unicodedata
— База данных Юникода¶
Этот модуль предоставляет доступ к базе данных символов Юникода (UCD), которая определяет свойства символов для всех символов Юникода. Данные, содержащиеся в этой базе, собраны из UCD version 15.1.0.
Модуль использует те же имена и символы, которые определены в приложении #44 стандарта Unicode, «Unicode Character Database». В нем определены следующие функции:
- unicodedata.lookup(name)¶
Поиск символа по имени. Если символ с заданным именем найден, возвращается соответствующий символ. Если символ не найден, возвращается значение
KeyError
.
- unicodedata.name(chr[, default])¶
Возвращает имя, присвоенное символу chr, в виде строки. Если имя не определено, возвращается значение default, а если не задано, возвращается значение
ValueError
.
- unicodedata.decimal(chr[, default])¶
Возвращает десятичное значение, присвоенное символу chr, в виде целого числа. Если такое значение не определено, возвращается значение default или, если оно не задано, возвращается значение
ValueError
.
- unicodedata.digit(chr[, default])¶
Возвращает значение цифры, присвоенное символу chr, в виде целого числа. Если такое значение не определено, возвращается значение default или, если оно не задано, возвращается значение
ValueError
.
- unicodedata.numeric(chr[, default])¶
Возвращает числовое значение, присвоенное символу chr, в виде float. Если такое значение не определено, возвращается значение default или, если оно не задано, возвращается значение
ValueError
.
- unicodedata.category(chr)¶
Возвращает общую категорию, присвоенную символу chr, в виде строки.
- unicodedata.bidirectional(chr)¶
Возвращает двунаправленный класс, присвоенный символу chr, в виде строки. Если такое значение не определено, возвращается пустая строка.
- unicodedata.combining(chr)¶
Возвращает канонический класс сочетания, присвоенный символу chr, в виде целого числа. Возвращает
0
, если класс сочетания не определен.
- unicodedata.east_asian_width(chr)¶
Возвращает восточно-азиатскую ширину, присвоенную символу chr в виде строки.
- unicodedata.mirrored(chr)¶
Возвращает свойство зеркальности, присвоенное символу chr, в виде целого числа. Возвращает
1
, если символ был идентифицирован как «зеркальный» в двунаправленном тексте,0
- в противном случае.
- unicodedata.decomposition(chr)¶
Возвращает отображение разложения символов, присвоенное символу chr как строке. В случае, если такое отображение не определено, возвращается пустая строка.
- unicodedata.normalize(form, unistr)¶
Возвращает нормальную форму form для строки Unicode unistr. Допустимыми значениями для form являются „NFC“, „NFKC“, „NFD“ и „NFKD“.
Стандарт Unicode определяет различные формы нормализации строк Unicode, основанные на определении канонической эквивалентности и эквивалентности совместимости. В Юникоде несколько символов могут быть выражены различными способами. Например, символ U+00C7 (LATIN CAPITAL LETTER C WITH CEDILLA) может быть также выражен как последовательность U+0043 (LATIN CAPITAL LETTER C) U+0327 (COMBINING CEDILLA).
Для каждого символа существует две нормальные формы: нормальная форма C и нормальная форма D. Нормальная форма D (NFD) также известна как каноническая декомпозиция и переводит каждый символ в его разложенную форму. Нормальная форма C (NFC) сначала применяет каноническое разложение, а затем снова составляет предварительно скомбинированные символы.
Помимо этих двух форм, существуют еще две нормальные формы, основанные на эквивалентности совместимости. В Юникоде поддерживаются некоторые символы, которые обычно унифицируются с другими символами. Например, U+2160 (ROMAN NUMERAL ONE) - это фактически то же самое, что и U+0049 (LATIN CAPITAL LETTER I). Однако он поддерживается в Юникоде для совместимости с существующими наборами символов (например, gb2312).
Нормальная форма KD (NFKD) применяет декомпозицию совместимости, то есть заменяет все совместимые символы их эквивалентами. Нормальная форма KC (NFKC) сначала применяет разложение по совместимости, а затем каноническую композицию.
Даже если две строки юникода нормализованы и выглядят одинаково для человека, если в одной из них есть комбинированные символы, а в другой - нет, они могут не совпадать.
- unicodedata.is_normalized(form, unistr)¶
Возвращает, находится ли строка Unicode unistr в нормальной форме form. Допустимыми значениями для form являются „NFC“, „NFKC“, „NFD“ и „NFKD“.
Added in version 3.8.
Кроме того, модуль выдает следующую константу:
- unicodedata.unidata_version¶
Версия базы данных Unicode, используемая в этом модуле.
- unicodedata.ucd_3_2_0¶
Это объект, который имеет те же методы, что и весь модуль, но вместо них использует базу данных Unicode версии 3.2 для приложений, которым требуется именно эта версия базы данных Unicode (например, IDNA).
Примеры:
>>> 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'
Сноски