用Python转换一些常见全角字符为半

发布时间:2019-10-09 10:39:58编辑:auto阅读(1919)

    前言

    最近在爬日文小说的过程中,经常遇到全角(甚至和和半角混用),造成我(强迫症)强烈不适,就着手专门写一个脚本处理之

    思路

    首先在网上寻找看是否已经有现成库/脚本能做到,寻找一番之后只找到一些思路文章,这里就不重复了
    有一点要注意,不少文章里是python2的情况,里面用的是unichr函数,到python3就变成了chr函数
    直接看代码吧

    def SBC2DBC(char):
        chr_code = ord(char)
        # 处理全角中数字大等于10的情况
        if chr_code in range(9312, 9332):
            return str(chr_code - 9311)
        elif chr_code in range(9332, 9352):
            return str(chr_code - 9331)
        elif chr_code in range(9352, 9372):
            return str(chr_code - 9351)
        elif chr_code in range(8544, 8556):
            return str(chr_code - 8543)
    
        else:
            if chr_code == 12288: # 全角空格,同0x3000
                chr_code = 32
            if chr_code == 8216 or chr_code == 8217:  # ‘’
                chr_code = 39 # '
            elif chr_code in range(65281, 65374):
                chr_code = chr_code - 65248
            return chr(chr_code)
    
    
    def SBC2DBC_string(string):
        new_string = ''
        for char in string:
            new_string += SBC2DBC(char)
        return new_string

    网上大部分文章里只有全角空格和range(65281,65374)的情况,我时不时能遇到一些比较奇怪的全角数字,比如⑩ ⑽ ⒑ Ⅻ,这里也一并处理了

    扩展思考

    1 . 某些情况下全角反而是更好的选择,比如文件名,其不能用*:/等符号,全角就更适合,当然这属于另一个话题,就不在此展开
    2 . 罗马数字的情况,在现有的全角字符中罗马数字仅到12,如果某位(丧心病狂的)作者用了多个罗马数字的话,比如ⅩⅤ,上面的脚本就不合适了(就转成105),这时候需要先对整个字符串进行处理,找到连接在一起的罗马数字,然后计算并替换,这更像是数据清洗的范畴,也不展开多说了

关键字