unicodedata — Unicode 数据库

该模块提供对 Unicode 字符数据库 (UCD) 的访问，该数据库定义了所有 Unicode 字符的字符属性。该数据库中包含的数据是从 UCD 版本 11.0.0 编译而来的。

该模块使用与 Unicode 标准附件 #44 “Unicode 字符数据库” 中定义的名称和符号相同的名称和符号。它定义了以下函数：

unicodedata.lookup(name): 按名称查找字符。如果找到具有给定名称的字符，则返回相应的字符。如果未找到，则会引发 KeyError。

3.3 版更改：添加了对名称别名 1 和命名序列 2 的支持。

unicodedata.name(chr[, default]): 以字符串形式返回分配给字符 chr 的名称。如果未定义名称，则返回 default，或者，如果未给出，则引发 ValueError。

unicodedata.decimal(chr[, default]): 以整数形式返回分配给字符 chr 的十进制值。如果没有定义这样的值，则返回 default，或者，如果没有给出，则引发 ValueError。

unicodedata.digit(chr[, default]): 以整数形式返回分配给字符 chr 的数字值。如果没有定义这样的值，则返回 default，或者，如果没有给出，则引发 ValueError。

unicodedata.numeric(chr[, default]): 以浮点数形式返回分配给字符 chr 的数值。如果没有定义这样的值，则返回 default，或者，如果没有给出，则引发 ValueError。

unicodedata.category(chr): 以字符串形式返回分配给字符 chr 的一般类别。

unicodedata.bidirectional(chr): 以字符串形式返回分配给字符 chr 的双向类。如果没有定义这样的值，则返回一个空字符串。

unicodedata.combining(chr): 以整数形式返回分配给字符 chr 的规范组合类。如果未定义组合类，则返回 0。

unicodedata.east_asian_width(chr): 以字符串形式返回分配给字符 chr 的东亚宽度。

unicodedata.mirrored(chr): 以整数形式返回分配给字符 chr 的镜像属性。如果字符已被识别为双向文本中的“镜像”字符，则返回 1，否则返回 0。

unicodedata.decomposition(chr): 以字符串形式返回分配给字符 chr 的字符分解映射。如果未定义此类映射，则返回空字符串。

unicodedata.normalize(form, unistr)

返回 Unicode 字符串 unistr 的标准形式 form。 form 的有效值为“NFC”、“NFKC”、“NFD”和“NFKD”。

Unicode 标准基于规范等价和兼容性等价的定义，定义了 Unicode 字符串的各种规范化形式。在 Unicode 中，可以用多种方式表示多个字符。例如，字符 U+00C7 (LATIN CAPITAL LETTER C WITH CEDILLA) 也可以表示为序列 U+0043 (LATIN CAPITAL LETTER C) U+0327 (COMBINING CEDILLA)。

对于每个字符，有两种范式：范式 C 和范式 D。范式 D (NFD) 也称为规范分解，将每个字符转换为其分解形式。范式 C (NFC) 首先应用规范分解，然后再次组合预先组合的字符。

除了这两种形式之外，还有两种基于兼容性等价的范式。在 Unicode 中，支持某些通常会与其他字符统一的字符。例如，U+2160（罗马数字一）与 U+0049（拉丁大写字母 I）实际上是一回事。但是，Unicode 支持它以与现有字符集兼容（例如 gb2312）。

范式 KD (NFKD) 将应用兼容性分解，即用它们的等价物替换所有兼容字符。范式 KC (NFKC) 首先应用兼容性分解，然后应用规范组合。

即使两个 unicode 字符串被标准化并且对人类读者来说看起来相同，如果一个有组合字符而另一个没有，它们可能不会比较相等。

此外，该模块公开了以下常量：

unicodedata.unidata_version: 本模块中使用的 Unicode 数据库的版本。

unicodedata.ucd_3_2_0: 这是一个与整个模块具有相同方法的对象，但使用 Unicode 数据库版本 3.2，用于需要此特定版本的 Unicode 数据库（例如 IDNA）的应用程序。

例子：

>>> import unicodedata
>>> unicodedata.lookup('LEFT CURLY BRACKET')
'{'
>>> unicodedata.name('/')
'SOLIDUS'
>>> unicodedata.decimal('9')
9
>>> unicodedata.decimal('a')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: not a decimal
>>> unicodedata.category('A')  # 'L'etter, 'u'ppercase
'Lu'
>>> unicodedata.bidirectional('\u0660') # 'A'rabic, 'N'umber
'AN'

脚注

1: http://www.unicode.org/Public/11.0.0/ucd/NameAliases.txt
2: http://www.unicode.org/Public/11.0.0/ucd/NamedSequences.txt

unicodedata — Unicode 数据库 — Python 文档

unicodedata — Unicode 数据库