Python Language
Unicode e byte

Sintassi

• str.encode (encoding, errors = 'strict')
• bytes.decode (encoding, errors = 'strict')
• open (nomefile, modo, codifica = Nessuno)

Parametri

Nozioni di base

In Python 3 str è il tipo per le stringhe abilitate per Unicode, mentre i bytes è il tipo per le sequenze di byte non elaborati.

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

In Python 2 una stringa casuale era una sequenza di byte grezzi per impostazione predefinita e la stringa unicode era ogni stringa con prefisso "u".

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

Unicode in byte

Le stringhe Unicode possono essere convertite in byte 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

in py2 la codifica della console predefinita è sys.getdefaultencoding() == 'ascii' e non utf-8 come in py3, quindi la stampa come nell'esempio precedente non è direttamente possibile.

>>> 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)

Byte per unicode

I byte possono essere convertiti in stringhe unicode con .decode(encoding) .

Una sequenza di byte può essere convertita in una stringa unicode solo tramite la codifica appropriata!

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

Se la codifica non è in grado di gestire la stringa, viene generato 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

Gestione degli errori di codifica / decodifica

.encode e .decode hanno entrambi modalità di errore.

L'impostazione predefinita è 'strict' , che solleva eccezioni in caso di errore. Altre modalità sono più indulgenti.

Codifica

>>> "£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'

decodifica

>>> 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'

Morale

Da quanto sopra è chiaro che è fondamentale mantenere le codifiche corrette quando si ha a che fare con unicode e byte.

File I / O

I file aperti in modalità non binaria (es. 'r' o 'w' ) gestiscono le stringhe. La codifica sorda è '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")

I file aperti in modalità binaria (ad esempio 'rb' o 'wb' ) gestiscono i byte. Nessun argomento di codifica può essere specificato in quanto non esiste alcuna codifica.

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

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