unicodedata — 유니코드 데이터베이스

This module provides access to the Unicode Character Database (UCD) which defines character properties for all Unicode characters. The data contained in this database is compiled from the UCD version 14.0.0.

모듈은 유니코드 표준 부속서 #44, “유니코드 문자 데이터베이스”에 정의된 것과 같은 이름과 기호를 사용합니다. 다음과 같은 함수를 정의합니다:

unicodedata.lookup(name)

이름으로 문자를 조회합니다. 지정된 이름의 문자가 발견되면, 대응하는 문자를 돌려줍니다. 발견되지 않으면, KeyError가 발생합니다.

버전 3.3에서 변경: 이름 별칭 [1] 과 명명된 시퀀스 [2] 가 추가되었습니다.

unicodedata.name(chr[, default])

chr 문자에 할당된 이름을 문자열로 반환합니다. 이름이 정의되지 않으면, default가 반환되거나, 지정되지 않으면 ValueError가 발생합니다.

unicodedata.decimal(chr[, default])

chr 문자에 할당된 10진수 값을 정수로 반환합니다. 그러한 값이 정의되어 있지 않으면 default가 반환되거나, 지정되지 않으면 ValueError가 발생합니다.

unicodedata.digit(chr[, default])

chr 문자에 할당된 숫자(digit) 값을 정수로 반환합니다. 그러한 값이 정의되어 있지 않으면 default가 반환되거나, 지정되지 않으면 ValueError가 발생합니다.

unicodedata.numeric(chr[, default])

chr 문자에 할당된 수치(numeric value)를 float로 반환합니다. 그러한 값이 정의되어 있지 않으면 default가 반환되거나, 지정되지 않으면 ValueError가 발생합니다.

unicodedata.category(chr)

chr 문자에 할당된 일반 범주(general category)를 문자열로 반환합니다.

unicodedata.bidirectional(chr)

chr 문자에 할당된 양방향 클래스(bidirectional class)를 문자열로 반환합니다. 그러한 값이 정의되어 있지 않으면, 빈 문자열이 반환됩니다.

unicodedata.combining(chr)

chr 문자에 할당된 정준 결합 클래스(canonical combining class)를 정수로 반환합니다. 결합 클래스가 정의되지 않으면 0을 반환합니다.

unicodedata.east_asian_width(chr)

문자 chr에 할당된 동아시아 폭(east asian width)을 문자열로 반환합니다.

unicodedata.mirrored(chr)

문자 chr에 할당된 거울상 속성(mirrored property)을 정수로 반환합니다. 문자가 양방향 텍스트에서 “거울상” 문자로 식별되면 1을 반환하고, 그렇지 않으면 0을 반환합니다.

unicodedata.decomposition(chr)

문자 chr에 할당된 문자 분해 매핑(character decomposition mapping)을 문자열로 반환합니다. 그러한 매핑이 정의되어 있지 않으면 빈 문자열이 반환됩니다.

unicodedata.normalize(form, unistr)

유니코드 문자열 unistr에 대한 정규화 형식(normal form) form을 반환합니다. form의 유효한 값은 ‘NFC’, ‘NFKC’, ‘NFD’ 및 ‘NFKD’ 입니다.

유니코드 표준은 정준 동등성(canonical equivalence) 및 호환 동등성(compatibility equivalence)의 정의를 기반으로, 유니코드 문자열의 다양한 정규화 형식을 정의합니다. 유니코드에서, 여러 문자를 다양한 방법으로 표현할 수 있습니다. 예를 들어, U+00C7 (LATIN CAPITAL LETTER C WITH CEDILLA) 은 시퀀스 U+0043 (LATIN CAPITAL LETTER C) U+0327 (COMBINING CEDILLA) 로도 표현할 수 있습니다.

각 문자에는, 두 개의 정규화 형식이 있습니다: 정규화 형식 C와 정규화 형식 D. 정규화 형식 D(NFD)는 정준 분해라고도 하며, 각 문자를 분해된 형식으로 변환합니다. 정규화 형식 C(NFC)는 먼저 정준 분해를 적용한 다음, 미리 결합한 문자로 다시 조합합니다.

이 두 형식 외에도, 호환 등가성을 기반으로 하는 두 가지 추가 정규화 형식이 있습니다. 유니코드에서는, 일반적으로 다른 문자와 통합되는 특정 문자가 지원됩니다. 예를 들어, U+2160 (ROMAN NUMERAL ONE) 은 U+0049 (LATIN CAPITAL LETTER I) 과 실제로 같습니다. 하지만, 기존 문자 집합(예를 들어, gb2312)과의 호환성을 위해 유니코드에서 지원됩니다.

정규화 형식 KD(NFKD)는 호환 분해를 적용합니다. 즉, 모든 호환 문자를 동등한 것으로 치환합니다. 정규화 형식 KC(NFKC)는 먼저 호환 분해를 적용한 다음, 정준 결합을 적용합니다.

두 개의 유니코드 문자열이 정규화되고, 사람이 보기에 같아 보여도, 하나가 결합한 문자를 갖고 다른 것은 그렇지 않으면, 같다고 비교되지 않을 수 있습니다.

unicodedata.is_normalized(form, unistr)

유니코드 문자열 unistr이 정규화 형식 form인지를 반환합니다. form의 유효한 값은 ‘NFC’, ‘NFKC’, ‘NFD’ 및 ‘NFKD’ 입니다.

버전 3.8에 추가.

또한, 이 모듈은 다음 상수를 노출합니다:

unicodedata.unidata_version

이 모듈에 사용된 유니코드 데이터베이스의 버전.

unicodedata.ucd_3_2_0

이것은 전체 모듈과 같은 메서드를 가지고 있는 객체이지만, 유니코드 데이터베이스 버전 3.2를 대신 사용합니다. 이 특정 버전의 유니코드 데이터베이스가 필요한 응용 프로그램(가령 IDNA)을 위한 것입니다.

예제:

>>> import unicodedata
>>> unicodedata.lookup('LEFT CURLY BRACKET')
'{'
>>> unicodedata.name('/')
'SOLIDUS'
>>> unicodedata.decimal('9')
9
>>> unicodedata.decimal('a')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: not a decimal
>>> unicodedata.category('A')  # 'L'etter, 'u'ppercase
'Lu'
>>> unicodedata.bidirectional('\u0660') # 'A'rabic, 'N'umber
'AN'

각주