Come posso convertire i numeri persiani in UTF-8 in numeri europei in ASCII?

In cifre persiane, ۰۱۲۳۴۵۶۷۸۹è equivalente a 0123456789cifre europee.

Come posso convertire il numero persiano (in UTF-8) in ASCII?

Ad esempio, voglio ۲۱diventare 21.

Possiamo trarre vantaggio dal fatto che il punto di codice UNICODE dei numeri persiani è consecutivo e ordinato da 0 a 9 :

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

Ciò significa che l'ultima cifra esadecimale È il valore decimale:

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

Ciò rende questo semplice ciclo uno strumento di conversione:

#!/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

Usandolo come:

$ sefr.sh ۰۱۲۳۴۵۶۷۸۹
0123456789

$ sefr.sh ۲۰۱
201

$ sefr.sh ۲۱
21

Nota che questo codice potrebbe anche convertire numeri arabi e latini (anche se mescolati):

$ sefr.sh ۴4٤۵5٥۶6٦۷7٧۸8٨۹9٩
444555666777888999

$ sefr.sh ٤٧0٠٦7١٣3٥۶٦۷
4700671335667

Poiché è un insieme di numeri fisso, puoi farlo a mano:

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

(o usando tr, ma non GNU tr ancora)

Impostando la propria locale su en_US.utf8 (o meglio le impostazioni internazionali a cui appartiene il set di caratteri) è necessaria per sedriconoscere il set di caratteri.

Con perl:

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

Per Python esiste la unidecodelibreria che gestisce tali conversioni in generale: https://pypi.python.org/pypi/Unidecode .

In Python 2:

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

In Python 3:

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

Il thread SO su /programming//q/8087381/2261442 potrebbe essere correlato.

/ modifica: come ha sottolineato Wander Nauta nei commenti e come menzionato nella pagina Unidecode, esiste anche una versione shell di unidecode(sotto /usr/local/bin/se installato sopra pip):

$ echo '۰۱۲۳۴۵۶۷۸۹' | unidecode
0123456789

Una versione bash pura:

#!/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"

Ho testato sulla mia macchina Gentoo e funziona.

./convert ۱۳۲
Result is 132

Fatto come un ciclo, dato l'elenco di caratteri (da 0 a 9) da convertire:

#!/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"

E usato come:

$ convert ۱۳۲
132

Un altro modo (piuttosto eccessivo) usando 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"

Dato che iconvnon riesco a grok questo, la prossima porta di chiamata sarebbe usare l' trutilità:

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

tr traduce un set di caratteri in un altro, quindi diciamo semplicemente di tradurre il set di cifre Farsi nel set di cifre latine.

EDIT : come sottolinea l'utente @cuonglm. Ciò richiede non GNU tr, ad esempio trsu un Mac, e richiede anche che $LC_CTYPEsia impostato su en_US.UTF-8.