如何在Python3中将阿拉伯语字符转换为其基本字形形式？

由于单个阿拉伯字符可以采用多种字形形式，因此每种形式都有多个unicode/utf-8编码，例如Aleph:

孤立==ا

with

utf-8==\xD8\xA7

，

Final== ا

with

utf-8==\xD9\x80\xD8\xA7

，

Hamza==أ/إ

带

utf-8==\xD8\xA5/\xD8\xA3

，

Maddah==آ

带

utf-8=\xD8\xA2

，Maqsurah==ى

---

在Python 3中，如何将阿拉伯语字符转换为其基本字形形式？

您可以使用

unicodedata.normalize

将代码点转换为其分解形式，包括基本字符和修饰符。它并不适用于所有情况（尤其是Maqsurah），但可以帮助您编写函数来确定一些基本形式：

>>> s='ـا' # this character already consisted of the base code point.
>>> import unicodedata as ud
>>> for c in s:
...     print(f'{c} U+{ord(c):04X} {ud.name(c)}')
...     
ـ U+0640 ARABIC TATWEEL
ا U+0627 ARABIC LETTER ALEF

>>> s = 'أإآ' # These characters have decomposed forms
>>> for c in s:
...     print(f'{c} U+{ord(c):04X} {ud.name(c)}')
...     
أ U+0623 ARABIC LETTER ALEF WITH HAMZA ABOVE
إ U+0625 ARABIC LETTER ALEF WITH HAMZA BELOW
آ U+0622 ARABIC LETTER ALEF WITH MADDA ABOVE
>>> s = ud.normalize('NFD',s)
>>> for c in s:
...     print(f'{c} U+{ord(c):04X} {ud.name(c)}')
...     
ا U+0627 ARABIC LETTER ALEF
ٔ  U+0654 ARABIC HAMZA ABOVE
ا U+0627 ARABIC LETTER ALEF
ٕ  U+0655 ARABIC HAMZA BELOW
ا U+0627 ARABIC LETTER ALEF
ٓ  U+0653 ARABIC MADDAH ABOVE

---

您可以使用

unicodedata.normalize

将代码点转换为其分解形式，包括基本字符和修饰符。它并不适用于所有情况（尤其是Maqsurah），但可以帮助您编写函数来确定一些基本形式：

>>> s='ـا' # this character already consisted of the base code point.
>>> import unicodedata as ud
>>> for c in s:
...     print(f'{c} U+{ord(c):04X} {ud.name(c)}')
...     
ـ U+0640 ARABIC TATWEEL
ا U+0627 ARABIC LETTER ALEF

>>> s = 'أإآ' # These characters have decomposed forms
>>> for c in s:
...     print(f'{c} U+{ord(c):04X} {ud.name(c)}')
...     
أ U+0623 ARABIC LETTER ALEF WITH HAMZA ABOVE
إ U+0625 ARABIC LETTER ALEF WITH HAMZA BELOW
آ U+0622 ARABIC LETTER ALEF WITH MADDA ABOVE
>>> s = ud.normalize('NFD',s)
>>> for c in s:
...     print(f'{c} U+{ord(c):04X} {ud.name(c)}')
...     
ا U+0627 ARABIC LETTER ALEF
ٔ  U+0654 ARABIC HAMZA ABOVE
ا U+0627 ARABIC LETTER ALEF
ٕ  U+0655 ARABIC HAMZA BELOW
ا U+0627 ARABIC LETTER ALEF
ٓ  U+0653 ARABIC MADDAH ABOVE

---

注意：理论上，好的Unicode文本不应使用“glyphs码点”，但当它很重要时（例如在教科书中，或复制非常旧的文本，其中glyph是重要的部分，而不是文本），因此可能不应转换。但是为了与旧编码兼容，您可能会得到不同的形式（旧计算机使用的是更愚蠢的计算机，所以“预渲染”是必要的）。请参阅如何解决此问题的答案，或了解详细信息注意：理论上，好的Unicode文本不应使用“glyphs codepoints”，但在重要的时候（例如，在教科书中，或复制非常旧的文本，其中glyph是重要的部分，而不是文本），因此可能不应转换。但是为了与旧编码兼容，您可能会得到不同的形式（旧计算机使用的是更愚蠢的计算机，所以“预渲染”是必要的）。有关详细信息，请参见如何解决此问题的答案