我有一个包含以下句子的文档。"Mon frère aièné"我通过QTextCursor获取每个字符。
from PySide6 import QtWidgets, QtGui
import os, sys, PySide6
dirname = os.path.dirname(PySide6.__file__)
plugin_path = os.path.join(dirname, 'plugins', 'platforms')
os.environ['QT_QPA_PLATFORM_PLUGIN_PATH'] = plugin_path
doc = QtGui.QTextDocument()
step = 0
doc.setPlainText("Mon frère aîné")
for num, sen in enumerate("Mon frère aîné"):
tc = QtGui.QTextCursor(doc)
can_move = tc.movePosition(tc.NextCharacter, tc.MoveAnchor, step+1)
if can_move:
tc.movePosition(tc.PreviousCharacter, tc.KeepAnchor, 1)
print(tc.selectedText(), num, sen)
step += 1
结果:M 0 M
o 1 o
n 2 n
3
f4 f
r 5 r
è6è
r 7 r
e 8 e
9
a 10 a
我(这里(
n 12õ(此处(
é13 n(此处(
QTextCursor可以获得两个字符,类似于unicode"的组合;iâ"作为一个字符,另一方面,python序列区分了两者之间的"i〃;以及"^&";。
我怎么能把两者搞成巧合呢?
字形î
在Unicode中可以用两种方式表示:
U+00EE - LATIN SMALL LETTER I WITH CIRCUMFLEX
或:
U+0069 - LATIN SMALL LETTER I
U+0302 - COMBINING CIRCUMFLEX ACCENT
CCD_ 2似乎是Unicode字形感知的;感知性格";一次。有关详细信息,请参阅Unicode文本分割。
在这种情况下,Unicode规范化可以在两者之间转换,并且可能是您所需要的:
import unicodedata as ud
s1 = 'u00ee'
s2 = 'u0069u0302'
print(s1,s2) # They look the same
print(len(s1),len(s2))
print(s1 == s2)
print(s1 == ud.normalize('NFC',s2)) # combined format
print(ud.normalize('NFD',s1) == s2) # decomposed format
输出:
î î
1 2
False
True
True
在您的示例中,一些重音字符被组合,其中一个被分解:
text = "Mon frère aîné"
print(len(text),text,ascii(text))
text = ud.normalize('NFC',text)
print(len(text),text,ascii(text))
text = ud.normalize('NFD',text)
print(len(text),text,ascii(text))
输出:
15 Mon frère aîné 'Mon frxe8re aiu0302nxe9' # mix
14 Mon frère aîné 'Mon frxe8re axeenxe9' # shorter, all combined
17 Mon frère aîné 'Mon freu0300re aiu0302neu0301' # longer, all decomposed
QTextCursor