Bagaimana saya bisa mengkonversi angka Persia di UTF-8 ke angka Eropa di ASCII?

Dalam angka Persia, ۰۱۲۳۴۵۶۷۸۹sama dengan 0123456789angka di Eropa.

Bagaimana saya bisa mengonversi nomor Persia UTF-8menjadi ASCII?

Misalnya, saya ingin ۲۱menjadi 21.

Kita dapat memanfaatkan fakta bahwa titik kode UNICODE angka Persia berturut - turut dan dipesan dari 0 hingga 9 :

$ printf '%b' '\U06F'{0..9}
۰۱۲۳۴۵۶۷۸۹

Itu berarti bahwa digit hex terakhir adalah nilai desimal:

$ echo $(( $(printf '%d' "'۲") & 0xF ))
2

Itu membuat loop sederhana ini alat konversi:

#!/bin/bash
(   ### Use a locale that use UTF-8 to make the script more reliable.
    ### Maybe something like LC_ALL=fa_IR.UTF-8 for you?.
    LC_ALL=en_US.UTF-8
    a="$1"
    while (( ${#a} > 0 )); do
        # extract the last hex digit from the UNICODE code point
        # of the first character in the string "$a":
        printf '%d' $(( $(printf '%d' "'$a") & 15 ))
        a=${a#?}    ## Remove one character from $a
    done
)
echo

Menggunakannya sebagai:

$ sefr.sh ۰۱۲۳۴۵۶۷۸۹
0123456789

$ sefr.sh ۲۰۱
201

$ sefr.sh ۲۱
21

Perhatikan bahwa kode ini juga dapat mengonversi angka Arab dan Latin (bahkan jika dicampur):

$ sefr.sh ۴4٤۵5٥۶6٦۷7٧۸8٨۹9٩
444555666777888999

$ sefr.sh ٤٧0٠٦7١٣3٥۶٦۷
4700671335667

Karena ini adalah kumpulan angka yang tetap, Anda dapat melakukannya dengan tangan:

$ echo ۲۱ | LC_ALL=en_US.UTF-8 sed -e 'y/۰۱۲۳۴۵۶۷۸۹/0123456789/'
21

(atau menggunakan tr, tetapi belum GNU tr )

Menyetel lokal Anda ke en_US.utf8(atau lebih baik ke lokal yang set karakternya milik) diperlukan untuk sedmengenali set karakter Anda.

Dengan perl:

$ echo "۲۱" |
  perl -CS -MUnicode::UCD=num -MUnicode::Normalize -lne 'print num(NFKD($_))'
21

Untuk Python ada unidecode perpustakaan yang menangani konversi seperti itu secara umum: https://pypi.python.org/pypi/Unidecode .

Dengan Python 2:

>>> from unidecode import unidecode
>>> unidecode(u"۰۱۲۳۴۵۶۷۸۹")
'0123456789'

Dengan Python 3:

>>> from unidecode import unidecode
>>> unidecode("۰۱۲۳۴۵۶۷۸۹")
'0123456789'

Utas SO di /programming//q/8087381/2261442 mungkin terkait.

/ edit: Seperti yang ditunjukkan oleh Wander Nauta dalam komentar dan seperti yang disebutkan pada halaman Unidecode, ada juga versi shell unidecode(di bawah /usr/local/bin/jika diinstal pip):

$ echo '۰۱۲۳۴۵۶۷۸۹' | unidecode
0123456789

Versi bash murni:

#!/bin/bash

number="$1"

number=${number//۱/1}
number=${number//۲/2}
number=${number//۳/3}
number=${number//۴/4}
number=${number//۵/5}
number=${number//۶/6}
number=${number//۷/7}
number=${number//۸/8}
number=${number//۹/9}
number=${number//۰/0}

echo "Result is $number"

Telah diuji di mesin Gentoo saya dan berhasil.

./convert ۱۳۲
Result is 132

Dilakukan sebagai loop, diberi daftar karakter (dari 0 hingga 9) untuk dikonversi:

#!/bin/bash
conv() ( LC_ALL=en_US.UTF-8
         local n="$2"
         for ((i=0;i<${#1};i++)); do
              n=${n//"${1:i:1}"/"$i"}
         done
         printf '%s\n' "$n"
       )

conv "۰۱۲۳۴۵۶۷۸۹" "$1"

Dan digunakan sebagai:

$ convert ۱۳۲
132

Cara lain (agak berlebihan) menggunakan grep:

#!/bin/bash

nums=$(echo "$1" | grep -o .)
result=()

for i in $nums
do
    case $i in
        ۱)
            result+=1
            ;;
        ۲)
            result+=2
            ;;
        ۳)
            result+=3
            ;;
        ۴)
            result+=4
            ;;
        ۵)
            result+=5
            ;;
        ۶)
            result+=6
            ;;
        ۷)
            result+=7
            ;;
        ۸)
            result+=8
            ;;
        ۹)
            result+=9
            ;;
        ۰)
            result+=0
            ;;
    esac
done
echo "Result is $result"

Karena iconvsepertinya tidak bisa melakukan ini, porta panggilan selanjutnya adalah menggunakan trutilitas:

$ echo "۲۱" | tr '۰۱۲۳۴۵۶۷۸۹' '0123456789'
21

tr menerjemahkan satu set karakter ke yang lain, jadi kami hanya mengatakannya untuk menerjemahkan set angka Farsi ke set angka Latin.

EDIT : Seperti yang ditunjukkan pengguna @cuonglm. Ini memerlukan non-GNU tr, misalnya pada trpada Mac, dan itu juga mengharuskan $LC_CTYPEdiatur ke en_US.UTF-8.