NFKCとは？ 全角・半角の表記ゆれをPythonでそろえてみる

初めに

ＡＢＣ と ABC。
ｶﾀｶﾅ と カタカナ。

人が読むと同じ内容ですが、プログラムでは異なる文字列です。そのまま比較すると、検索漏れや重複登録につながることがあります。

こうした文字表現の違いをそろえるときに使えるのが、NFKCです。

1. NFKCは、Unicodeの正規化方式の1つ

NFKC（Normalization Form KC）は、Unicodeで定義されている文字列の正規化方式です。

正式には、互換分解を行った後、正準合成を行う処理です。

たとえば、全角英数字や半角カタカナ、丸付き数字などを、互換性のある文字表現に変換します。

変換前	NFKC適用後
ＡＢＣ１２３	ABC123
ｶﾀｶﾅ	カタカナ
ｶﾞ	ガ
①	1
㍿	株式会社

英数字は半角になり、半角カタカナは全角になります。

つまり、単に「すべて半角にする」処理ではありません。

2. Pythonでは、1行で使える

Pythonの標準ライブラリには、unicodedata.normalize() が用意されています。追加のパッケージは不要です。

import unicodedata

text = "ＡＢＣ１２３ ｶﾀｶﾅ ① ㍿"
normalized = unicodedata.normalize("NFKC", text)

print(normalized)
# ABC123 カタカナ 1 株式会社

文字列を比較する場合は、両方に同じ処理を適用します。

def normalize(text):
    return unicodedata.normalize("NFKC", text)

print(normalize("ＡＢＣ") == normalize("ABC"))
# True

print(normalize("ｶﾞ") == normalize("ガ"))
# True

入力元によって文字の表現が違っていても、正規化した値で照合できます。

3. NFCとの違いは、どこまでそろえるか

Unicodeには、NFCという正規化方式もあります。

たとえば、ガ は1文字でも、カ と結合濁点の組み合わせでも表現できます。NFCは、こうした同じ文字の表現の違いをそろえます。

NFKCはさらに、全角・半角や丸付き数字など、互換性のある文字同士の違いもそろえます。

入力	NFC	NFKC
Ａ	Ａ	A
①	①	1
ｶﾞ	ｶﾞ	ガ

表記ゆれを吸収したい場面では、NFKCが役立ちます。

4. ただし、元の表記は残しておく

NFKCでは、① と 1 のような区別も失われます。変換後の文字列だけでは、元の表記に戻せません。

実装では、次のように分けると扱いやすいです。

• 表示・保存用：元の文字列
• 検索・比較用：NFKCで正規化した文字列

検索や重複チェックには便利ですが、記号や書式の違いに意味がある文章では、適用範囲を決めて使うのがよいです。