python如何将Unicode文本标准化

在Unicode中，某些字符能够用多个合法的编码表示。为了说明，考虑下面的这个例子：

>>> s1=’Spicy Jalape\u00f1o’>>> s2=’Spicy Jalapen\u0303o’>>> s1

‘Spicy Jalapeño’>>> s2

‘Spicy Jalapeño’>>> s1== s2

False

>>> len(s1) 14

>>> len(s2) 15

>>>

这里的文本”Spicy Jalapeño”使用了两种形式来表示。第一种使用整体字符”ñ”(U+00F1)，第二种使用拉丁字母”n”后面跟一个”~”的组合字符(U+0303)。

在需要比较字符串的程序中使用字符的多种表示会产生问题。为了修正这个问题，你可以使用unicodedata模块先将文本标准化：>>> import unicodedata

>>> t1= unicodedata.normalize(‘NFC’, s1)>>> t2= unicodedata.normalize(‘NFC’, s2)>>> t1== t2

True

>>> print(ascii(t1))’Spicy Jalape\xf1o’

>>> t3= unicodedata.normalize(‘NFD’, s1)>>> t4= unicodedata.normalize(‘NFD’, s2)>>> t3== t4

True

>>> print(ascii(t3))’Spicy Jalapen\u0303o’>>>

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(比如可能的话就使用单一编码)，而NFD表示字符应该分解为多个组合字符表示。

Python同样支持扩展的标准化形式NFKC和NFKD，它们在处理某些字符的时候增加了额外的兼容特性。比如：

>>> s=’\ufb01’# A single character>>> s

‘￿’

>>> unicodedata.normalize(‘NFD’, s)’￿’

# Notice how the combined letters are broken apart here>>> unicodedata.normalize(‘NFKD’, s)

‘fi’

>>> unicodedata.normalize(‘NFKC’, s)’fi’

>>>

标准化对于任何需要以一致的方式处理Unicode文本的程序都是非常重要的。当处理来自用户输入的字符串而你很难去控制编码的时候尤其如此。

在清理和过滤文本的时候字符的标准化也是很重要的。比如，假设你想清除掉一些文本上面的变音符的时候(可能是为了搜索和匹配)：>>> t1= unicodedata.normalize(‘NFD’, s1)
>>>”.join(c for c in t1 if not unicodedata.combining(c))’Spicy Jalapeno’
>>>
最后一个例子展示了unicodedata模块的另一个重要方面，也就是测试字符类的工具函数。combining()函数可以测试一个字符是否为和音字符。在这个模块中还有其他函数用于查找字符类别，测试是否为数字字符等等。
Unicode显然是一个很大的主题。如果想更深入的了解关于标准化方面的信息，请看考Unicode官网中关于这部分的说明Ned Batchelder在他的网站上对Python的Unicode处理问题也有一个很好的介绍。