UTF-8'deki Farsça sayıları ASCII'deki Avrupa sayılarına nasıl dönüştürebilirim?

Farsça rakamlarda, Avrupa rakamlarına ۰۱۲۳۴۵۶۷۸۹eşittir 0123456789.

Farsça numarasını (in UTF-8) ASCII'ye nasıl dönüştürebilirim ?

Mesela ۲۱olmak istiyorum 21.

Farsça rakamların UNICODE kod noktasının ardışık olması ve 0'dan 9'a kadar sıralanması gerçeğinden yararlanabiliriz :

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

Bu, son onaltılık basamağın ondalık değer olduğu anlamına gelir:

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

Bu, basit döngüyü bir dönüştürme aracı yapar:

#!/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

Olarak kullanmak:

$ sefr.sh ۰۱۲۳۴۵۶۷۸۹
0123456789

$ sefr.sh ۲۰۱
201

$ sefr.sh ۲۱
21

Bu kodun Arapça ve Latin rakamlarını da (karışık olsa bile) dönüştürebileceğini unutmayın:

$ sefr.sh ۴4٤۵5٥۶6٦۷7٧۸8٨۹9٩
444555666777888999

$ sefr.sh ٤٧0٠٦7١٣3٥۶٦۷
4700671335667

Sabit bir sayı kümesi olduğundan, elle yapabilirsiniz:

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

(veya henüz GNU tr kullanmıyor trancak kullanmıyor )

en_US.utf8Karakter kümenizi sedtanımak için yerel ayarınızı (veya karakter kümesinin ait olduğu yerel ayara göre) ayarlamak gerekir.

İle perl:

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

Python için unidecodegenel olarak bu tür dönüşümleri gerçekleştiren kütüphane vardır: https://pypi.python.org/pypi/Unidecode .

Python 2'de:

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

Python 3'te:

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

Https://stackoverflow.com/q/8087381/2261442 adresindeki SO iş parçacığı ilişkili olabilir.

/ edit: Wander Nauta'nın yorumlarda belirttiği gibi ve Unidecode sayfasında da belirtildiği gibi, bir kabuk sürümü de var unidecode( /usr/local/bin/eğer yüklenmişse altında pip):

$ echo '۰۱۲۳۴۵۶۷۸۹' | unidecode
0123456789

Saf bir bash versiyonu:

#!/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"

Gentoo makinemde test yaptım ve işe yarıyor.

./convert ۱۳۲
Result is 132

Dönüştürülecek karakterlerin listesi (0'dan 9'a) verildiğinde bir döngü olarak yapılır:

#!/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"

Ve şu şekilde kullanılır:

$ convert ۱۳۲
132

Kullanmanın başka bir (oldukça aşırı) yolu 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"

İtibaren iconvbu grok gibi olamaz, bir sonraki liman kullanmak olacaktır tryarar:

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

tr bir karakter kümesini diğerine çevirir, bu yüzden ona Farsça basamak kümesini Latin basamak kümesine çevirmesini söyleriz.

EDIT : @cuonglm kullanıcı işaret ettiği gibi. Bu tr, örneğin trMac'te GNU olmayan bir öğeyi gerektirir ve bunun da $LC_CTYPEayarlanmış olmasını gerektirir en_US.UTF-8.