Complementando a outra resposta, existem alguns casos em que usar somente list
pode não ser o suficiente. Veja este exemplo:
print(list('pá'))
print(list('pá'))
Apesar de não parecer, as duas linhas acima são diferentes, pois este código imprime o seguinte:
['p', 'á']
['p', 'a', '́']
Obs: se for testar o código acima, copie e cole, pois se você digitar diretamente, pode não dar o efeito desejado. Mais detalhes sobre isso ao longo da resposta.
Isso acontece porque, de maneira bem resumida, o Unicode define duas formas de representar a letra "a" com acento agudo:
- composta - como o code point U+00E1 (LATIN SMALL LETTER A WITH ACUTE) (á)
- decomposta - como uma combinação de dois code points (nesta ordem):
A primeira forma é chamada de NFC, e a segunda, NFD. Para mais detalhes sobre normalização, o que é um code point, etc, veja aqui, aqui e aqui. No caso, na primeira linha do código acima, a string está em NFC, e na segunda linha, está em NFD (o terceiro elemento da lista é o próprio caractere "acento agudo" - que dependendo de como for renderizado, pode aparecer quase "grudado" nas aspas de fechamento, ficando quase imperceptível - e repare que o segundo elemento é a letra "a" sem acento).
O detalhe é que ao ser mostrado na tela, ambas as formas NFC e NFD acabam sendo renderizadas da mesma forma, por isso não há diferença aparente nas duas linhas do código acima - ambos mostram a letra "á" (e por isso você deve copiar e colar o código acima para testar, pois se tentar digitar diretamente pelo teclado, ele preferencialmente escolherá apenas umas das formas e as linhas acabarão ficando idênticas).
E o que acontece é que list
, ao receber um iterável, constrói uma lista na qual cada elemento do iterável se torna um elemento da lista. E strings são iteráveis em Python, e ao iterar por uma string, na verdade estamos iterando pelos code points dela. Por isso há esta diferença, caso a string esteja em NFD.
E como não foi especificado de onde vêm as strings, esta é uma situação que pode acontecer, pois os dados podem vir de um arquivo, requisição HTTP, o usuário copiou e colou de algum lugar que estava em NFD (mas como é renderizado da mesma forma, não percebeu a diferença), etc. Ou seja, isso pode acontecer sem você se dar conta (como aconteceu, por exemplo, nesta pergunta).
Como resolver?
Para textos simples - especialmente se estiverem em português - bastaria normalizar para NFC:
from unicodedata import normalize
print(list(normalize('NFC', 'pá')))
Assim eu garanto que, mesmo que a string esteja em NFD, os caracteres "a sem acento" e "acento" serão "juntados" em um só (o "á").
Vale lembrar que isso não fica restrito à língua portuguesa e também funciona para outros tipos de "caracteres":
# sim, um emoji direto no código (emojis também tem code points definidos pelo Unicode, então funciona da mesma forma)
print(list(normalize('NFC', '💩堆積'))) # ['💩', '堆', '積']
Mas nem sempre isso funciona, claro. Nem todos os caracteres do mundo possuem um correspondente em NFC, e nem sempre a normalização para NFC produzirá um único code point. Ex:
from unicodedata import normalize
s = 'ẛ̣'
# mesmo normalizando em NFC, ainda resulta em dois code points
print(list(normalize('NFC', s))) # ['ẛ', '̣']
Ou ainda:
# emoji de família
s = ''.join(map(chr, [0x1f468, 0x200d, 0x1f469, 0x200d, 0x1f467, 0x200d, 0x1f467]))
print(s) # se seu browser for compatível, mostrará a família 👨👩👧👧
print(list(normalize('NFC', s))) # ['👨', '\u200d', '👩', '\u200d', '👧', '\u200d', '👧']
Emojis de família são na verdade formados por vários emojis diferentes, unidos por um Zero Width Joiner (o \u200d
mostrado acima). Então mesmo se normalizarmos para NFC, ainda sim a lista resultante terá os code points separados.
E isso não se aplica somente a emojis, existem caracteres de outros alfabetos que possuem a mesma característica (são formados por mais de um code point, e mesmo normalizando para NFC, continuam com mais de um):
print(list(normalize('NFC', 'नु'))) # ['न', 'ु']
Esse conjunto de code points que juntos formam "uma coisa só" são chamados de Grapheme Clusters. Caso o objetivo seja ter uma lista de Grapheme Clusters (já que os code points destes, separadamente, não têm exatamente o mesmo significado), não há uma forma direta de fazer, e o jeito é recorrer a bibliotecas externas.
Um exemplo é o módulo grapheme
:
# Atenção: módulo não-nativo - Instale em https://pypi.org/project/grapheme/
from grapheme import graphemes
def to_list(s):
return list(graphemes(s))
# emoji de família
s = ''.join(map(chr, [0x1f468, 0x200d, 0x1f469, 0x200d, 0x1f467, 0x200d, 0x1f467]))
print(to_list(s)) # ['👨\u200d👩\u200d👧\u200d👧']
print(to_list('नु')) # ['नु']
A diferença, claro, é que nem sempre os elementos da lista terão apenas um code point. Mas isso é porque, graças a todas as possibilidades que o Unicode nos traz, a definição de "caractere" passou a ser mais complexa. Um emoji é um caractere (no sentido de ser "um único símbolo mostrado na tela, que possui significado próprio")? E o á
em NFD, apesar de ter dois code points, é mostrado como um único caractere, então será aceitável ter mais de um code point em cada elemento da lista? Ou eu quero uma lista na qual cada elemento é um code point, independente da normalização?
Para uma discussão mais aprofundada, visite o link já citado, mas de qualquer forma, a solução "correta" depende do que você precisa (se seu texto não terá grapheme clusters, por exemplo, não precisaria se preocupar com esta última parte, bastando normalizar para NFC - cada caso é um caso).
list(a)
->['c', 'a', 'r', 'r', 'o']