我從網頁中提取了以下字串。它似乎以某種方式包含字體樣式，這使得它難以使用。我想使用 Python 將其轉換為普通的無樣式字符。
這是字串：
???????? ???????????? ??????????????????????
uj5u.com熱心網友回復：
該字串中的字符是用于數學排版的特殊 Unicode 代碼點。盡管不應在其他背景關系中使用它們，但許多網頁濫用 Unicode 來創建樣式文本；它在不允許 HTML 樣式的地方最常見（例如 StackOverflow 注釋 :-)
如注釋中所述，您可以使用標準unicodedata模塊的normalize方法將這些 Unicode 字符轉換為普通的無樣式字母字符，以進行“兼容性 ( K) 組合 ( C)”規范化。
unicodedata.normalize("NFKC", "???????? ???????????? ??????????????????????")
有四種歸一化形式，它們結合了兩個軸：
- 組合或分解：某些字符（如
?或?）有自己的 Unicode 代碼點，盡管 Unicode 還包括一種機制——零寬度“組合字符”——將裝飾（“重音”或“波浪線”）應用于任何字符。帶有自己代碼的預組合字符基本上是為了支持舊編碼（如 ISO-8859-x），其中包括這些作為單個字符。例如，?D1在 ISO-8859-1（“latin-1”）中是十六進制的，它被賦予了 Unicode 代碼點U 00D1，以便更容易地轉換希望它是單個字符的程式。Latin-1 還包括 ?（如D5)，但不包括T?；在 Unicode 中，我們將 T? 寫為兩個字符：大寫的 T 后跟一個“組合波浪號”（U 0054 U 0303）。這意味著我們可以用兩種方式寫 ?：作為 ?，單個組合碼點 U 00D1，或作為 ?，兩個代碼序列 U 004E U 0303。如果您的顯示軟體經過良好調整，那么這兩種可能性應該看起來相同，并且根據 Unicode 標準，它們在語意上是相同的，但是由于代碼不同，它們不會在逐位元組比較中進行相同的比較。- 組合(C) 歸一化將多代碼序列轉換為其組合的單代碼版本（如果存在）；它會將 U 004E U 0303 變成 U 00D1。
- 分解（D）歸一化使用組合字符將組合的單碼字符轉換為語意等效的序列；它會將 U 00D1 變成 U 004E U 0303
- 兼容性(K)：某些 Unicode 代碼點的存在僅用于強制特定呈現樣式。這包括您遇到的樣式數學字符，但也包括連字（例如
?）、上標數字 (2) 或字母 (a) 以及一些具有常規含義的字符（μ，意思是“百萬分之一”，不同于希臘字符 μ 或埃符號 ?，它與斯堪的納維亞字符 ? 不同）。在兼容性規范化中，這些字符被更改為基本無樣式字符；在某些情況下，這會丟失重要的語意資訊，但它可能很有用。
所有規范化都將代碼置于“規范”排序中。具有多個組合標記的字符，例如 ?，可以按任一順序使用組合標記書寫。為了更容易地比較包含這些字符的字串，Unicode 有一個指定的組合順序，規范化將重新排列組合字符，以便它們可以很容易地進行比較。（注意，這需要在組合后完成，因為這會改變基本字符。例如，如果基本字符是“?”，分解規范化會將基本字符更改為“c”，然后需要插入 cedilla在組合標記序列中的正確位置。
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/355837.html