为什么我不能规范化这个随机的unicode字符串？

Question

我需要在unicode字符串上评估levenshtein编辑距离,这意味着需要对包含相同内容的两个字符串进行规范化,以避免偏向编辑距离.

以下是我为测试生成随机unicode字符串的方法:

def random_unicode(length=10):
    ru = lambda: unichr(random.randint(0, 0x10ffff))
    return ''.join([ru() for _ in xrange(length)])

这是一个失败的简单测试用例:

import unicodedata
uni = random_unicode()
unicodedata.normalize(uni, 'NFD')

这是错误:

UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-9: ordinal not in range(128)

我检查确保它uni确实是一个unicode对象:

u'\U00020d93\U000fb2e6\U0005709a\U000bc31e\U00080262\U00034f00\U00059941\U0002dd09\U00074f6d\U0009ef7a'

有人可以开导我吗？

Answer 1

你切换了参数normalize.从相关文件:

unicodedata.normalize(form, unistr)

返回Unicode字符串*unistr*的正常表单形式.表单的有效值为"NFC","NFKC","NFD"和"NFKD".

第一个参数是表单,第二个参数是要规范化的字符串.这很好用:

unicodedata.normalize('NFD', uni)