V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
V2EX 提问指南
ck65
V2EX  ›  问与答

「⾼高」这种字形相同,编码却不同的汉字应该如何匹配?

  •  
  •   ck65 · 2015-11-16 11:57:40 +08:00 · 2568 次点击
    这是一个创建于 3306 天前的主题,其中的信息可能已经有所发展或是发生改变。
    遇到一篇文稿,里面出现了很多重复汉字,如「⾼高」、「⽓气」、「⽀支」等等,通篇各处随机分布。文章无法阅读不说,也无法统计字数了(这个正是我想做的)。

    原本想用正则去重(via http://www.zhihu.com/question/20805225 ),结果发现匹配不上。转换成字符编码一看,发现这些重复汉字根本不是同一个字符,只是字形相同(工具 https://r12a.github.io/apps/conversion/ )。

    实在想不出辙儿了,请教一下大家该如何处理?先行谢过了!
    3 条回复    2015-11-16 13:09:29 +08:00
    Sylv
        1
    Sylv  
       2015-11-16 12:09:51 +08:00   ❤️ 2
    Unicode Normalization (Unicode 规范化)

    Python 的例子:
    >>> u"⾼ 高"
    u'\u2fbc \u9ad8'
    >>> unicodedata.normalize('NFKC', u'⾼ 高')
    u'\u9ad8 \u9ad8'
    ck65
        2
    ck65  
    OP
       2015-11-16 13:08:16 +08:00
    @Sylv 谢谢!超级精准的解答!
    lululau
        3
    lululau  
       2015-11-16 13:09:29 +08:00
    2F00~2FEF 为康熙字根
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   5344 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 33ms · UTC 03:46 · PVG 11:46 · LAX 19:46 · JFK 22:46
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.