python2 における unicode に関して質問です。
u'-' と u'\u2013' の違いは何でしょうか。(2013 は - のコードポイントだと思います)
print u'-' #=> -
print u'\u2013' #=> -
u'-' == u'\u2013' #=> False
utf-8 にエンコードしてみると別の文字であることが分かります。
>>> u'-'.encode('utf-8')
b'-'
>>> u'\u2013'.encode('utf-8')
b'\xe2\x80\x93'
また、Unicodeとしてどんな文字なのかを知る方法があります。
>>> import unicodedata
>>> unicodedata.name(u'-')
'HYPHEN-MINUS'
>>> unicodedata.name(u'\u2013')
'EN DASH'
u'-'
はコードポイント 0x002D
の文字で、普通にキーボードで入力できるハイフン・マイナス記号です。ASCII コードの 0x2D
に対応する文字です。
u'\u2013'
は、見ての通り、コードポイント 0x2013
の文字で、en ダッシュと呼ばれるものです。具体的な用途はよく知らないのですが、Wikipedia のダッシュ (記号)の項によると
- 区間や範囲を表す。
たとえば10-20と書かれていた場合、これがenダッシュ (10–20) なら「10から20まで」である。これに対してハイフン (10‐20) なら「10の20」、マイナス (10−20)なら「10引く20」である
だそうです。
"%x" % ord(u"-")
あるいは、"{0:x}".format(ord(u"-"))
で文字コードを16進で確認出来ます。参考まで。hex(ord(u"-")) #=> '0x2d'
も確認できました。