为什么unicodedata不识别某些字符？

Question

在Python 2.7中，unicodedata.name()这个函数不能识别某些字符。

>>> from unicodedata import name
>>> name(u'\n')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: no such name
>>> name(u'a')
'LATIN SMALL LETTER A'

确实，Unicode中包含了字符\n，它有一个名字，叫做“换行符”。

注意，使用unicodedata.lookup('LINE FEED')和unicodedata.lookup(u'LINE FEED')这两个方法都会出现KeyError: undefined character name的错误。

Answer 1

unicodedata.name() 这个查找功能是基于标准中的 UnicodeData.txt 数据库 的第二列（Python 2.7 使用的是 Unicode 5.2.0）。

如果这个名字是以 < 开头的，就会被忽略。所有的控制字符，包括换行符，都属于这一类；在第一列中，除了 <control> 之外，没有其他名字：

000A;<control>;Cc;0;B;;;;;N;LINE FEED (LF);;;;

第十列是 旧版 的 Unicode 1.0 名称，根据标准，这个名字是不应该使用的。换句话说，\n 除了通用的 <control> 外，没有其他名字，而 Python 数据库会忽略这个名字（因为它不唯一）。

Python 3.3 增加了对 NameAliases.txt 的支持，这样你可以通过别名来查找名字；所以 lookup('LINE FEED')、lookup('new line') 或 lookup('eol') 等等，都是指向 \n。不过，unicodedata.name() 方法不支持别名，也无法支持（那它该选哪个呢？）：

• 增加了对 Unicode 名称别名和命名序列的支持。现在 unicodedata.lookup() 和 '\N{...}' 都可以解析名称别名，unicodedata.lookup() 也能解析命名序列。

总结一下：LINE FEED 不是 \n 的官方名称，它只是一个别名。从 Python 3.3 开始，你可以通过别名来查找字符。