Unicodedata - Python中的 Unicode 数据库

在 Python 中，内置了一个名为 unicodedata 的模块，它提供了访问 Unicode 数据库（Unicode Character Database，简称 UCD）的方法。UCD 中包含了关于 Unicode 字符的各种信息，比如字符的名称、类别、大小写变换等。

安装

unicodedata 模块是 Python 的内置模块，不需要安装。

使用

首先需要导入 unicodedata 模块：

import unicodedata

获取字符信息

可以使用 unicodedata.name() 函数来获取字符的名称，例如：

>>> unicodedata.name('A')
'LATIN CAPITAL LETTER A'

可以使用 unicodedata.category() 函数来获取字符的类别，例如：

>>> unicodedata.category('A')
'Lu'

其中，分类信息使用的是 Unicode 标准中定义的分类符号，具体可以参考 UAX #44 Unicode Character Database。

除了这些常用信息之外，UCD 中还包括了各种转换映射、组合符号等信息，可以在需要时按需使用。

大小写转换

unicodedata 模块提供了大小写转换的功能。可以使用 unicodedata.upper() 和 unicodedata.lower() 函数分别将字符转换为大写和小写形式，例如：

>>> unicodedata.upper('a')
'A'
>>> unicodedata.lower('A')
'a'

使用这些函数时，需要注意有些字符的大小写形式可能不止一个，比如德语中的 ß 字符，它的大写形式是 SS。

规范化

在处理 Unicode 字符时，有时需要将字符进行规范化，去除一些特殊的组合字符等。unicodedata 模块提供了一些规范化函数，包括 NFD、NFC、NFKD、NFKC 四种规范化方式。这些函数分别对应于 Unicode 规范中的四种规范化方式，具体可以参考 UAX #15 Unicode Normalization Forms。

例如，在 NFC 规范化方式下，带有一个帽子符号的字符 ô 可以被规范化为带有一个组合符号的字符 ô：

>>> unicodedata.normalize('NFC', 'ô')
'ô'

同样地，在 NFD 规范化方式下，带有一个组合符号的字符 ô 可以被规范化为带有一个帽子符号的字符 ô：

>>> unicodedata.normalize('NFD', 'ô')
'ô'

总结

unicodedata 模块是 Python 中访问 Unicode 数据库的主要方式，它提供了访问各种 Unicode 字符信息、大小写转换、规范化等功能。在处理 Unicode 字符时，特别是在多语言处理中，使用这些功能可以帮助程序员更加方便地处理各种字符。