由于语音识别结果或者爬虫结果等等文本的格式不统一，为了后续的抽取或比对，常常需要规范一些内容的呈现格式，例如数字统一转化为阿拉伯数字。
英文和阿拉伯数字的转换比较简单，在 Leetcode 上都有，这里只分享一下中文正整数的转换方法，免得每次使用都重新写一遍。
数字转中文，限定是日常通用领域，比如 10 就转换为十，不是会计领域的壹拾零元，后者其实简单很多，直接一位一位处理就行。前者倒也不难，大体上是四位一组递归处理。
def num_to_zh(num):
digits = '零一二三四五六七八九'
scales = [(1, '十'), (2, '百'), (3, '千'), (4, '万'), (8, '亿'), (16, 'X')]
def words(n):
if n < 10:
return [digits[n]] if n > 0 else []
for i, (p, w) in enumerate(scales[:-1]):
if n < 10 ** (scales[i+1][0]):
denom = 10 ** p
zero_fill = '零' if i > 0 and 0 < n%denom < denom//10 else ''
return words(n//denom) + [w] + [zero_fill] + words(n%denom)
raise ValueError('输入无法解析')
return ''.join(words(num)) or '零'
中文转数字，同上，只是增加了对“两”的处理，例如两百零二可转为202。与前一函数不同，这里没有递归，而是用栈的思想。代码写得有点糙，有空可以重构下，目前测试没发现什么错误，不过也不能保证没有漏掉边角用例。
中文的麻烦主要是量级的组合和管辖范围，例如一万零五亿零一万，应该是 一万零五 * 一亿 + 一万，而不是 一万 + 五亿 + 一万。解决了这种样例，其他的应该问题不大了。
def zh_to_num(s):
digits = {k:i for i,k in enumerate('零一二三四五六七八九')}
digits['两'] = 2
scales = {k:i for i,k in [(1, '十'), (2, '百'), (3, '千'), (4, '万'), (8, '亿')]}
res = []
for c in s:
if c in digits:
d = digits[c]
if d > 0:
res.append(d)
else: pass
elif c in scales:
d = 10 ** scales[c]
if scales[c] % 4 == 0:
if res and res[-1] < d:
p = 0
while res and res[-1] < d:
p += res.pop()
res.append(p * d)
else:
res.append(d)
else:
if res:
p = res.pop()
if p < d:
res.append(p * d)
else:
res.append(p + d)
else:
res.append(d)
else:
raise ValueError('输入无法解析')
return sum(res)
最后补充一下，中文的数量级的基数，据中国物理学会的大小数命名法，日常使用的万、亿级别之上，大数还有兆（mega）、京（giga）、垓（tera，读gai1）、秭（peta，读zi3）、穰（exa，读rang2）；小数还有微（micro）、纤（nano，感觉用“纳”的更常见）、沙（pico）、尘（femto）、渺（atto）。以上都是依次递增或递减 1000 倍。