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 15.1.0 版本 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

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，则引发 KeyError。

在 3.3 版本中更改: 增加了对名称别名 [1] 和命名序列 [2] 的支持。

unicodedata.name(chr[, default])

返回分配给字符 chr 的名称，以字符串形式返回。 如果没有定义名称，则返回 default，或者，如果没有给出 default，则引发 ValueError。

unicodedata.decimal(chr[, default])

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

unicodedata.digit(chr[, default])

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

unicodedata.numeric(chr[, default])

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

unicodedata.category(chr)

返回分配给字符 chr 的通用类别，以字符串形式返回。

unicodedata.bidirectional(chr)

返回分配给字符 chr 的双向类，以字符串形式返回。 如果没有定义这样的值，则返回空字符串。

unicodedata.combining(chr)

返回分配给字符 chr 的规范组合类，以整数形式返回。 如果没有定义组合类，则返回 0。

unicodedata.east_asian_width(chr)

返回分配给字符 chr 的东亚宽度，以字符串形式返回。

unicodedata.mirrored(chr)

返回分配给字符 chr 的镜像属性，以整数形式返回。 如果该字符在双向文本中被标识为“镜像”字符，则返回 1，否则返回 0。

unicodedata.decomposition(chr)

返回分配给字符 chr 的字符分解映射，以字符串形式返回。 如果没有定义这样的映射，则返回空字符串。

unicodedata.normalize(form, unistr)

返回 Unicode 字符串 unistr 的规范化形式 form。 form 的有效值是 ‘NFC’、‘NFKC’、‘NFD’ 和 ‘NFKD’。

Unicode 标准基于规范等效和兼容性等效的定义，定义了 Unicode 字符串的各种规范化形式。在 Unicode 中，可以使用多种方式表示多个字符。例如，字符 U+00C7（带有 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，都有两种规范化形式：规范化形式 C 和规范化形式 D。规范化形式 D (NFD) 也称为规范分解，并将每个字符转换为其分解形式。规范化形式 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效的附加规范化形式。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，它在 Unicode 中受到支持。

规范化形式 KD (NFKD) 将应用兼容性分解，即将所有兼容性字符替换为它们的等效项。规范化形式 KC (NFKC) 首先应用兼容性分解，然后进行规范组合。

即使两个 Unicode 字符串被规范化并且对人类读者看起来相同，如果一个字符串具有组合字符而另一个没有，它们也可能不比较相等。

unicodedata.is_normalized(form, unistr)

返回 Unicode 字符串 unistr 是否为规范化形式 form。 form 的有效值是 ‘NFC’、‘NFKC’、‘NFD’ 和 ‘NFKD’。

在 3.8 版本中添加。

此外，该模块公开以下常量

unicodedata.unidata_version

此模块中使用的 Unicode 数据库的版本。

unicodedata.ucd_3_2_0

这是一个对象，它具有与整个模块相同的方法，但使用 Unicode 数据库的 3.2 版本，用于需要此特定版本 Unicode 数据库的应用程序（例如 IDNA）。

示例

>>> 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