什么是 Unicode文本标准化?

共 3629字,需浏览 8分钟

 ·

2021-04-12 22:30

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'

原因是第一种表示\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\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。

以上就是这个话题的基本总结,欢迎点赞支持。

浏览 47
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报