当前位置:首页 > 文章列表 > 文章 > python教程 > Python unicodedata.decomposition 怎样读取字符分解映射与兼容标签

Python unicodedata.decomposition 怎样读取字符分解映射与兼容标签

来源:17golang原创 2026-11-18 04:55:22 0浏览 收藏

unicodedata.decomposition(ch) 查询一个字符的分解映射,返回由十六进制码点和可选兼容标签组成的字符串;没有定义映射时返回空字符串。标签如 表示兼容分解类型,不是码点。读取时应先分离标签,再把剩余项按十六进制转成整数。这个接口用于查看字符属性,不会直接把整段文字变成规范化结果。

官方文档:https://docs.python.org/3/library/unicodedata.html#unicodedata.decomposition

先把单字符映射与文本转换分开

设想导入程序里出现了外观看起来相近、码点却不同的字符。诊断记录需要回答“这个字符在数据库中有哪些分解信息”,而保存原文的业务不能因为查到兼容映射就立刻替换字符。先查询属性,再由业务决定是否采用某种规范化形式,会更容易解释处理结果。

import unicodedata

# 查看全角字母的映射字符串,保留原字符,不直接替换导入内容。
character = "R"
mapping = unicodedata.decomposition(character)
print(repr(mapping))

这里的全角 R 对应的兼容类型是 wide,映射码点为 U+0052。映射中的数字是字符编号的十六进制写法,不是要原样显示的文本。无类型标签的非空映射表示规范分解映射;有标签的映射属于兼容分解。

单字符分解映射中的兼容标签与码点字段
结构说明图:字符输入关联映射查询,映射字符串由可选标签和十六进制码点项构成。关系线表示字段组成,不表示程序执行顺序。

解析标签和十六进制码点

拆分后不能直接对所有项调用 int。带尖括号的首项是标签,必须独立保存。以下函数只整理映射字段,不递归分解、不重新排序组合字符,也不执行字符合成:

import unicodedata


def inspect_mapping(character):
    # 入口只接收一个Python字符,避免空串或整段文本被误传给查询接口。
    if not isinstance(character, str):
        raise TypeError("character必须是字符串")
    if len(character) != 1:
        raise ValueError("character必须只包含一个字符")

    raw = unicodedata.decomposition(character)
    fields = raw.split()
    tag = None
    if fields and fields[0].startswith("

字典中的 raw_mapping 方便追查数据库原始字段;codepoints 便于后续格式化;tag 保存分解类型。has_mapping 应由原始字符串是否为空来决定,不能只看 tag 是否为空,因为规范分解映射也没有兼容标签。

字段形态含义记录建议
空字符串未定义该分解映射has_mapping为False
仅有码点项规范分解映射tag为空,保留码点列表
标签加码点项兼容分解映射标签独立保存

为输入与空映射保留明确状态

生产接口最好在自己的入口约束参数。函数的单字符约束与“一个可见字形”并不等价:视觉上的一个字形可能由多个码点组成。上面的封装拒绝长度不为一的字符串;处理整段文本时,应逐字符调用,而不是把整个字段传给 decomposition。

空映射不是失败标记,也不说明字符无效。它只说明该查询没有返回分解映射。尤其不能据此推断 normalize 一定不改变这个字符;规范化算法还包括算法化处理等规则,不能靠这一个属性字段替代。

输入约束与分解诊断记录之间的静态关系
结构说明图:输入约束分组包含字符串和单字符要求;诊断记录分组分别保留原字符、原始映射、映射状态和Unicode版本。保留这些信息便于解释结果,图示不是运行证据。

把诊断记录接入文本处理

一条可解释的诊断记录可以同时保存原字符、映射字段和 unicodedata.unidata_version。记录版本是为了理解字符数据库差异,不需要把某个 Python 版本号硬编码成所有机器上的事实。若业务要真正转换整段文本,则明确选择 NFC、NFD、NFKC 或 NFKD,再调用 normalize,转换后的文本另外保存。

import unicodedata

# 使用前一节的inspect_mapping函数,记录属性信息而非覆盖原文。
text = "RM"
records = [inspect_mapping(character) for character in text]
diagnostic = {
    "unicode_version": unicodedata.unidata_version,
    "records": records,
}
print(diagnostic)

对于全文兼容规范化,是否折叠宽度、样式等差异应由字段语义决定。分解属性查询本身不能保证文本已经规范化,也不能承诺两个字符串在业务上可以视作同一个值。上面的代码为原创使用示例,未作为本机执行结果展示。

标签能否直接删除后拼成最终文本?

可以据码点查看映射对应的字符,但这种拼接仅展示直接映射,不能冒充完整规范化结果。需要规范化时使用标准库normalize。

没有兼容标签是不是没有映射?

不是。无标签的非空映射是规范分解映射,要同时看原始映射是否为空。

查询会不会改变原字符串?

不会。它返回属性字符串。程序是否把别的文本写回原字段,是调用方另外执行的行为。

Unicode属性说明:https://www.unicode.org/reports/tr44/

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Java Files.isHidden 怎样判断文件是否为隐藏文件Java Files.isHidden 怎样判断文件是否为隐藏文件
上一篇
Java Files.isHidden 怎样判断文件是否为隐藏文件
Python tarfile.TarFile.extractfile 怎样读取归档内文件
下一篇
Python tarfile.TarFile.extractfile 怎样读取归档内文件
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    1087次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    1086次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    1250次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    1196次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    1039次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码