Python之unicodedata模块的常用函数用法

因为有时会使用汉语做注释，所以必须将程序的编码方式设为utf-8，而且要使用unicodedata的函数，所以必须在所有代码前加入以下几行代码：

# -*- coding:utf-8 -*-

import unicodedata

在以后的代码中，为了减少代码量，方便自己与他人阅读，不会再特意写出上面的代码了，在这里特别指出来。

除此之外，为减少输出代码量，若产生的是正确结果，则原样输出结果。若出现错误抛出异常，则只打印是什么异常，如，ValueError或KeyError或TypeError。

1 lookup

语法：unicodedata.lookup(name)

描述：通过一个名称（name）来查找一个字符。如果找到name对应的字符，则返回相应字符；若未找到，则抛出异常KeyError。

示例代码如下：

print(unicodedata.lookup('LEFT CURLY BRACKET')) # 左卷曲括号, '{'
print(unicodedata.lookup('LOWER')) 

输出结果为：

{
KeyError

2 name

语法：unicodedata.name(chr[, default])

描述：通过字符（chr，只能是单个字符）来查找它的名称。若成功则返回相应名称。给定默认值default后，若未找到对应名称时则返回default值；若未给定默认值，且未找到对应名称则抛出异常ValueError。

示例代码如下：

print(unicodedata.name('^'))
print(unicodedata.name('\n', 0)) # 未找到对应名称，返回'0'
print(unicodedata.name('\n')) # 未找到对应名称，且未指定默认值，所以抛出异常ValueError

输出结果为：

CIRCUMFLEX ACCENT
0
ValueError

3 decimal

语法：unicodedata.decimal(chr[,default])

描述：将unicode字符（chr）转换为其等效的十进制值。以整数形式返回【该字符对应的十进制值】。若未定义这样的值，则返回默认值default；若未指定默认值，则抛出ValueError异常。

示例代码如下：

print(unicodedata.decimal('9')) # 成功，返回9
print(unicodedata.decimal('a', 0)) # 未找到，返回默认值0
print(unicodedata.decimal('a')) # 未找到，且未指定默认值，所以抛出ValueError异常

输出结果为：

9
0
ValueError

4 digit

语法：unicodedata.digit(chr[, default])

描述：将unicode字符（chr）转换为其等效的数字值。以整数形式返回【该字符对应的数字值】。若未定义这样的值，则返回默认值default；若未指定默认值，则抛出ValueError异常。

示例代码如下：

print(unicodedata.digit('9')) # 成功，返回9
print(unicodedata.digit('\t', 0)) # 未找到，返回默认值0
print(unicodedata.digit('\t'))  # 未找到，且未指定默认值，所以抛出ValueError异常

输出结果为：

9
0
ValueError

5 numeric

语法：unicodedata.numeric(chr[, default])

描述：将Unicode字符(chr)转换为等效的数值。以浮点形式返回【与chr相对应的数值】。若未定义这样的值，则返回默认值default；若未指定默认值，则抛出ValueError异常。（把一个表示数字的字符转换为浮点数。比如，可将’5’、'五’转换数值输出。与digit()不同是numeric()可以转换任意表示数值的字符，不仅仅限于0到9的字符）

示例代码如下：

print(unicodedata.numeric('四'))
print(unicodedata.numeric('a', 0)) # 'a'不能转换为数字，所以返回默认值0

输出结果为：

4.0
0

6 category

语法：unicodedata.category(chr)

描述：返回字符chr在unicode里分类的类型。具体类型见文档结尾附录1。

示例代码如下：

print(unicodedata.category('四')) # Letter, Other
print(unicodedata.category('8')) # Number, Decimal Digit

输出结果为

Lo
Nd

7 combining

（对此函数存疑，不明白“权威组合值”为何物，以后看见了记得必须解决问题）

语法：unicodedata.combining(chr)

描述：返回字符chr的权威组合值，若未定义这样的值，则返回0。

示例代码如下（因为我未找到合适案例使得返回值为【权威组合值】，因此只能选择返回结果0实例，初级程序员，请见谅）：

print(unicodedata.combining('9'))
print(unicodedata.combining('e'))

输出结果为：

0
0

8 east_asian_width

语法：unicodedata.east_asian_width(chr)

描述：返回字符显示的宽度。具体内容如下：
F：fullwidth，H：halfwidth，W：wide，Na：narrow，A：ambiguous(不明确)，N：natural(正常)

示例代码如下：

print(unicodedata.east_asian_width('我'))
print(unicodedata.east_asian_width('1'))
print(unicodedata.east_asian_width('a'))

输出结果如下：

W
Na
Na

9 mirrored

语法：unicodedata.mirrored()

描述：判断字符chr是否支持镜像属性，支持则返回1，不支持则返回0。

示例代码如下：

print(unicodedata.mirrored('0'))
print(unicodedata.mirrored('薛'))

输出结果为：

0
0

10 decomposition

语法：unicodedata.decomposition(chr)

描述：将一个可分解的字符chr分成两个16进制的值并返回，如果不可分解，返回空。

示例代码如下：

print(unicodedata.decomposition('é')) # 可分解
print(unicodedata.decomposition('e')) # 不可分解，所以返回空值（输出就是一片空白）

输出结果为：

0065 0301

11 normalize

语法：unicodedata.normalize(form, unistr)

描述：将unicode字符串unistr进行规范化。规范形式form有四种：NFC、NFD、NFKC和NFKD。将字符串规范化是为了方便存储文本或者比较字符串而设计的。

因为知识水平有限，且确实未在网上找到NFKC与NFKD相关信息，我只介绍NFC与NFD。NFC是【使用最少的码位构成等价的字符串】；NFD是【把组合字符分解成基字符和单独的组合字符（两个“组合字符”是不同的，自行体会）】

示例代码如下：

s1 = 'café' # 'é'为组合字符，由'e'与重音符组合而成
s2 = 'cafe\u0301' # 将'é'拆为'e'和'\u0301'，'\u0301'为重音符的unicode编码

print(unicodedata.normalize('NFC', s1)) # NFC使用最少的码位，所以'é'被合并为一个字符(事实上s1中本来就是é)，因而返回结果为'café'(输出不带引号)
print(unicodedata.normalize('NFC', s2)) # 'e'和'\u0301'被合并为一个字符é，因而返回结果为'café'(输出不带引号)
print(unicodedata.normalize('NFD', s1)) # NFD使组合字符拆开为两个字符，这里'é'被拆为'e'和重音符，即输出结果为:'cafeˋ'
print(unicodedata.normalize('NFD', s2)) # s2最后两个字符为'e'和'\u0301'，（我不知道内部机理是什么，接下来的叙述是我自己的理解，不知道正确与否），直接将'\u0301'解释为重音符'ˋ'，输出为'cafeˋ'

输出结果为：

café
café
cafeˋ
cafeˋ

12 unidata_version

语法：unicodedata.unidata_version

描述：返回当前unicod e使用的数据库的版本

示例代码如下：

unicodedata.unidata_version

输出结果为：

'12.1.0'

---

附录1 字符类型

[Cc] Other, Control

[Cf] Other, Format

[Cn] Other, Not Assigned (no characters in the file have this property)

[Co] Other, Private Use

[Cs] Other, Surrogate

[LC] Letter, Cased

[Ll] Letter, Lowercase

[Lm] Letter, Modifier

[Lo] Letter, Other

[Lt] Letter, Titlecase

[Lu] Letter, Uppercase

[Mc] Mark, Spacing Combining

[Me] Mark, Enclosing

[Mn] Mark, Nonspacing

[Nd] Number, Decimal Digit

[Nl] Number, Letter

[No] Number, Other

[Pc] Punctuation, Connector

[Pd] Punctuation, Dash

[Pe] Punctuation, Close

[Pf] Punctuation, Final quote (may behave like Ps or Pe depending on usage)

[Pi] Punctuation, Initial quote (may behave like Ps or Pe depending on usage)

[Po] Punctuation, Other

[Ps] Punctuation, Open

[Sc] Symbol, Currency

[Sk] Symbol, Modifier

[Sm] Symbol, Math

[So] Symbol, Other

[Zl] Separator, Line

[Zp] Separator, Paragraph

[Zs] Separator, Space