unicodedata — Unicode 数据库 — Python 文档
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。
- 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