Python計算字符寬度的方法

本文實例講述了Python計算字符寬度的方法。分享給大家供大家參考，具體如下：

最近在用python寫一個CLI小程序，其中涉及到計算字符寬度，目標是以友好的方式將一個長字符串截取為等寬的片段。

對于unicode字符，python的len函數可以準確的計算其中所包含的字符個數，但是個數并不代表寬度，如：   

>>>len(u'你好a')

3

因此無法簡單的使用這種方式來計算寬度。

GBK decode

首先我想到GBK編碼，00–7F范圍內的字符是一字節編碼，其余是雙字節編碼，正好與字符的寬度大體一致，于是有了這樣的投機取巧的辦法（假設取8個寬度）：    
>>> a = u'hello你好'
>>> b=a.encode('gbk')
>>> try:
...  print b[:8].decode('gbk')
... except:
...  print b[:7].decode('gbk')
...
hello你

如代碼所示，首先將unicode的字符串進行GBK編碼，然后截取8個字節的寬度后嘗試用GBK解碼，若解碼失敗，則少截取一個寬度，截取7個字節后使用GBK解碼。

雖然初步解決了問題，但是這樣做的硬傷很明顯。首先代碼不優雅，以試錯的方式運行；其次GBK所能表示的字符有限，對于大量GBK編碼以外的字符無法支持。

East_Asian_Width

徘徊很久之后，偶然發現 Unicode Character Database 標準中有East_Asian_Width 屬性，并有以下可能值：    
# East_Asian_Width (ea)
ea ; A     ; Ambiguous  不確定
ea ; F     ; Fullwidth  全寬
ea ; H     ; Halfwidth  半寬
ea ; N     ; Neutral   中性
ea ; Na    ; Narrow    窄
ea ; W     ; Wide     寬

其中除A不確定外，F/H/N/Na/W都能很明確的知道寬度，如果保守起見，將A視為寬度為2的話，則很容易給出單個字符的寬度：    
>>> import unicodedata
>>> def chr_width(c):
...  if (unicodedata.east_asian_width(c) in ('F','W','A')):
...   return 2
...  else:
...   return 1
>>> chr_width(u'你')
2
>>> chr_width(u'a')
1

到現在似乎已經可以滿足要求了，但是實際使用中發現屬性為A的字符真不少見，最典型的就是中文的雙引號：
    
>>> chr_width(u'”')
2

在大多數等寬字體中，中文雙引號都是只占一位寬的，如果一行里有多個中文雙引號，則累加的誤判寬度將會使截取效果大打折扣，無疑這也不是最好的辦法。

urwid的解決方案

urwid  是一個成熟的python終端UI庫，它在curses的基礎之上包裝了類似HTML的控件用以顯示文本內容，如果有這方面的開發需求，非常推薦此庫，比直接使用curses庫方便很多，非常棒的是它對unicode的文本寬度截取非常準確，讓我大為驚訝，于是翻開它的源碼一探究竟，文本寬度計算方面其核心代碼如下：    
widths = [
  (126,  1), (159,  0), (687,   1), (710,  0), (711,  1),
  (727,  0), (733,  1), (879,   0), (1154, 1), (1161, 0),
  (4347,  1), (4447,  2), (7467,  1), (7521, 0), (8369, 1),
  (8426,  0), (9000,  1), (9002,  2), (11021, 1), (12350, 2),
  (12351, 1), (12438, 2), (12442,  0), (19893, 2), (19967, 1),
  (55203, 2), (63743, 1), (64106,  2), (65039, 1), (65059, 0),
  (65131, 2), (65279, 1), (65376,  2), (65500, 1), (65510, 2),
  (120831, 1), (262141, 2), (1114109, 1),
]
def get_width( o ):
  """Return the screen column width for unicode ordinal o."""
  global widths
  if o == 0xe or o == 0xf:
    return 0
  for num, wid in widths:
    if o <= num:
      return wid
  return 1

如代碼所示，首先根據unicode的官方EastAsianWidth  文檔整理出字符寬度的范圍表，然后使用unicode代碼查表。使用之前的例子測試：    
>>> get_width(ord(u'a'))
1
>>> get_width(ord(u'你'))
2
>>> get_width(ord(u'”'))
1
完全準確，而且在實際應用中的表現也比較好，是一個理想的解決方案，更多技巧請查閱urwid的old_str_util.py 源碼。