unicodedata — Unicode 数据库

此模块提供对 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。此数据库中包含的数据是从 UCD 版本 16.0.0 编译而来的。

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

参见

Unicode HOWTO 了解有关 Unicode 以及如何使用此模块的更多信息。

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。例如

>>> unicodedata.lookup('LEFT CURLY BRACKET')
'{'

此函数返回的字符与字符串字面量中 \N 转义序列产生的字符相同。例如

>>> unicodedata.lookup('MIDDLE DOT') == '\N{MIDDLE DOT}'
True

版本 3.3 中已更改: 添加了对名称别名 [1] 和命名序列 [2] 的支持。

unicodedata.name(chr, default=None, /)

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，如果未给出 default，则引发 ValueError。例如

>>> unicodedata.name('½')
'VULGAR FRACTION ONE HALF'
>>> unicodedata.name('\uFFFF', 'fallback')
'fallback'
unicodedata.decimal(chr, default=None, /)

以整数形式返回分配给字符 chr 的十进制值。如果未定义此类值，则返回 default，如果未给出 default，则引发 ValueError。例如

>>> unicodedata.decimal('\N{ARABIC-INDIC DIGIT NINE}')
9
>>> unicodedata.decimal('\N{SUPERSCRIPT NINE}', -1)
-1
unicodedata.digit(chr, default=None, /)

以整数形式返回分配给字符 chr 的数字值。如果未定义此类值，则返回 default，如果未给出 default，则引发 ValueError

>>> unicodedata.digit('\N{SUPERSCRIPT NINE}')
9
unicodedata.numeric(chr, default=None, /)

以浮点数形式返回分配给字符 chr 的数值。如果未定义此类值，则返回 default，如果未给出 default，则引发 ValueError

>>> unicodedata.numeric('½')
0.5
unicodedata.category(chr)

以字符串形式返回分配给字符 chr 的通用类别。通用类别名称由两个字母组成。有关类别代码列表，请参见 Unicode 字符数据库文档的通用类别值部分。例如

>>> unicodedata.category('A')  # 'L'etter, 'u'ppercase
'Lu'
unicodedata.bidirectional(chr)

以字符串形式返回分配给字符 chr 的双向类别。如果未定义此类值，则返回空字符串。有关双向代码列表，请参见 Unicode 字符数据库的双向类别值部分。例如

>>> unicodedata.bidirectional('\N{ARABIC-INDIC DIGIT SEVEN}') # 'A'rabic, 'N'umber
'AN'
unicodedata.combining(chr)

以整数形式返回分配给字符 chr 的规范组合类别。如果未定义组合类别，则返回 0。有关更多信息，请参见 Unicode 字符数据库的规范组合类别值部分。

unicodedata.east_asian_width(chr)

以字符串形式返回分配给字符 chr 的东亚宽度。有关宽度列表或更多信息，请参见 Unicode 标准附件 #11。

unicodedata.mirrored(chr)

以整数形式返回分配给字符 chr 的镜像属性。如果字符在双向文本中被识别为“镜像”字符，则返回 1，否则返回 0。例如

>>> unicodedata.mirrored('>')
1
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。例如

>>> unicodedata.decomposition('Ã')
'0041 0303'
unicodedata.normalize(form, unistr)

返回 Unicode 字符串 unistr 的规范形式 form。form 的有效值为 'NFC'、'NFKC'、'NFD' 和 'NFKD'。

Unicode 标准根据规范等价和兼容性等价的定义，定义了 Unicode 字符串的各种规范形式。在 Unicode 中，几个字符可以用多种方式表达。例如，字符 U+00C7 (带 CEDILLA 的拉丁大写字母 C) 也可以表示为序列 U+0043 (拉丁大写字母 C) U+0327 (组合 CEDILLA)。

对于每个字符，有两种规范形式：规范形式 C 和规范形式 D。规范形式 D (NFD) 也称为规范分解，它将每个字符转换为其分解形式。规范形式 C (NFC) 首先应用规范分解，然后再次组合预组合字符。

除了这两种形式之外，还有两种基于兼容性等价的附加规范形式。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) 实际上与 U+0049 (拉丁大写字母 I) 相同。但是，为了与现有字符集 (例如 gb2312) 兼容，Unicode 中支持它。

规范形式 KD (NFKD) 将应用兼容性分解，即将所有兼容性字符替换为其等效字符。规范形式 KC (NFKC) 首先应用兼容性分解，然后进行规范组合。

即使两个 unicode 字符串经过规范化并且人类读者看起来相同，如果一个包含组合字符而另一个不包含，它们也可能无法比较相等。

unicodedata.is_normalized(form, unistr)

返回 Unicode 字符串 unistr 是否处于规范形式 form。form 的有效值为 'NFC'、'NFKC'、'NFD' 和 'NFKD'。

在 3.8 版本加入。

此外，该模块还公开了以下常量

unicodedata.unidata_version

此模块中使用的 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，适用于需要此特定版本 Unicode 数据库的应用程序（例如 IDNA）。

脚注