mongodb 单词相同但Unicode字符不同

z4bn682m 于 2022-11-03 发布在 Go

关注(0)|答案(2)|浏览(158)

我在Windows上用Python构建了一个关于越南餐馆的问答应用程序。要写越南字符，我需要使用Unicode。
首先，我从TripAdvisor网站上克隆数据，使用HTML charset=utf-8，并建立我的Mongo数据库。一个名为“a nng”的城市在TripAdvisor有一个代码：

>>> print repr("đà nẵng")     # from tripadvisor website 
>>> '\xc4\x91a\xcc\x80 n\xc4\x83\xcc\x83ng'

然而，当我在Firefox的地址栏中查询时，城市“a nng”有一个不同的代码：

>>> print repr("đà nẵng")   # Firefox's address bar
>>> '\xc4\x91\xc3\xa0 n\xe1\xba\xb5ng'

这就是为什么我在我的数据库中找不到这个城市的原因。我试着在记事本++上写这个城市的名字，得到了和使用火狐的地址栏一样的结果

>>> print repr("đà nẵng")   # notepad++ using 'Encoding UTF-8'
>>> '\xc4\x91\xc3\xa0 n\xe1\xba\xb5ng'

有没有办法在两种类型的代码之间进行转换？
或者在这种情况下，是否有任何方法可以将城市名称“à n angng”与不同的代码匹配？

mongodb

来源：https://stackoverflow.com/questions/41975601/same-word-but-different-unicode-characters

2条答案

按热度按时间

km0tfn4u1#

你遇到的问题是，unicode允许多种方式组成同一个符号。Python模块unicodedata提供了一个函数normalize，允许你将unicode表示转换为固定的形式（例如NFC）。

from unicodedata import normalize

S1 = b'\xc4\x83\xcc\x83'.decode('UTF-8')
S2 = b'\xe1\xba\xb5'.decode('UTF-8')

print(normalize('NFC', S1).encode('UTF-8'))
print(normalize('NFC', S2).encode('UTF-8'))

在您的示例中，tripadvisor以NFD形式显示，而记事本使用NFC。

赞(0）回复(0）举报 2022-11-03

pzfprimi2#

虽然这是一个老问题，但我会为任何偶然发现这个问题的人添加一个答案。
两个字节序列的区别在于规范等价。有些字符可以用多个字节序列来表示。对于字母Ø，5种可能的规范等价表示。在python中，可以使用pyicu来得到一个特定字符串的所有规范等价列表。
但是在这个问题的例子中，Firefox使用NFC表示nng，字节序列是b 'n\xe1\xba\xb5ng'。
但是到到网给出的字节序列是b 'n\xc4\x83\xcc\x83ng'。这不是NFC，也不是NFD。NFD的等价物是b 'na\xcc\x86\xcc\x83ng'。
Trip Advisor中的字符串是使用Window的越南语键盘输入的。当微软第一次实现越南语Unicode键盘时，他们遵循Windows-1252的字符模型，带有抑扬符、短音符或钩的元音是单个的预合成字符，所有的音调标记都由组合的变音符号表示，因此当时生成的文本是预合成和分解序列的混合。NFC或NFD都不是。
因此，在这个例子中，'nng'是：
第一个

赞(0）回复(0）举报 2022-11-03

我来回答

mongodb 单词相同但Unicode字符不同

2条答案

相关问题

热门标签

最新问答