python 列表中无法识别三个特殊的丹麦元音 æ、ø 和 å

Question

我正在编写一个程序，该程序旨在帮助孩子和阅读障碍者将单词分成音节。 软件要做到这一点，它需要计算给定单词中的所有元音。

我已经编写了代码，如果它们不包含特殊元音，它可以正确划分任何单词。 但是，如果我使用带有丹麦元音的单词，则不会计算特殊元音，因此该单词不会分成正确的音节。

这是我的代码：

#!/usr/bin/env python
-*- coding: utf-8 -*-

import sys

wordGiven = str(sys.argv[1])

vowelsArray = ["a", "e", "i", "o", "u", "y", "æ", "ø", "å"]

vowelsFoundInWord = 0;

counter = 0
for char in wordGiven:
    if char in vowelsArray:
        vowelsFoundInWord += 1
    counter += 1

print vowelsFoundInWord

如果我在脚本中输入“slået”这个词，它只会打印 1。我该怎么办？ 我已经尝试在列表和循环中写入 ord("å") ，但随后出现错误：ord() “期望一个字符，但找到长度为 2 的字符串”。

我应该怎么做才能让它工作？

Answer 1

您正在使用 UTF-8 编码的数据，但假设所有字母都被编码为一个字节。当您迭代 wordGiven 时，您正在迭代 字节，而不是字符。

您的假设不正确； ASCII 字符集之外的任何内容都需要 2 个或更多字节才能以 UTF-8 编码。对于å，这意味着您将获得两个字节：

>>> "å"
'\xc3\xa5'

\xc3 和 \xa5 都不会出现在您的元音列表中。

如果您的输入也是 UTF-8 编码的，您需要将其解码为 Unicode，使用 Unicode 元音，并使用它进行测试：

wordGiven = unicode(sys.argv[1], 'utf8')

vowelsArray = [u"a", u"e", u"i", u"o", u"u", u"y", u"æ", u"ø", u"å"]

您可能想研究 bytes 和 characters 之间的区别，尤其是在编解码器、Unicode 和 Python 方面。我建议你阅读：

• The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!) 乔尔·斯波尔斯基

• Pragmatic Unicode by Ned Batchelder

• Python Unicode HOWTO