Python Language
Unicode en bytes

Syntaxis

• str.encode (codering, fouten = 'streng')
• bytes.decode (codering, fouten = 'streng')
• open (bestandsnaam, modus, codering = Geen)

parameters

Basics

In Python is 3 str het type voor tekenreeksen waarvoor Unicode is ingeschakeld, terwijl bytes het type is voor reeksen onbewerkte bytes.

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

In Python 2 was een losse string standaard een reeks onbewerkte bytes en de unicode-string was elke string met "u" -voorvoegsel.

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

Unicode naar bytes

Unicode-tekenreeksen kunnen worden geconverteerd naar bytes met .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 is de standaardconsolecodering sys.getdefaultencoding() == 'ascii' en niet utf-8 zoals in py3, daarom is afdrukken zoals in het vorige voorbeeld niet direct mogelijk.

>>> 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 naar Unicode

Bytes kunnen worden geconverteerd naar Unicode-tekenreeksen met .decode(encoding) .

Een reeks bytes kan alleen worden omgezet in een Unicode-reeks via de juiste codering!

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

Als de codering de tekenreeks niet aankan, wordt een UnicodeDecodeError opgewekt:

>>> 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

Encoding / decoding error handling

.encode en .decode beide .decode .

De standaardwaarde is 'strict' , wat uitzonderingen op fouten met zich meebrengt. Andere modi zijn meer vergevingsgezind.

codering

>>> "£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'

decoderen

>>> 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'

Moreel

Uit het bovenstaande is duidelijk dat het van vitaal belang is om uw coderingen recht te houden bij het omgaan met unicode en bytes.

Bestand I / O

Bestanden die in een niet-binaire modus worden geopend (bijvoorbeeld 'r' of 'w' ) behandelen strings. De doveult codering is '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")

Bestanden die zijn geopend in een binaire modus (bijvoorbeeld 'rb' of 'wb' ) verwerken bytes. Er kan geen coderingsargument worden opgegeven, omdat er geen codering is.

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

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