Comment convertir des chiffres persans en UTF-8 en chiffres européens en ASCII?

En chiffres persans, ۰۱۲۳۴۵۶۷۸۹équivaut à 0123456789des chiffres européens.

Comment convertir le nombre persan (in UTF-8) en ASCII?

Par exemple, je veux ۲۱devenir 21.

On peut profiter du fait que le point de code UNICODE des chiffres persans est consécutif et ordonné de 0 à 9 :

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

Cela signifie que le dernier chiffre hexadécimal EST la valeur décimale:

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

Cela fait de cette boucle simple un outil de conversion:

#!/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

L'utiliser comme:

$ sefr.sh ۰۱۲۳۴۵۶۷۸۹
0123456789

$ sefr.sh ۲۰۱
201

$ sefr.sh ۲۱
21

Notez que ce code pourrait également convertir des chiffres arabes et latins (même s'ils sont mélangés):

$ sefr.sh ۴4٤۵5٥۶6٦۷7٧۸8٨۹9٩
444555666777888999

$ sefr.sh ٤٧0٠٦7١٣3٥۶٦۷
4700671335667

Puisqu'il s'agit d'un ensemble fixe de nombres, vous pouvez le faire à la main:

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

(ou en utilisant tr, mais pas encore GNU tr )

La définition de votre locale en_US.utf8(ou mieux la locale à laquelle appartient le jeu de caractères) est nécessaire pour sedreconnaître votre jeu de caractères.

Avec perl:

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

Pour Python, il existe une unidecodebibliothèque qui gère de telles conversions en général: https://pypi.python.org/pypi/Unidecode .

En Python 2:

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

En Python 3:

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

Le thread SO à /programming//q/8087381/2261442 peut être lié.

/ edit: Comme Wander Nauta l'a souligné dans les commentaires et comme mentionné sur la page Unidecode, il existe également une version shell de unidecode(sous /usr/local/bin/si installée sur pip):

$ echo '۰۱۲۳۴۵۶۷۸۹' | unidecode
0123456789

Une version pure bash:

#!/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"

J'ai testé sur ma machine Gentoo et ça marche.

./convert ۱۳۲
Result is 132

Fait en boucle, compte tenu de la liste des caractères (de 0 à 9) à convertir:

#!/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"

Et utilisé comme:

$ convert ۱۳۲
132

Une autre façon (plutôt exagérée) d'utiliser 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"

Puisqu'il iconvne semble pas y avoir de problème, le prochain port d'escale serait d'utiliser l' trutilitaire:

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

tr traduit un ensemble de caractères en un autre, nous lui demandons donc simplement de traduire l'ensemble de chiffres farsi en ensemble de chiffres latins.

EDIT : Comme le souligne l'utilisateur @cuonglm. Cela nécessite non-GNU tr, par exemple trsur un Mac, et cela nécessite également qu'il $LC_CTYPEsoit défini sur en_US.UTF-8.