为什么我不能规范化这个随机的unicode字符串？

Question

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规范化，以避免偏向编辑距离。

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)])

这是一个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)

我检查确保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？

Answer 1

您已切换normalize的参数。来自the relevant documentation：

  

unicodedata.normalize(form, unistr)

     

返回Unicode字符串* unistr *的普通表单表单。 form 的有效值为'NFC'，'NFKC'，'NFD'和'NFKD'。

第一个参数是表单，第二个是要规范化的字符串。这很好用：

unicodedata.normalize('NFD', uni)