python - 转换为大写/小写时，字符串会变短吗？

Question

当转换为大写或小写时，字符串可能会变长(根据 Unicode 代码点)。例如，'ß'.upper() 的计算结果为 'SS'。但是有没有变短的琴弦？也就是说，是否存在一个字符串 s 使得表达式

len(s.lower()) < len(s) or len(s.upper()) < len(s)

评估为 True？

Answer 1

我认为这可能取决于实现。我会根据 CPython 源代码回答。

在我看来，有两种可能的情况，在字符串上调用 lower 可以使其更短。

1. 两个相邻的 Unicode 点的某种组合会转换为一个 Unicode 点。
2. 单个 Unicode 点被转换为空字符串。

我们可以通过检查内部小写转换函数的类型签名来确定情况 1 是否可能。在这里 Objects/unicodectype.c .

int _PyUnicode_ToLowerFull(Py_UCS4 ch, Py_UCS4 *res)
{
    const _PyUnicode_TypeRecord *ctype = gettyperecord(ch);

    if (ctype->flags & EXTENDED_CASE_MASK) {
        int index = ctype->lower & 0xFFFF;
        int n = ctype->lower >> 24;
        int i;
        for (i = 0; i < n; i++)
            res[i] = _PyUnicode_ExtendedCase[index + i];
        return n;
    }
    res[0] = ch + ctype->lower;
    return 1;
}

我不是 100% 理解这段代码，但我观察到第一个参数 ch 是单个 Unicode 点。由于它只对单个字符而不是字符组合进行操作，因此情况 1 似乎已被排除；代码点的组合不会变成更小的序列。

除此之外，我们可以通过迭代到 sys.maxunicode 并查看在降低后是否有任何单个值的长度为零来确定情况 2 是否曾经发生。

>>> import sys
>>> unicode_chars = list(map(chr, range(sys.maxunicode+1)))
>>> [x for x in unicode_chars if len(x.lower()) == 0]
[]

看起来案例 2 也被破解了。

我们也可以将上述逻辑应用于 upper。对于第 1 种情况，_PyUnicode_ToUpperFull 的实现与其较低版本几乎相同；对于情况 2，相应的列表理解同样返回一个空列表。

结论

不，lower 和 upper 永远不会缩短任何内容。