Un équivalent à string.ascii_letters pour les chaînes unicode dans 2.x python?

Question

Dans le module "chaîne" de la bibliothèque standard,

string.ascii_letters ## Same as string.ascii_lowercase + string.ascii_uppercase

est

'abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ'

Y at-il une constante similaire qui comprendrait tout ce qui est considéré comme une lettre unicode?

Answer 1

Vous pouvez construire votre propre constante de lettres majuscules et minuscules Unicode avec:

import unicodedata as ud
all_unicode = ''.join(unichr(i) for i in xrange(65536))
unicode_letters = ''.join(c for c in all_unicode
                          if ud.category(c)=='Lu' or ud.category(c)=='Ll')

Cela fait une chaîne 2153 caractères (build étroite Unicode Python). Pour le code comme letter in unicode_letters il serait plus rapide d'utiliser un ensemble à la place:

unicode_letters = set(unicode_letters)

Answer 2

Il n'y a pas la chaîne, mais vous pouvez vérifier si un caractère est une lettre à l'aide du module unicodedata, en particulier sa fonction category().

>>> unicodedata.category(u'a')
'Ll'
>>> unicodedata.category(u'A')
'Lu'
>>> unicodedata.category(u'5')
'Nd'
>>> unicodedata.category(u'ф') # Cyrillic f.
'Ll'
>>> unicodedata.category(u'٢') # Arabic-indic numeral for 2.
'Nd'

Ll signifie "lettre minuscule". Lu signifie « lettre majuscule ». Nd signifie "numérique, chiffres".

Answer 3

Ce serait une constante assez massif. Unicode couvre actuellement plus de 100.000 caractères différents. Donc, la réponse est non.

La question est pourquoi vous besoin? Il pourrait y avoir une autre façon de résoudre quel que soit votre problème avec le module unicodedata, par exemple.

Mise à jour: Vous pouvez télécharger des fichiers avec tous les noms unicode et d'autres informations de points de données de ftp://ftp.unicode.org / , et faire des tas de choses intéressantes avec cela.

Answer 4

Comme mentionné dans les réponses précédentes, la chaîne serait en effet chemin trop longtemps. Donc, vous avez à cibler (a) langue (s) spécifique.
[EDIT: Je compris que ce fut le cas pour mon utilisation prévue d'origine, et pour la plupart des utilisations, je suppose. Toutefois, dans l'intervalle, Mark Tolonen a donné une bonne réponse à la question comme il a été demandé, donc j'ai choisi sa réponse, même si je la solution suivante]

Cela se fait facilement avec le module "locale":

import locale
import string
code = 'fr_FR' ## Do NOT specify encoding (see below)
locale.setlocale(locale.LC_CTYPE, code)
encoding = locale.getlocale()[1]
letters = string.letters.decode(encoding)

avec "lettres" étant une chaîne de caractères unicode 117 long.

Apparemment, string.letters dépend de l'encodage par défaut pour le code de langue choisi, plutôt que sur la langue elle-même. Réglage des paramètres régionaux à ou de_DE ou en_US es_ES mettra à jour string.letters à la même valeur (car ils sont tous codés en ISO8859-1 par défaut).

Si vous ajoutez un encodage au code de langue (de_DE.UTF-8), l'encodage par défaut sera utilisé à la place pour string.letters. Cela entraînerait une UnicodeDecodeError si vous avez utilisé le reste du code ci-dessus.