Jak przekonwertować cyfry perskie w UTF-8 na cyfry europejskie w ASCII?

Cyfry perskie ۰۱۲۳۴۵۶۷۸۹odpowiadają 0123456789cyfrom europejskim.

Jak przekonwertować liczbę perską (in UTF-8) na ASCII?

Na przykład chcę ۲۱zostać 21.

Możemy skorzystać z faktu, że punkt kodowy UNICODE liczb perskich jest następujący i uporządkowany od 0 do 9 :

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

Oznacza to, że ostatnia cyfra szesnastkowa JEST wartością dziesiętną:

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

To sprawia, że ​​ta prosta pętla jest narzędziem do konwersji:

#!/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

Używając go jako:

$ sefr.sh ۰۱۲۳۴۵۶۷۸۹
0123456789

$ sefr.sh ۲۰۱
201

$ sefr.sh ۲۱
21

Pamiętaj, że ten kod może również konwertować cyfry arabskie i łacińskie (nawet jeśli są mieszane):

$ sefr.sh ۴4٤۵5٥۶6٦۷7٧۸8٨۹9٩
444555666777888999

$ sefr.sh ٤٧0٠٦7١٣3٥۶٦۷
4700671335667

Ponieważ jest to stały zestaw liczb, możesz to zrobić ręcznie:

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

(lub używając tr, ale jeszcze nie GNU tr )

Ustawienie twojego locale na en_US.utf8(lub lepiej na locale, do którego należy zestaw znaków) jest wymagane seddo rozpoznania twojego zestawu znaków.

Z perl:

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

W przypadku Python istnieje unidecodebiblioteka, która ogólnie obsługuje takie konwersje: https://pypi.python.org/pypi/Unidecode .

W Python 2:

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

W Pythonie 3:

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

Wątek SO na /programming//q/8087381/2261442 może być powiązany.

/ edit: Jak zauważył Wander Nauta w komentarzach i jak wspomniano na stronie Unidecode, istnieje również wersja powłoki unidecode(poniżej, /usr/local/bin/jeśli została zainstalowana pip):

$ echo '۰۱۲۳۴۵۶۷۸۹' | unidecode
0123456789

Wersja czysto bashowa:

#!/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"

Przetestowałem na moim komputerze Gentoo i działa.

./convert ۱۳۲
Result is 132

Wykonano jako pętlę, biorąc pod uwagę listę znaków (od 0 do 9) do konwersji:

#!/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"

I używany jako:

$ convert ۱۳۲
132

Innym (raczej przesadnym) sposobem jest użycie 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"

Ponieważ iconvwydaje się, że to nie przeszkadza, następnym portem połączenia byłoby użycie trnarzędzia:

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

tr tłumaczy jeden zestaw znaków na inny, więc po prostu mówimy mu, aby przetłumaczył zestaw cyfr farsi na zestaw cyfr łacińskich.

EDYCJA : Jak wskazuje użytkownik @cuonglm. Wymaga to systemu innego niż GNU tr, na przykład trna komputerze Mac, i również wymaga $LC_CTYPEustawienia en_US.UTF-8.