Question

我有一个包含重复名称列表的文本文件（其中一些具有重音字母，例如é，à，î等）

例如名单：普雷西利亚，玛姬，普雷西利亚

我需要编写代码，以提供唯一名称的输出。

但是，我的文本文件在两次出现的Précilia中似乎对带有两个重音符号的é具有不同的字符编码（我想一个字符可能是ASCII，另一个字符是UTF-8）。因此，我的代码将两次出现的Précilia作为不同的独特元素。您可以在下面找到我的代码：

 seen = set()
 with open('./Desktop/input1.txt') as infile:
     with open('./Desktop/output.txt', 'w') as outfile:
         for line in infile:
             if line not in seen:
                 outfile.write(line)
                 seen.add(line)

预期产量：Prècilia，Maggie

实际和不正确的输出：Prècilia，Maggie和Prècilia

更新：原始文件非常大。我需要一种将这两种情况都视为一个事件的方法。

Answer 1

因此，我的老板建议我们使用Unicode规范化，该规范代替等效的字符序列，以便将等效的任何两个文本简化为相同的代码点序列，称为规范化形式或原始文本的规范形式。

可以在https://withblue.ink/2019/03/11/why-you-need-to-normalize-unicode-strings.html和https://github.com/aws/aws-cli/issues/1639上找到更多详细信息

截至目前，我们在测试用例上获得了积极的结果，希望我们的主要数据集也能与此配合使用。

用于查找唯一元素的代码由于字符编码不同而产生重复元素

1 个答案: