Python3を使って、Unicodeに登録された絵文字を羅列して遊んでみました。この記事ではPython 3でのみ動作確認をしています。
コードポイントから文字への変換
Pythonの組み込み関数であるchr()を使うと、Unicodeのコードポイント（日本語では符号点）から文字への変換ができます。
import unicodedata print(chr(97)) # 'a' print(chr(12354)) # 'あ'
Unicodeのコードポイントは現時点でU+10FFFFまで存在するので、これを総当りするとすべての文字が羅列できます。
for i in range(0, 0x110000): ch = chr(i)
カテゴリ別に文字を分類
標準ライブラリであるunicodedataを使うと、文字の名前やカテゴリーなどを取得できます。
import unicodedata print(unicodedata.name('あ')) # 'HIRAGANA LETTER A' print(unicodedata.category('あ')) # 'Lo'
カテゴリーの説明は例えば Unicode Character Categories で確認できます。'Lo'カテゴリーは'Letter, Other'という意味だそうです。
カテゴリー別の文字数を以下のコードで数え上げることができます。対した量ではないので数秒で完了します。
from collections import defaultdict import unicodedata # reference: http://www.fileformat.info/info/unicode/category/index.htm category_meanings = { 'Cc' : 'Other, Control', 'Cf' : 'Other, Format', 'Cn' : 'Other, Not Assigned (no characters in the file have this property)', 'Co' : 'Other, Private Use', 'Cs' : 'Other, Surrogate', 'LC' : 'Letter, Cased', 'Ll' : 'Letter, Lowercase', 'Lm' : 'Letter, Modifier', 'Lo' : 'Letter, Other', 'Lt' : 'Letter, Titlecase', 'Lu' : 'Letter, Uppercase', 'Mc' : 'Mark, Spacing Combining', 'Me' : 'Mark, Enclosing', 'Mn' : 'Mark, Nonspacing', 'Nd' : 'Number, Decimal Digit', 'Nl' : 'Number, Letter', 'No' : 'Number, Other', 'Pc' : 'Punctuation, Connector', 'Pd' : 'Punctuation, Dash', 'Pe' : 'Punctuation, Close', 'Pf' : 'Punctuation, Final quote (may behave like Ps or Pe depending on usage)', 'Pi' : 'Punctuation, Initial quote (may behave like Ps or Pe depending on usage)', 'Po' : 'Punctuation, Other', 'Ps' : 'Punctuation, Open', 'Sc' : 'Symbol, Currency', 'Sk' : 'Symbol, Modifier', 'Sm' : 'Symbol, Math', 'So' : 'Symbol, Other', 'Zl' : 'Separator, Line', 'Zp' : 'Separator, Paragraph', 'Zs' : 'Separator, Space' } category_to_chars = defaultdict(list) for i in range(0, 0x110000): ch = chr(i) category = unicodedata.category(ch) category_to_chars[category].append(ch) for category in sorted(category_to_chars, key=lambda x: -len(category_to_chars[x])): print("{} ({}): {}".format( category, category_meanings[category], len(category_to_chars[category])))
結果は以下の通りです。
Cn (Other, Not Assigned (no characters in the file have this property)): 864409 Co (Other, Private Use): 137468 Lo (Letter, Other): 97553 So (Symbol, Other): 4404 Cs (Other, Surrogate): 2048 Ll (Letter, Lowercase): 1751 Lu (Letter, Uppercase): 1441 Mn (Mark, Nonspacing): 1281 Sm (Symbol, Math): 948 No (Number, Other): 464 Nd (Number, Decimal Digit): 460 Po (Punctuation, Other): 434 Mc (Mark, Spacing Combining): 352 Lm (Letter, Modifier): 237 Nl (Number, Letter): 224 Cf (Other, Format): 145 Sk (Symbol, Modifier): 115 Ps (Punctuation, Open): 74 Pe (Punctuation, Close): 73 Cc (Other, Control): 65 Sc (Symbol, Currency): 49 Lt (Letter, Titlecase): 31 Pd (Punctuation, Dash): 23 Zs (Separator, Space): 17 Pi (Punctuation, Initial quote (may behave like Ps or Pe depending on usage)): 12 Me (Mark, Enclosing): 12 Pc (Punctuation, Connector): 10 Pf (Punctuation, Final quote (may behave like Ps or Pe depending on usage)): 10 Zp (Separator, Paragraph): 1 Zl (Separator, Line): 1
絵文字を含む文字を羅列
上記カテゴリーのうち、'So (Symbol, Other)'カテゴリーはEmoji - Wikipediaを含むなどもっともカオスで見応えがあるので、このカテゴリーの文字を羅列してみます。上記のコードに続いて以下のコードを加えます。文字化けのしにくいChromeなどのブラウザでの表示を期待して、50文字ごとに改行タグを挿入しています。
CHAR_PER_LINE = 50 for i, ch in enumerate(category_to_chars['So']): print(ch, end="") if (i + 1) % CHAR_PER_LINE == 0: print("<br>")
一部のスクリーンショットを以下に示します。ドミノ、麻雀牌、トランプ、野球記号などが入り乱れていて驚きの連続です。
出力結果の全部はunicode 'So' categoryで確認できます。
表形式での表示
unicodedata.name()を使うと文字の名前を知ることができます。以下のコードは、文字とその名前をテーブルで出力します。
print("<table border=\"1\">") print("<tr><td>Char<td>Code Point<td>Name</tr>") for ch in category_to_chars['So']: print("<tr><td>{}<td>{}(U+{:X})<td>{}</tr>".format( ch, ord(ch), ord(ch), unicodedata.name(ch))) print("</table>")
部分を抜き出すと、以下のような感じで表示できます。
| Char | Code Point | Name |
|---|---|---|
| … | … | … |
| ♸ | 9848(U+2678) | RECYCLING SYMBOL FOR TYPE-6 PLASTICS |
| ♹ | 9849(U+2679) | RECYCLING SYMBOL FOR TYPE-7 PLASTICS |
| ♺ | 9850(U+267A) | RECYCLING SYMBOL FOR GENERIC MATERIALS |
| ♻ | 9851(U+267B) | BLACK UNIVERSAL RECYCLING SYMBOL |
| ♼ | 9852(U+267C) | RECYCLED PAPER SYMBOL |
| ♽ | 9853(U+267D) | PARTIALLY-RECYCLED PAPER SYMBOL |
| ♾ | 9854(U+267E) | PERMANENT PAPER SIGN |
| ♿ | 9855(U+267F) | WHEELCHAIR SYMBOL |
| ⚀ | 9856(U+2680) | DIE FACE-1 |
| ⚁ | 9857(U+2681) | DIE FACE-2 |
ブラウザに表示されるテーブルをコピペしてunicode 'So' category tableに載せました。
