Python 将所有重音字符替换为其等效字符

给定一个Unicode字符串，我想用生成它们的LaTeX代码替换非ASCII字符（例如，使

é

变成

\'e

，和

œ

变成

\oe

）。我正在将其合并到Python代码中。这应该依赖于一个翻译表，我已经提出了以下代码，它很简单，而且似乎工作得很好：

accents = [
    [ u"à", "\\`a"],
    [ u"é", "\\'e"]
  ]
translation_table = dict([(ord(k), unicode(v)) for k, v in accents])
print u"été à l'eau".translate(translation_table)

但是，编写一个相当完整的翻译表需要花费我很长时间，而谷歌也帮不了我多少忙。有没有人准备好了这样的东西，或者知道在哪里可以找到

---

PS：我是Python新手，所以我当然欢迎对上面代码的评论。

可能不翻译字符，但使用

inputenc

包和unicode文本原样。

如果您不能控制LaTeX编译选项，您可以使用inputenc包使用的相同表，这样，行为将与使用inputenc时相同

解释inputenc如何进行映射，它是一个

...
194 hall; t1; ly1i\DeclareUnicodeCharacter{00C2}{\^A}
195 hall; t1; ly1i\DeclareUnicodeCharacter{00C3}{\~A}
196 hall; t1; ly1i\DeclareUnicodeCharacter{00C4}{\"A}
197 hall; t1; ot1; ly1i\DeclareUnicodeCharacter{00C5}{\r A}
198 hall; t1; ot1; ly1; lcyi\DeclareUnicodeCharacter{00C6}{\AE}
199 hall; t1; ly1i\DeclareUnicodeCharacter{00C7}{\c C}
200 hall; t1; ly1i\DeclareUnicodeCharacter{00C8}{\@tabacckludge`E}

您可以解析文件，查找所有

DeclareUnicodeCharacter

行，并使用regexp提取映射

编辑：我已经编写了一些代码来实现这一点：

# -*- coding: utf-8 -*-
import re

translation_table = {}

for line in open('utf8ienc.dtx'):
    m = re.match(r'%.*\DeclareUnicodeCharacter\{(\w+)\}\{(.*)\}', line)
    if m:
        codepoint, latex = m.groups()
        latex = latex.replace('@tabacckludge', '') # remove useless (??) '@tabacckludge'
        translation_table[int(codepoint, 16)] = unicode(latex)

print u"été à l'eau".translate(translation_table)

# outputs "\'et\'e \`a l'eau"

你应该在latex安装中找到

utf8ency.dtx

，或者你可以用谷歌搜索它。

下载（大约1MB）。您可以找到等效字符组合的关系表，例如

é=\u00E9

is

e++/code>，它等效于
\u0065++\u0301（拉丁文小写字母e
+
组合锐重音）
。您可以编写简单的代码来转换所有脚本的所有组合字符，或者只转换它们（您可以通过数据库中的脚本字段进行控制）

然后用LaTeX代码替换组合。例如，使用正则表达式
\w\u0065
替换双字符：
\'
。（我不确定语法。这取决于您的编程语言和正则表达式引擎。）

编辑：
如果您使用的是python，那么您已经有了数据库和处理程序的实现来使用它。正如在下面的评论中提到的，
导入Unicode数据
好的，下面是我现在建立的表。请随时编辑添加到它！（如果您没有足够的声誉进行编辑，请发表评论）

你真的需要这个吗？LaTeX长期以来一直支持Unicode，在utf8输入的序言中包含
\usepack[utf8]{inputenc}
就足够了。我无法控制整个LaTeX编译链，它涉及bibtex，并且必须在各种设置上运行（包括科学出版商，他们对设置的选择往往非常保守）。@Giuseppe:inputenc utf8在我看来是非常有限的。基本上，它是Unicode和LaTeX的古老传统字体编码之间的大量映射（在许多情况下，这是一个非常糟糕的选择）.XeLaTeX支持Unicode这个词的正确含义是“支持”。@Joey:是的，inputenc主要是一种用latex代码替换utf8序列的黑客行为。但我认为OP在这种情况下不能使用XeLaTeX。哦，我很想这样做……但我不能。因此问题是：）嗯，那么我认为最好的方法就是边走边摆桌子，加上你沿途的角色，这就是我要做的（摆桌子）。我只是想，也许，我可以在某个地方找到一个合适的起点……它在不同的发行版中可能有不同的名称（我的miktex有utf8enc.dfu和其他一些.dfu文件），看起来
utf8enc.dfu
比
utf8ency.dtx
更广泛可用；它在行首也没有注释字符
%
，因此您需要将其从
re.match
（或更改为
%？
）中删除。这样做并更改为
open（subprocess.check_output（['kpsewhich'，utf8enc.dfu']）.strip（）
（添加
import subprocess
）应该可以在大多数带有LaTeX安装的unixy系统上运行，而无需复制文件。我不认为我会实现它，但这显然是解决我的问题的最聪明的答案！因此，这里有一个链接，看起来像是一个完整的表（在Elisp中并带有额外的空格）：字典使替换操作更加优雅
################################################################
# LaTeX accents replacement
latexAccents = [
  [ u"à", "\\`a" ], # Grave accent
  [ u"è", "\\`e" ],
  [ u"ì", "\\`\\i" ],
  [ u"ò", "\\`o" ],
  [ u"ù", "\\`u" ],
  [ u"ỳ", "\\`y" ],
  [ u"À", "\\`A" ],
  [ u"È", "\\`E" ],
  [ u"Ì", "\\`\\I" ],
  [ u"Ò", "\\`O" ],
  [ u"Ù", "\\`U" ],
  [ u"Ỳ", "\\`Y" ],
  [ u"á", "\\'a" ], # Acute accent
  [ u"é", "\\'e" ],
  [ u"í", "\\'\\i" ],
  [ u"ó", "\\'o" ],
  [ u"ú", "\\'u" ],
  [ u"ý", "\\'y" ],
  [ u"Á", "\\'A" ],
  [ u"É", "\\'E" ],
  [ u"Í", "\\'\\I" ],
  [ u"Ó", "\\'O" ],
  [ u"Ú", "\\'U" ],
  [ u"Ý", "\\'Y" ],
  [ u"â", "\\^a" ], # Circumflex
  [ u"ê", "\\^e" ],
  [ u"î", "\\^\\i" ],
  [ u"ô", "\\^o" ],
  [ u"û", "\\^u" ],
  [ u"ŷ", "\\^y" ],
  [ u"Â", "\\^A" ],
  [ u"Ê", "\\^E" ],
  [ u"Î", "\\^\\I" ],
  [ u"Ô", "\\^O" ],
  [ u"Û", "\\^U" ],
  [ u"Ŷ", "\\^Y" ],
  [ u"ä", "\\\"a" ],    # Umlaut or dieresis
  [ u"ë", "\\\"e" ],
  [ u"ï", "\\\"\\i" ],
  [ u"ö", "\\\"o" ],
  [ u"ü", "\\\"u" ],
  [ u"ÿ", "\\\"y" ],
  [ u"Ä", "\\\"A" ],
  [ u"Ë", "\\\"E" ],
  [ u"Ï", "\\\"\\I" ],
  [ u"Ö", "\\\"O" ],
  [ u"Ü", "\\\"U" ],
  [ u"Ÿ", "\\\"Y" ],
  [ u"ç", "\\c{c}" ],   # Cedilla
  [ u"Ç", "\\c{C}" ],
  [ u"œ", "{\\oe}" ],   # Ligatures
  [ u"Œ", "{\\OE}" ],
  [ u"æ", "{\\ae}" ],
  [ u"Æ", "{\\AE}" ],
  [ u"å", "{\\aa}" ],
  [ u"Å", "{\\AA}" ],
  [ u"–", "--" ],   # Dashes
  [ u"—", "---" ],
  [ u"ø", "{\\o}" ],    # Misc latin-1 letters
  [ u"Ø", "{\\O}" ],
  [ u"ß", "{\\ss}" ],
  [ u"¡", "{!`}" ],
  [ u"¿", "{?`}" ],
  [ u"\\", "\\\\" ],    # Characters that should be quoted
  [ u"~", "\\~" ],
  [ u"&", "\\&" ],
  [ u"$", "\\$" ],
  [ u"{", "\\{" ],
  [ u"}", "\\}" ],
  [ u"%", "\\%" ],
  [ u"#", "\\#" ],
  [ u"_", "\\_" ],
  [ u"≥", "$\\ge$" ],   # Math operators
  [ u"≤", "$\\le$" ],
  [ u"≠", "$\\neq$" ],
  [ u"©", "\copyright" ], # Misc
  [ u"ı", "{\\i}" ],
  [ u"µ", "$\\mu$" ],
  [ u"°", "$\\deg$" ],
  [ u"‘", "`" ],    #Quotes
  [ u"’", "'" ],
  [ u"“", "``" ],
  [ u"”", "''" ],
  [ u"‚", "," ],
  [ u"„", ",," ],
]