3

我需要评估 unicode 字符串上的 levenshtein 编辑距离，这意味着需要对包含相同内容的两个字符串进行归一化以避免编辑距离产生偏差。

以下是我为测试生成随机 unicode 字符串的方法：

def random_unicode(length=10):
    ru = lambda: unichr(random.randint(0, 0x10ffff))
    return ''.join([ru() for _ in xrange(length)])

这是失败的简单测试用例：

import unicodedata
uni = random_unicode()
unicodedata.normalize(uni, 'NFD')

这是错误：

UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-9: ordinal not in range(128)

我检查以确保它uni确实是一个 unicode 对象：

u'\U00020d93\U000fb2e6\U0005709a\U000bc31e\U00080262\U00034f00\U00059941\U0002dd09\U00074f6d\U0009ef7a'

有人可以启发我吗？

4

1 回答 1

5

您已切换 的参数normalize。从相关文档：

unicodedata.normalize(form, unistr)

返回 Unicode 字符串 * unistr* 的范式形式。form的有效值为“NFC”、“NFKC”、“NFD”和“NFKD”。

第一个参数是形式，第二个是要规范化的字符串。这工作得很好：

unicodedata.normalize('NFD', uni)
于 2013-01-18T15:10:27.747 回答