在 unix 命令行上在 Unicode 规范化形式之间进行转换

Question

在 Unicode 中，某些字符组合具有不止一种表示形式。

例如，字符ä可以表示为

• “ä”，即代码点 U+00E4（c3 a4UTF-8 编码中的两个字节），或作为
• “a?”，即两个代码点 U+0061 U+0308（61 cc 88UTF-8 中的三个字节）。

根据 Unicode 标准，这两种表示形式是等效的，但具有不同的“规范化形式”，请参阅UAX #15：Unicode 规范化形式。

unix 工具箱里有各种文本转换工具，想到sed、tr、iconv、 Perl 。如何在命令行上快速轻松地进行 NF 转换？

Answer 1

您可以使用ICU 中的uconv实用程序。规范化是通过音译实现的（）。-x

$ uconv -x any-nfd <<<ä | hd
00000000  61 cc 88 0a                                       |a...|
00000004
$ uconv -x any-nfc <<<ä | hd
00000000  c3 a4 0a                                          |...|
00000003

在 Debian、Ubuntu 和其他衍生产品上，uconv是在libicu-dev包中。在 Fedora、Red Hat 和其他衍生产品上，以及在 BSD 端口中，它都在icu包中。

Answer 2

Pythonunicodedata在其标准库中有模块，它允许通过unicodedata.normalize()函数转换 Unicode 表示：

import unicodedata

s1 = 'Spicy Jalape\u00f1o'
s2 = 'Spicy Jalapen\u0303o'

t1 = unicodedata.normalize('NFC', s1)
t2 = unicodedata.normalize('NFC', s2)
print(t1 == t2) 
print(ascii(t1)) 

t3 = unicodedata.normalize('NFD', s1)
t4 = unicodedata.normalize('NFD', s2)
print(t3 == t4)
print(ascii(t3))

使用 Python 3.x 运行：

$ python3 test.py
True
'Spicy Jalape\xf1o'
True
'Spicy Jalapen\u0303o'

Python 不太适合 shell oneliners，但如果您不想创建外部脚本，则可以这样做：

$ python3 -c $'import unicodedata\nprint(unicodedata.normalize("NFC", "äa?äa?äa?"))'
ääääää

对于 Python 2.x，您必须添加编码行 ( # -*- coding: utf-8 -*-) 并使用 u 字符将字符串标记为 Unicode：

$ python -c $'# -*- coding: utf-8 -*-\nimport unicodedata\nprint(unicodedata.normalize("NFC", u"äa?äa?äa?"))'
ääääää