右对齐包含泰语字符的字符串

Posted 2023-03-15

【中文标题】右对齐包含泰语字符的字符串

【英文标题】：Right justify string containing Thai characters

【发布时间】：2012-11-29 20:02:25

【问题描述】：

我想（泰语渲染不能从左到右工作，但也可以上下）。

例如，对于字符串 ไป（两个字符，长度为 2）和 ซื้อ（四个字符，长度为 2）我希望得到以下输出（长度为 5）：

...ไป

...ซื้อ

天真

print 'ไป'.decode('utf-8').rjust(5)

print 'ซื้อ'.decode('utf-8').rjust(5)

然而，分别产生

...ไป

.ซื้อ

任何想法如何获得所需的格式？

编辑： 给定一串泰文字符 tc，我想确定该字符串使用了多少 [地点/字段/位置/您想称呼它的任何内容]。这与 len(tc); 不同。 len(tc) 通常大于使用的位置数。第二个词给出 len(tc) = 4，但长度为 2 / 使用 2 个位置 / 使用 2 个位置。

【问题讨论】：

您使用的是什么语言/环境？

不清楚这个问题是关于什么软件/语言/环境的。

看起来很漂亮。 import antigravity - 这是 Python。

语言、环境？我在 MacBook Air 上，Python 2.7……是那种环境吗？

【参考方案1】：

原因

泰语脚本包含普通字符（正向宽度）和非间距标记（零高级宽度）。

例如在ซื้อ这个词中：

第一个字符是声母"SO SO", 那么它有元音标记 SARA UUE, 然后音标MAI THO， 然后是最后的伪辅音O ANG

问题是上面列表中的字符##2 和 3 是零宽度的。 换句话说，它们不会使字符串“更宽”。 换句话说，ซื้อ ("to buy") 和 ซอ ("fiddle") 两个字符位置的宽度相等（但字符串长度分别为 4 和 2）。

解决方案

为了计算“真正的”字符串长度，必须跳过零宽度字符。

Python 特定

unicodedata 模块提供对 Unicode 字符数据库 (UCD) 的访问，该数据库定义了所有 Unicode 字符的字符属性。此数据库中包含的数据是从 UCD 版本 8.0.0 编译而来的。

unicodedata.category(unichr) 方法returns 下列General Category Values 之一：

"Lo" 普通字符； "Mn" 用于零宽度非间距标记；

剩下的就很明显了，把后面的过滤掉就行了。

---

更多信息：

Unicode data for Thai script（滚动到第一次出现“泰语字符”）

【参考方案2】：

我认为您要问的是，如何确定 เรือ、ไป、ซื้อ 等（分别为 3,2 和 2）中的“真实”字符数

不幸的是，Python 是这样解释这些字符的：

ไป

>>> 'ไป'
'\xe0\xb9\x84\xe0\xb8\x9b'
>>> len('ไป')
6
>>> len('ไป'.decode('utf-8'))
2

ซื้อ

>>> 'ซื้อ'
'\xe0\xb8\x8b\xe0\xb8\xb7\xe0\xb9\x89\xe0\xb8\xad'
>>> len('ซื้อ')
12
>>> len('ซื้อ'.decode('utf-8'))
4

เรือ

>>> 'เรือ'
'\xe0\xb9\x80\xe0\xb8\xa3\xe0\xb8\xb7\xe0\xb8\xad'

>>> len('เรือ')
12
>>> len('เรือ'.decode('utf-8'))
4

显示的字符数与构成字符串的实际（从 Python 的角度）字符数之间没有真正的相关性。

我想不出一个明显的方法来做到这一点。但是，我发现 this library 可能对您有所帮助。 （您还需要安装一些prequisites。

【讨论】：

谢谢，阿努杰古普塔。阅读建议的库函数，我不清楚它们是否适用于泰语；他们的重点是东亚语言。我想，我只是通过对相应的unicode表示进行分类来自己实现这样一个真实长度的函数。

【参考方案3】：

看起来 rjust() 函数对您不起作用，您需要自己计算字符串中的单元格数。然后您可以在字符串之前插入所需的空格数以实现对齐

你似乎懂泰语。将辅音、前元音、后元音和泰语标点的数量相加。不要计算变音符号和元音上下。

类似（原谅我的伪 Python 代码），

cells = 0

for i in range (0, len(string))
  if (string[i] == \xe31) or ((string[i] >= \xe34) and (string[i] <= \xe3a)) or ((string[i] >= \xe47) and (string[i] <= \xe4e))
     # do nothing
  else
     # consonant, preceding or following vowel or punctuation
     cells++

【参考方案4】：

根据 bytebuster 的回答，这是一个计算泰语字符串长度（水平排列的字符数）的函数

import unicodedata


def get_thai_string_length(string):
    length = 0
    for c in string:
        if unicodedata.category(c) != 'Mn':
            length += 1
    return length

print(len('บอินทัช'))
print(get_thai_string_length('บอินทัช'))