Python 3、统计泰文字符位置

Question

FIRST，我用过Python3grapheme library to solve my problem. (For a bit more about grapheme, see this article)。但令我惊讶的是 Python 3 没有专门的库就无法做到这一点...

我求助于 grapheme 因为经过多次网络搜索和阅读 Whosebug 问题后，我无法得到 Python 3 到 return 正确的数字泰语字符序列中的 个字符位置。

例如，这是一个 UTF-8 泰文字符串：

thai_str = 'สีโชคดีเป็นสีชมพู สีโชคร้ายเป็นสีเหลืองและขาว'

我使用术语字符位置 来标识 line/string 泰语字符中的单个位置。这是因为字符位置可能由泰语辅音加上（在某些情况下）辅音上方或下方的元音或声调标记组成。辅音加上元音或声调标记 above/below 在 Unicode 字符串中占据单个 字符位置 。（一些泰语辅音也可能在其左侧、右侧或两者都有元音。这些元音占据它们自己的字符位置。）

例如，在从示例字符串生成的以下序列中，第 2 项和第 7 项是元音，第 10 项是声调标记。每个使用 UTF-8 字符串中的单独字节，但不占用自己的字符位置。第 3 项和第 8 项是位于辅音左侧的元音，因此占据字符位置。

01: ส
02: ี
03: โ
04: ช
05: ค
06: ด
07: ี
08: เ
09: ป
10: ็
...
45: ว

尝试确定示例字符串中的字符位置时，len(thai_str) returns 45。这是不正确的。我能够获得正确数量的字符位置的唯一方法是使用 grapheme.length(thai_str) 来获得 35.

我还使用 encode 获得以下内容：

b'\xe0\xb8\xaa\xe0\xb8\xb5\xe0\xb9\x82\xe0\xb8\x8a\xe0\xb8\x84\xe0\xb8\x94...

（计算似乎在每个泰语字符之前的 xe0 的实例并不像正确的方法...）

SO - 计算我的示例字符串中字符位置的唯一方法是使用 Python 3 库，例如 grapheme?

Answer 1

这不是唯一的方法，如果你想自己实现一个字素计数器，但它很复杂，你必须参考 https://unicode.org 规范才能正确使用。

thai_str不是UTF-8字符串，而是包含Unicode码位的Unicode字符串。代码点有不同的categories。计算字符位置所需的示例文本使用的两个类别是：

Lo Other_Letter,其他字母,包括音节和表意文字;
Mn Nonspacing_Mark，一个非间距组合标记（零提前宽度）。

如果跳过 Nonspacing_Mark (Mn) 类别的代码点，您可以大致看到字素库在做什么：

import unicodedata as ud

thai_str = 'สีโชคดีเป็นสีชมพู สีโชคร้ายเป็นสีเหลืองและขาว'

for cp in thai_str:
    print(f'{cp}\t{ud.category(cp)}\t{ud.name(cp)}')

print(sum(1 for cp in thai_str if ud.category(cp)[0] != 'M'))

输出：

ส   Lo  THAI CHARACTER SO SUA
ี   Mn  THAI CHARACTER SARA II
โ   Lo  THAI CHARACTER SARA O
ช   Lo  THAI CHARACTER CHO CHANG
ค   Lo  THAI CHARACTER KHO KHWAI
ด   Lo  THAI CHARACTER DO DEK
ี   Mn  THAI CHARACTER SARA II
เ   Lo  THAI CHARACTER SARA E
ป   Lo  THAI CHARACTER PO PLA
็   Mn  THAI CHARACTER MAITAIKHU
...
ว   Lo  THAI CHARACTER WO WAEN
35

Answer 2

更多解决方案，但也通过 扩展字素簇 （“用户感知的字符”），如 UAX #29 中指定：

使用 pyuegc 库

from pyuegc import EGC  # pip install pyuegc

egc = EGC('สีโชคดีเป็นสีชมพู สีโชคร้ายเป็นสีเหลืองและขาว')
print(len(egc))
# 35

使用 regex 库

import regex  # pip install regex

egc = regex.findall('\X', 'สีโชคดีเป็นสีชมพู สีโชคร้ายเป็นสีเหลืองและขาว')
print(len(egc))
# 35

Python 3、统计泰文字符位置

In Python 3, count Thai character positions

python

unicode

python-3.x

thai

grapheme