Indexer les chaînes de caractères par lettre, y compris les diacritiques

Question

Je ne sais pas comment formuler cette question, mais je cherche une fonction magique qui rend ce code

for x in magicfunc("Hello world!"):
    print(x)

Comporte-toi comme ça :

H
e
l
l
o

w
o
r
l
d
!

En fait, existe-t-il une fonction ou une méthode unicode intégrée qui prend une chaîne de caractères et produit un tableau par glyphe avec tous les décorateurs unicode respectifs, les signes diacritiques et autres ? De la même manière qu'un éditeur de texte déplace le curseur sur la lettre suivante au lieu d'itérer tous les caractères de combinaison.

Sinon, j'écrirai la fonction moi-même, sans aide. Je me demande juste si elle existe déjà.

Answer 1

Vous pouvez utiliser unicodedata.combining pour savoir si un caractère est combiné :

def combine(s: str) -> Iterable[str]:
  buf = None
  for x in s:
    if unicodedata.combining(x) != 0:
      # combining character
      buf += x
    else:
      if buf is not None:
        yield buf
      buf = x
  if buf is not None:
    yield buf

Résultat :

>>> for x in combine("Hello world!"):
...     print(x)
... 
H
e
l
l
o

w
o
r
l

d
!

Le problème est que COMBINING CYRILLIC MILLIONS SIGN n'est pas reconnu comme combinant, je ne sais pas pourquoi. Vous pouvez également tester si COMBINING est dans le unicodedata.name(x) pour le personnage, cela devrait résoudre le problème.

Answer 2

La troisième partie regex peut effectuer une recherche par glyphe :

>>> import regex
>>> s="Hello world!"
>>> for x in regex.findall(r'\X',s):
...  print(x)
...
H
e
l
l
o

w
o
r
l
d
!