 'ñ'
\u00f1为整体表示法，第二种n\u0303为组合表示法，是n和字符~的组合字符。
很显然，在需要比较字符串的程序中，使用像上面字符的多种表示法会产生问题，如下所示：
In [4]: s1='\u00f1'
In [5]: s2='n\u0303'
In [6]: s1==s2
Out[6]: False
我们期望上面的字符ñ在两种表示下是相等的，这就需要使用unicodedata模块，将这些字符标准化：
s1='\u00f1'
s2='n\u0303'
t1 = unicodedata.normalize('NFC', s1)
t2 = unicodedata.normalize('NFC', s2)
In [25]: t1==t2
Out[25]: 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，还有其他标准化方法如NFD，上面的字符n和 \u0303 的组合n\u0303，就是NFD表示法。
埃格斯特朗符号 Å，在NFC中总是被代换成在视觉上相同的U+00C5（Å –在上方带环的A）。在NFD中，则会换成由U+0041（A) 和U+030A（°）这两个字符所组成的序列。
标准化对于任何需要以一致的方式处理Unicode文本的程序，正规化是很重要，因为它影响了比较、搜索和排序的意义。
Python 20个专题完整目录：
