Python Language
Юникод и байты

Синтаксис

• str.encode (кодирование, errors = 'strict')
• bytes.decode (encoding, errors = 'strict')
• open (имя файла, режим, кодирование = нет)

параметры

основы

В Python 3 str - тип строк с поддержкой unicode, а bytes - это тип для последовательностей необработанных байтов.

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

В Python 2 случайная строка представляла собой последовательность необработанных байтов по умолчанию, а строка юникода - каждая строка с префиксом «u».

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

Юникод в байтах

Строки Unicode могут быть преобразованы в байты с .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

в py2 стандартная консольная кодировка - это sys.getdefaultencoding() == 'ascii' а не utf-8 как в py3, поэтому ее печать, как и в предыдущем примере, напрямую не возможна.

>>> 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)

Байты для unicode

Байты могут быть преобразованы в строки unicode с .decode(encoding) .

Последовательность байтов может быть преобразована только в строку юникода через соответствующую кодировку!

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

Если кодировка не может обрабатывать строку, создается 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

Обработка ошибок кодирования / декодирования

.encode и .decode имеют режим ошибок.

Значение по умолчанию - 'strict' , что приводит к возникновению исключений при ошибке. Другие режимы более прощающие.

кодирование

>>> "£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'

расшифровка

>>> 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'

боевой дух

Из сказанного ясно, что очень важно сохранить ваши кодировки прямо при работе с unicode и байтами.

Файловый ввод-вывод

Файлы, открытые в недвоичном режиме (например, 'r' или 'w' ), обрабатывают строки. Кодировка deafult - '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")

Файлы, открытые в двоичном режиме (например, 'rb' или 'wb' ), обрабатываются байтами. Аргумент кодирования не может быть указан, поскольку кодировка отсутствует.

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

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