在 Python 3 中，计算泰语字符位置

Question

FIRST，我使用 Python 3 grapheme 库来解决我的问题。 （有关 grapheme 的更多信息，请参阅 this article）。但令我惊讶的是，如果没有专门的库，Python 3 就无法做到这一点……

---

我求助于 grapheme 是因为在多次网络搜索和阅读 StackOverflow 问题之后，我无法让 Python 3 在序列中返回正确数量的 字符位置泰语字符。

例如，这里是一个 UTF-8 泰语字符串：

thai_str = 'สีโชคดีเป็นสีชมพู สีโชคร้ายเป็นสีเหลืองและขาว'

我使用术语字符位置 来标识一行/字符串泰语字符中的单个位置。这是因为一个字符位置可能由一个泰语辅音加上，在某些情况下，该辅音上方或下方的元音或声调标记组成。辅音加上元音或音调标记上方/下方在 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 项是音调标记。每个都使用 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

当尝试确定示例字符串中的字符位置时，len(thai_str) 返回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 来获得以下信息：

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出现的xe0 实例感觉不是正确的方法......）

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

Answer 1

更多解决方案，还可以通过UAX #29 中指定的扩展字形集群（“用户感知字符”）：

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

Answer 2

如果您想自己实现字素计数器，这不是唯一的方法，但它很复杂，您必须查阅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 代码点的 Unicode 字符串。有不同的categories 代码点。计算字符位置所需的示例文本使用的两个类别是：

• LoOther_Letter，其他字母，包括音节和表意文字；
• Mn Nonspacing_Mark，非间距组合标记（零前进宽度）。

如果您跳过计算 Nonspacing_Mark (Mn) 类别的代码点，您可以大致了解字形库在做什么：

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