Python Unicode格式

我正在使用字符串格式。对于英语，格式是整洁的，但是对于unicode字符，格式是随意的。谁能告诉我原因吗？ 例如：

给出：

您正在打印，这将使用大量的字符来修改前面的图示符。这些元音符号代码点本身不会形成新的字母，而且Malayalam不会在终端中产生与ASCII字母相同的规则输出宽度

例如，在您的第一个字符串中，以和开头。第一个字母SA在屏幕上占据完整的位置，但是第二个字符，元音符号I，在SA前面时，会改变字母的打印方式。请注意，打印2个代码点时，只有一个可见标志符号：

>>> print u'\u0d38'  # letter SA
സ
>>> print u'\u0d3f'  # vowel sign I
 ി
>>> print u'\u0d38\u0d3f'  # both together
സി

马来语码点的宽度也不同；如果在SA和元音符号I下方分别或组合添加ASCII字母，则如下所示：

>>> print u'\u0d38\nA..\n\u0d3f\nB..\n\u0d38\u0d3f\nAB.'  # with ASCII letters for size
സ
A..
 ി
B..
സി
AB.

注意

സ

比

A

宽（约2.5倍），而

സി

几乎与固定宽度的3个ASCII码点一样宽！然而，并非所有的马来语字母都这么宽。第一个示例中的下一个字母是，宽度要小得多：

>>> print u'\u0d38\nA..\n\u0d1f\nB..'
സ
A..
ട
B..

在实践中，我希望差异不重要，而是将代码点组合起来，这样输出的宽度就大致相同

其次，马来亚拉姆语还有其他组合特征；您的第一个字符串为，已与前面的字母TTA组合

变音符号与前面的字母组合时，会严重影响打印宽度：

>>> print u'\u0d1f\nA..\n\u0d4d\nB..\n\u0d1f\u0d4d\nAB.'
ട
A..
 ്
B..
ട്
AB.

字母TTA与ASCII字母一样宽，当您添加virama符号时，宽度实际上没有改变

您可以通过查看代码点来近似大小。将类别作为字符串提供给您：

>>> import unicodedata
>>> unicodedata.category(u'\u0d38')
'Lo'
>>> unicodedata.category(u'\u0d3f')
'Mc'
>>> unicodedata.category(u'\u0d4d')
'Mn'

字母SA是

Lo

（字母，其他），元音符号是

Mc

（标记，空格组合），而virama符号是

Mn

（标记，非空格）

所以对于第一个字符串，有4个字母，4个组合符号和一个元音符号。

Zs

类别（分隔符，空格）用于

'

ASCII空格字符

如果跳过

Mc

和

Mn

字符，可以更好地预测它们的宽度吗？字符串

a[0]

将有5个字符宽（4倍

Lo

和1个空格）：

在浏览器中，这看起来不够近，但在我的iTerm终端窗口中，它看起来如下所示：

>>> print u'\u0d38\nA..\n\u0d3f\nB..\n\u0d38\u0d3f\nAB.'  # with ASCII letters for size
സ
A..
 ി
B..
സി
AB.

要使行对齐，必须计算字符串的正确宽度，以便为显示宽度和代码点数量的差异添加额外的空间：

import unicodedata

def malayalam_width(s):
    return sum(1 for c in s if unicodedata.category(c)[0] != 'M')

form = u'{:<{width}}{:<3}({})'
for line in a:
    line = line[:12]
    adjust = len(line) - malayalam_width(line)
    print form.format(line, 1, 2, width=15 + adjust)

导入Unicode数据
def malayalam_宽度：
返回和（如果是unicodedata，则s中的c为1。类别（c）[0]！='M'）
form=u'{:您可以使用
wcwidth
模块，它克服了选项卡长度在不同终端中被不同解释的问题（据我所知）

我在这里使用了Python3，我认为您使用的是2，因此您的里程数可能会有所不同。此外，我修改了输出的格式，以演示正在使用的一些变量

解决方案
从wcwidth导入wcswidth
a=[
u'സി ട്രീമിം',
u'ബി ഡോഗേറ്റ്',
u'ജെ ഹോളണ്ട്',
u'എം നസീർ ',
u'എം ബസ്ചാഗൻ…',
u'ടി ഹെഡ് ',
u'കെ ഭാരത് ',
u'എം സിറാജ് ',
u'എ ഈശ്വരൻ ',
u'സി ഹാൻഡ്‌സ്‌കോംബ് ബി'
]
期望值=15
最大应力=12
对于a中的项目：
sub_str=项目[：max_str]
diff=len（sub_str）-wcswidth（sub_str）
缩进=所需+diff如果需要-wcswidth（sub_str）>0其他所需+diff-1
form=u'{：并不是所有的Unicode字符都是相同的。或者至少，使用相同的宽度。感谢您的精彩解释谢谢您的回答，您能解释一下为什么
else desired+diff-1
要这样做吗？注：您可以嵌套
{}
节来指定
str.format（）中的宽度
templates。不要在此处使用字符串连接来构建模板。
u'{:@MartijnPieters谢谢，我当时不记得怎么做了。@Savitha Suresh我现在不能运行它，但这一点数学可能实际上并不必要，我认为只要
其他所需的
就足够了。一般的想法是，如果有间隙，应该添加缩进，否则就不会。注意
wcwidth
在这方面并不比使用unicodedata更好。
wcswidth
所做的就是为我们提供与我们从使用中获得的信息完全相同的信息（函数的源代码只是复制用于组合和EAW字符的Unicode数据表，并根据这些表为代码点提供0、1或2>0 else
逻辑在这里没有意义；无论如何，没有一个字符串的宽度更长，因为这里根本没有EAW代码点（没有任何东西需要2个块，所有东西都需要0或1个位置）。使用
wcwidth
在这里没有任何帮助，因为它会忽略组合标记并高估长度。我不确定您的终端是如何产生屏幕截图中显示的输出的，在我的机器上，即使
wcswidth（）
数字完全相同，我也会得到非常不同的输出。
>>> categories = {}
>>> for c in a[0]:
...     cat = unicodedata.category(c)
...     categories[cat] = categories.get(cat, 0) + 1
... 
>>> categories
{'Lo': 4, 'Mn': 1, 'Mc': 4, 'Zs': 1}

>>> print a[0] + '\nABCDE.'
സി ട്രീമിം
ABCDE.

import unicodedata

def malayalam_width(s):
    return sum(1 for c in s if unicodedata.category(c)[0] != 'M')

form = u'{:<{width}}{:<3}({})'
for line in a:
    line = line[:12]
    adjust = len(line) - malayalam_width(line)
    print form.format(line, 1, 2, width=15 + adjust)

form = u'{:<{width}}\t{:<3}({})'
for line in a:
    line = line[:12]
    adjust = len(line) - malayalam_width(line)
    print form.format(line, 1, 2, width=12 + adjust)

from wcwidth import wcswidth

a = [
    u'സി ട്രീമിം',
    u'ബി ഡോഗേറ്റ്',
    u'ജെ ഹോളണ്ട്',
    u'എം നസീർ ',
    u'എം ബസ്ചാഗൻ…',
    u'ടി ഹെഡ് ',
    u'കെ ഭാരത് ',
    u'എം സിറാജ് ',
    u'എ ഈശ്വരൻ ',
    u'സി ഹാൻഡ്‌സ്‌കോംബ് ബി'
]

desired = 15
max_str = 12

for item in a:

    sub_str = item[:max_str]

    diff = len(sub_str) - wcswidth(sub_str)

    indent = desired + diff if desired - wcswidth(sub_str) > 0 else desired + diff - 1

    form = u'{:<'+ str(indent) +'} {:<3}{:<3}{:<3}'

    print (form.format(sub_str, len(sub_str), wcswidth(sub_str), indent))