字节级替换LTR字符为RTL字符时如何保留希伯来语单词顺序

一、字节级替换解决顺序问题 #

原问题核心是希伯来语为RTL（从右到左）书写系统，但抓取到的占位符按LTR（从左到右）顺序存储，替换后字符顺序与目标单词完全相反。通过反转字节层面的Unicode转义序列，可直接得到正确结果：

data = "יתꢀראꢁ".encode("unicode_escape")
# 替换占位符对应的Unicode编码
data = data.replace(b"ua880", b"u05e9")
data = data.replace(b"ua881", b"u05d1")
# 分割Unicode转义片段，反转后重新拼接
parts = data.split(b"\\u")[1:]  # 剔除开头的空元素
parts.reverse()
data = b"\\u".join(parts)
# 解码得到正确单词
corrected_data = data.decode("unicode_escape")
print(corrected_data)  # 输出：בראשית

原理：原字符串的Unicode转义顺序为\u05d9\u05ea\uua880\u05e8\u05d0\uua881，反转后变为\uua881\u05d0\u05e8\uua880\u05ea\u05d9，解码后正好匹配希伯来语的RTL阅读顺序。

二、正确抓取希伯来语文本的方案 #

网页通过自定义WOFF字体映射占位符字符，直接抓取DOM文本只能得到无效占位符，需解析字体文件还原真实字符：

步骤1：提取字体文件URL #

查看网页源码，找到@font-face规则中的字体源地址，示例格式：

@font-face {
    font-family: 'CustomHebrew';
    src: url('/path/to/hebrew-font.woff') format('woff');
}

步骤2：解析字体映射关系 #

使用fonttools库解析字体文件，提取占位符（如U+A880、U+A881）对应的真实希伯来语字符：

from fontTools.ttLib import TTFont
import requests

# 下载字体文件
font_url = "https://777codes.com/path/to/hebrew-font.woff"
font_file = requests.get(font_url).content
with open("hebrew-font.woff", "wb") as f:
    f.write(font_file)

# 解析字体获取字符映射
font = TTFont("hebrew-font.woff")
cmap = font.getBestCmap()
# 整理占位符到真实字符的映射（需根据实际字体调整）
char_mapping = {
    chr(0xA880): chr(0x05E9),  # ꢀ → ש
    chr(0xA881): chr(0x05D1),  # ꢁ → ב
    # 补充其他占位符的映射关系
}

步骤3：批量替换并修正文本顺序 #

抓取页面文本后，替换占位符并处理RTL顺序：

page_content = requests.get("https://777codes.com/newtestament/gen1.html").text
# 批量替换所有占位符
for placeholder, real_char in char_mapping.items():
    page_content = page_content.replace(placeholder, real_char)

# 对单个希伯来语单词修正顺序（直接反转即可）
def fix_rtl_word(word):
    return word[::-1]

# 示例：处理提取到的目标单词
raw_word = "יתꢀראꢁ"
replaced_word = raw_word.replace("\ua880", "\u05e9").replace("\ua881", "\u05d1")
corrected_word = fix_rtl_word(replaced_word)
print(corrected_word)  # 输出：בראשית

内容的提问来源于stack exchange，提问作者ShaneO