---
title: "Cos’è la normalizzazione Unicode? NFC e NFKC per i testi LLM"
description: "La normalizzazione Unicode (NFC, NFD, NFKC, NFKD) fa usare gli stessi code point a stringhe equivalenti. Quale forma usare e perché NFKC conta per PDF e OCR arabi."
url: https://broadrouter.com/it/glossary/unicode-normalization/
lang: it
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/unicode-normalization/) (aggiornato il 2026-11-15).

# Normalizzazione Unicode (Unicode normalization)

Aggiornato 2026-11-15

La normalizzazione Unicode converte il testo in una forma standard, così che stringhe che appaiono uguali usino gli stessi code point. Le quattro forme sono NFD, NFC, NFKD e NFKC; le forme K riducono anche i caratteri di compatibilità, come le forme di presentazione arabe e le legature, a lettere ordinarie.

Detto anche: normalizzazione Unicode, forme di normalizzazione, Unicode normalization, NFC, NFKC, NFD, NFKD

Due stringhe possono apparire identiche a schermo e fallire comunque un confronto di uguaglianza. La normalizzazione Unicode è la soluzione.

## Come funziona

UAX #15 definisce quattro forme:

| Forma | Definizione |
| --- | --- |
| NFD | Decomposizione canonica |
| NFC | Decomposizione canonica, poi composizione canonica |
| NFKD | Decomposizione di compatibilità |
| NFKC | Decomposizione di compatibilità, poi composizione canonica |

Gli equivalenti canonici dovrebbero apparire e comportarsi allo stesso modo, nelle parole di MDN. Gli equivalenti di compatibilità “should be treated alike in some — but not necessarily all — applications” (traduzione: dovrebbero essere trattati allo stesso modo in alcune applicazioni, ma non necessariamente in tutte), quindi NFKC e NFKD possono cambiare l’aspetto del testo. `normalize()` di JavaScript usa NFC per impostazione predefinita. Python offre le stesse quattro forme in `unicodedata.normalize(form, s)`, e `unicodedata.is_normalized` per verificare una stringa.

L’arabo mostra entrambi i tipi.

**Canonica.** Lo standard Unicode dice che أ (U+0623) si decompone in ا (U+0627) più U+0654 HAMZA ABOVE. Il testo di alcune tastiere o convertitori arriva nella forma a due caratteri. NFC lo ricompone in U+0623, così il confronto riesce.

**Compatibilità.** Unicode codifica le forme di presentazione arabe, forme contestuali delle lettere e legature, negli intervalli da U+FB50 a U+FDFF e da U+FE70 a U+FEFE, e dice che servono per compatibilità e “should not be used in general interchange” (traduzione: non dovrebbero essere usate nello scambio generale di testo). Compaiono comunque nel testo copiato da vecchi PDF e in alcuni output OCR. NFKC le riduce:

| Input | Code point | Dopo NFKC |
| --- | --- | --- |
| ﻻ | U+FEFB, LAM WITH ALEF ISOLATED FORM | لا (due lettere) |
| ﷲ | U+FDF2, ALLAH ISOLATED FORM | الله (quattro lettere) |
| ﺍ | U+FE8D, ALEF ISOLATED FORM | ا |

```python
import unicodedata
unicodedata.normalize("NFKC", "ﻻ") == "لا"   # True
unicodedata.normalize("NFC", "أ") == "أ"    # True
```

`normalize_unicode` di CAMeL Tools applica NFKC per impostazione predefinita, dopo aver prima mappato due caratteri speciali, il segno del rial U+FDFC e la legatura della Basmala U+FDFD, su normali lettere arabe.

## Perché è importante

-   **Ricerca e RAG.** Un documento estratto da un PDF con forme di presentazione non corrisponderà a una query digitata su una tastiera normale. Applica NFKC a entrambi prima delle regole di [normalizzazione del testo arabo](https://broadrouter.com/it/glossary/arabic-text-normalization/), che presuppongono lettere standard.
-   **Conteggio dei token.** Le forme di presentazione sono code point diversi dalle lettere ordinarie, quindi un [tokenizer](https://broadrouter.com/it/glossary/tokenizer/) può dividere la stessa parola visibile in un numero diverso di token. In UTF-8, ﻻ occupa 3 byte e لا 4. Conta entrambe le versioni nel [contatore di token per l’arabo](https://broadrouter.com/tools/arabic-token-counter/) se il tuo input arriva da PDF.
-   **Validazione.** Normalizza prima di confrontare l’output del modello con il testo sorgente, per esempio quando verifichi che un’entità estratta compaia davvero nel documento.

## Su BroadNet Inference

Il riferimento API di BroadNet non dice se l’input viene normalizzato lato server, quindi normalizza nel tuo codice prima di inviare, indicizzare o confrontare il testo. Per i documenti in arabo, l’[articolo sull’OCR con LLM di visione](https://broadrouter.com/it/blog/arabic-ocr-vision-llm/) e la [guida alle fatture in arabo](https://broadrouter.com/it/guides/read-arabic-invoices-with-vision/) spiegano come leggere le pagine come immagini con modelli come [Gemma 4 VL 26B](https://broadrouter.com/it/models/gemma-4-vl-26b/), evitando i livelli di testo rovinati dei PDF. Applica NFKC a qualunque testo torni indietro prima di confrontarlo.

## Errori comuni

-   Memorizzare testo NFKC per la visualizzazione; conserva gli originali in NFC.
-   Normalizzare i documenti ma non le query.
-   Credere che la normalizzazione rimuova diacritici, tatweel o mark bidi. Non lo fa.

## Domande frequenti

### Devo usare NFC o NFKC?

NFC per memorizzare e mostrare il testo, perché non ne cambia l’aspetto. NFKC per chiavi di ricerca e matching, dove ridurre legature e forme di presentazione è proprio ciò che vuoi. MDN osserva che le forme di compatibilità cambiano l’aspetto visivo.

### La normalizzazione Unicode rimuove i diacritici arabi?

No. I diacritici sono caratteri separati e restano. Rimuoverli è un passaggio distinto della normalizzazione del testo arabo.

### La normalizzazione rimuove i mark bidi invisibili o i caratteri a larghezza zero?

Non i controlli bidi come U+200F o U+2067: passano attraverso NFC e NFKC senza modifiche. Eliminali a parte se rompono il matching.

## Vedi anche

-   [Normalizzazione del testo arabo (Arabic text normalization)](https://broadrouter.com/it/glossary/arabic-text-normalization/) (termine)
-   [Hamza (lettera araba)](https://broadrouter.com/it/glossary/hamza/) (termine)
-   [Tokenizer](https://broadrouter.com/it/glossary/tokenizer/) (termine)
-   [Riconoscimento ottico dei caratteri (OCR)](https://broadrouter.com/it/glossary/ocr/) (termine)
-   [Testo da destra a sinistra (RTL, right-to-left)](https://broadrouter.com/it/glossary/rtl-text/) (termine)
-   [Token](https://broadrouter.com/it/glossary/token/) (termine)
-   [Leggere fatture e scontrini in arabo con un modello vision](https://broadrouter.com/it/guides/read-arabic-invoices-with-vision/) (guida)
-   [Normalizzare il testo arabo per ricerca e RAG: cosa cambiare, cosa no](https://broadrouter.com/it/blog/arabic-text-normalization-search/) (articolo)
-   [OCR arabo o LLM di visione: leggere documenti e fatture in arabo](https://broadrouter.com/it/blog/arabic-ocr-vision-llm/) (articolo)
-   [Token per parola in arabo e in inglese: perché l’arabo costa di più](https://broadrouter.com/it/blog/tokens-per-word-arabic-english/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

[Inizia](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-unicode-normalization&utm_content=page-cta) ·

**Fonti**

-   [Unicode Standard Annex #15, Unicode Normalization Forms (Unicode 18.0) (verificato il 2026-11-15)](https://www.unicode.org/reports/tr15/)
-   [MDN Web Docs, String.prototype.normalize() (verificato il 2026-11-15)](https://developer.mozilla.org/en-US/docs/Web/JavaScript/Reference/Global_Objects/String/normalize)
-   [Documentazione di Python, unicodedata (normalize, is\_normalized) (verificata il 2026-11-15)](https://docs.python.org/3/library/unicodedata.html)
-   [The Unicode Standard 18.0, capitolo 9 Middle East-I, arabo (forme di presentazione) (verificato il 2026-11-15)](https://www.unicode.org/versions/Unicode18.0.0/core-spec/chapter-9/)
-   [Codice sorgente di CAMeL Tools, normalize.py (normalize\_unicode) (verificato il 2026-11-15)](https://raw.githubusercontent.com/CAMeL-Lab/camel_tools/master/camel_tools/utils/normalize.py)
