在Python 3中计算泰文字符位置是否必须依赖grapheme库？

首先明确一点：你完全不需要依赖grapheme这类第三方库来实现泰文视觉字符（也就是你说的"字符位置"）的计数。Python 3原生就有办法处理，核心问题在于理解len()的局限性——它统计的是Unicode码点的数量，而泰文的视觉字符（grapheme cluster）往往由多个码点组合而成（比如辅音+上/下元音/声调是一个视觉单元，左元音则是独立的单元）。

下面给你两种原生实现的方法，都能得到正确的35这个结果：

方法1：使用正则表达式匹配Grapheme Cluster #

Python的re模块支持\X元字符，它专门用来匹配完整的grapheme cluster（视觉上的单个字符）。这个方法简单直接，几乎能处理所有语言的grapheme规则：

import re

thai_str = 'สีโชคดีเป็นสีชมพู สีโชคร้ายเป็นสีเหลืองและขาว'
# 用\X匹配所有视觉字符，统计数量
grapheme_count = len(re.findall(r'\X', thai_str))
print(grapheme_count)  # 输出35，和grapheme.length结果一致

方法2：通过unicodedata手动判断字符类别 #

泰文中的上下元音、声调标记属于Unicode的Mark类别（具体是Mn：Non-Spacing Mark），它们是依附在前面的辅音上的，不算独立的视觉字符；而左元音（比如你例子中的"โ"）属于Letter类别（Lo：Other Letter），是独立的视觉单元。我们可以利用这个规则手动计数：

import unicodedata

def count_thai_graphemes(s):
    count = 0
    for char in s:
        # 非Mark类别的字符，都是独立的视觉单元，计数加1
        # Mark类别的字符（元音/声调依附符）不单独计数
        if not unicodedata.category(char).startswith('M'):
            count += 1
    return count

thai_str = 'สีโชคดีเป็นสีชมพู สีโชคร้ายเป็นสีเหลืองและขาว'
print(count_thai_graphemes(thai_str))  # 输出35，正确

补充说明 #

• len(thai_str)返回45，是因为它把每个Unicode码点都算成一个"字符"，而泰文的组合标记（比如声调、上下元音）都各自占一个码点，所以总数会多。
• 如果你需要处理多种语言的grapheme计数，grapheme库确实更省心——它已经封装了所有Unicode标准定义的grapheme规则；但如果只是处理泰文，上面的原生方法完全够用，不需要额外安装依赖。

内容的提问来源于stack exchange，提问作者RBV