Python 3中如何检查Unicode码点是否为已分配的有效码点？

很高兴看到你已经自己摸索出了一种判断方法！不过确实有更高效、更可靠的方案，不用遍历所有110多万个码点，也不用依赖repr()这种偏hack的实现细节。

核心思路：利用标准库unicodedata #

Python的unicodedata模块内置了Unicode标准的官方数据，我们可以通过它直接判断一个码点是否被官方分配了对应的字符：

1. 首先，码点必须在Unicode的合法范围（0到0x10FFFF，也就是0到1114111）内，超出这个范围的直接无效。
2. 对于合法范围内的码点，调用unicodedata.name()函数：
   • 如果码点是官方已分配的（有明确映射的字符），函数会返回该字符的官方名称；
   • 如果是未分配码点、代理区码点（单独的UTF-16代理字符）或私有区码点，函数会抛出ValueError，我们可以据此判断为无效。

实现代码 #

import unicodedata

def is_valid_codepoint(codepoint):
    # 首先检查码点是否在Unicode的合法总范围
    if not (0 <= codepoint <= 0x10FFFF):
        return False
    try:
        # 尝试获取字符的官方名称，能获取到则说明是已分配的有效码点
        unicodedata.name(chr(codepoint))
        return True
    except ValueError:
        # 无法获取名称，说明是未分配/代理区/私有区码点，视为无效
        return False

测试你的例子 #

用你给出的测试用例验证一下：

# 有效码点720（U+02D0）
print(is_valid_codepoint(720))  # 输出: True
# 无效码点888（U+0378）
print(is_valid_codepoint(888))  # 输出: False
# 有效码点127744（U+1F300）
print(is_valid_codepoint(127744))  # 输出: True
# 无效码点0xE0000（U+E0000，私有区）
print(is_valid_codepoint(0xE0000))  # 输出: False

对比原方案的优势 #

1. 效率更高：单个码点检查几乎是即时的，不需要遍历所有1114112个码点；如果要生成所有无效码点，也可以基于Unicode的分配范围计算补集，比遍历快得多。
2. 可靠性更强：依赖官方标准库的数据，不依赖repr()的输出格式（不同Python版本的repr可能有细微差异）。
3. 扩展性更好：如果需要排除控制字符（比如U+0000这类有官方名称但无可见字符的码点），可以额外结合unicodedata.category()判断，比如排除类别以'C'开头的字符：

   def is_valid_visible_codepoint(codepoint):
       if not is_valid_codepoint(codepoint):
           return False
       category = unicodedata.category(chr(codepoint))
       # 排除控制字符类别（以'C'开头）
       return not category.startswith('C')
   

额外说明 #

私有区码点（比如U+E000到U+F8FF）虽然在Unicode范围内，但属于私有使用区域，没有官方定义的字符，所以会被判断为无效，这和你的预期一致。

内容的提问来源于stack exchange，提问作者Ξένη Γήινος