Python Language
Unicode y bytes

Sintaxis

• str.encode (codificación, errores = 'estricto')
• bytes.decode (codificación, errores = 'estricto')
• abierto (nombre de archivo, modo, codificación = Ninguno)

Parámetros

Lo esencial

En Python 3, str es el tipo para cadenas habilitadas para Unicode, mientras que bytes es el tipo para secuencias de bytes sin procesar.

type("f") == type(u"f")  # True, <class 'str'>
type(b"f")               # <class 'bytes'>

En Python 2, una cadena casual era una secuencia de bytes sin procesar por defecto y la cadena Unicode era cada cadena con el prefijo "u".

type("f") == type(b"f")  # True, <type 'str'>
type(u"f")               # <type 'unicode'>

Unicode a bytes

Las cadenas Unicode se pueden convertir a bytes con .encode(encoding) .

Python 3

>>> "£13.55".encode('utf8')
b'\xc2\xa313.55'
>>> "£13.55".encode('utf16')
b'\xff\xfe\xa3\x001\x003\x00.\x005\x005\x00'

Python 2

en py2, la codificación de la consola predeterminada es sys.getdefaultencoding() == 'ascii' y no utf-8 como en py3, por lo tanto, imprimirla como en el ejemplo anterior no es directamente posible.

>>> print type(u"£13.55".encode('utf8'))
<type 'str'>
>>> print u"£13.55".encode('utf8')
SyntaxError: Non-ASCII character '\xc2' in...

# with encoding set inside a file

# -*- coding: utf-8 -*-
>>> print u"£13.55".encode('utf8')
£13.55

>>> "£13.55".encode('ascii')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'ascii' codec can't encode character '\xa3' in position 0: ordinal not in range(128)

Bytes a Unicode

Los bytes se pueden convertir en cadenas Unicode con .decode(encoding) .

¡Una secuencia de bytes solo se puede convertir en una cadena Unicode a través de la codificación apropiada!

>>> b'\xc2\xa313.55'.decode('utf8')
'£13.55'

Si la codificación no puede manejar la cadena, se UnicodeDecodeError un UnicodeDecodeError :

>>> b'\xc2\xa313.55'.decode('utf16')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/Users/csaftoiu/csaftoiu-github/yahoo-groups-backup/.virtualenv/bin/../lib/python3.5/encodings/utf_16.py", line 16, in decode
    return codecs.utf_16_decode(input, errors, True)
UnicodeDecodeError: 'utf-16-le' codec can't decode byte 0x35 in position 6: truncated data

Codificación / decodificación de manejo de errores.

.encode y .decode tienen modos de error.

El valor predeterminado es 'strict' , que genera excepciones en caso de error. Otros modos son más indulgentes.

Codificación

>>> "£13.55".encode('ascii', errors='replace')
b'?13.55'
>>> "£13.55".encode('ascii', errors='ignore')
b'13.55'
>>> "£13.55".encode('ascii', errors='namereplace')
b'\\N{POUND SIGN}13.55'
>>> "£13.55".encode('ascii', errors='xmlcharrefreplace')
b'£13.55'
>>> "£13.55".encode('ascii', errors='backslashreplace')
b'\\xa313.55'

Descodificación

>>> b = "£13.55".encode('utf8')
>>> b.decode('ascii', errors='replace')
'��13.55'
>>> b.decode('ascii', errors='ignore')
'13.55'
>>> b.decode('ascii', errors='backslashreplace')
'\\xc2\\xa313.55'

Moral

De lo anterior se desprende claramente que es vital mantener sus codificaciones rectas cuando se trata de unicode y bytes.

Archivo I / O

Los archivos abiertos en un modo no binario (por ejemplo, 'r' o 'w' ) tratan con cadenas. La codificación sordera es 'utf8' .

open(fn, mode='r')                    # opens file for reading in utf8
open(fn, mode='r', encoding='utf16')  # opens file for reading utf16

# ERROR: cannot write bytes when a string is expected:
open("foo.txt", "w").write(b"foo")

Los archivos abiertos en modo binario (por ejemplo, 'rb' o 'wb' ) tratan con bytes. No se puede especificar ningún argumento de codificación ya que no hay codificación.

open(fn, mode='wb')  # open file for writing bytes

# ERROR: cannot write string when bytes is expected:
open(fn, mode='wb').write("hi")