Python中的文字对象
Python 3.x中处理文字的对象有str, bytes, bytearray。
- bytes和bytearray可以使用除了用作格式化的方法(format, format_map)以及几个特殊的基于Unicode的方法(casefold, isdecimal, isidentifier, isnumeric, isprintable, encode)以外几乎所有str的方法。
- bytes有一个类方法，可以通过序列来构建字符串，而这个方法不可以用在str上。
>>> b = bytes.fromhex('E4 B8 AD')
>>> b
b'xe4xb8xad'
>>> b.decode('utf-8')
'中'
>>> str(b)
"b'\xe4\xb8\xad'"
Unicode和字符转换
采用chr可以把一个Unicode的code point转换为字符，通过ord可以进行反向操作。
>>> ord('A')
65
>>> ord('中')
20013
>>> chr(65)
'A'
>>> chr(20013)
'中'
len函数计算的是字符数，不是字节数
>>> len('中')
1
>>> '中'.encode('utf-8')
b'xe4xb8xad'
>>> len('中'.encode('utf-8')) #计算的是bytes对象的长度，包含3个整数字符
3
Python与编码
Python内部处理编码的方式
在Python接受我们的输入时，总是会先转为Unicode。而且这个过程越早越好。
然后Python的处理总是对Unicode进行的，在这个过程中，一定不要进行编码转换的工作。
在Python向我们返回结果时，总是会从Unicode转为我们需要的编码。而且这个过程越晚越好。
Python源码的编码方式
Python默认使用utf-8编码。
如果想使用一种不同的编码方式来保存Python代码，我们可以在每个文件的第一行或者第二行(如果第一行被hash-bang命令占用了)放置编码声明(encoding declaration)
# ‐*‐ coding: windows‐1252 ‐*‐
Python中使用的编码
C:UsersJL>chcp #查找操作系统使用的编码
Active code page: 936
>>> import sys, locale
>>> locale.getpreferredencoding() #这个是最重要的
'cp936'
>>> my_file = open('cafe.txt','r')
>>> type(my_file)
<class '_io.TextIOWrapper'>
>>> my_file.encoding #文件对象默认使用locale.getpreferreddecoding()的值
'cp936'
>>> sys.stdout.isatty(), sys.stdin.isatty(), sys.stderr.isatty() #output是否是控制台console
(True, True, True)
>>> sys.stdout.encoding, sys.stdin.encoding, sys.stderr.encoding #sys的标准控制流如果被重定向，或者定向到文件，那么编码将使用环境变量PYTHONIOENCODING的值、控制台console的编码、或者locale.getpreferredencoding()的编码，优先级依次减弱。
('cp936', 'cp936', 'cp936')
>>> sys.getdefaultencoding() #如果Python需要把二进制数据转为字符对象，那么在缺省情况下使用该值。
'utf-8'
>>> sys.getfilesystemencoding() #Python用来编码或者解码文件名(不是文件内容)的时候，默认使用该编码。
'mbcs'
以上是在Windows中的测试结果，如果在GNU/Linux或者OSX中，那么所有的结果都是UTF-8.
关于mbcs和utf-8的区别，可以参考http://stackoverflow.com/questions/3298569/difference-between-mbcs-and-utf-8-on-windows
文件读写的编码
>>> pen('cafe.txt','w',encoding='utf-8').write('café')
4
>>> fp = open('cafe.txt','r')
>>> fp.read()
'caf茅'
>>> fp.encoding
'cp936'
>>> open('cafe.txt','r', encoding = 'cp936').read()
'caf茅'
>>> open('cafe.txt','r', encoding = 'latin1').read()
'café'
>>> fp = open('cafe.txt','r', encoding = 'utf-8')
>>> fp.encoding
'utf-8'
从上面的例子可以看出，无论什么时候都不要使用默认的编码，因为在不同的机器上运行的时候会出现意想不到的问题。
Python如何处理来自Unicode的麻烦
Python总是通过code point来比较字符串的大小，或者是否相等的。
- Unicode中重音符号有两种表示方法，用一个字节表示，或者用基字母加上重音符号表示，在Unicode中他们是相等的，但是在Python中由于通过code point来比较大小，所以就不相等了。
>>> c1 = 'cafeu0301'
>>> c2 = 'café'
>>> c1 == c2
False
>>> len(c1), len(c2)
(5, 4)
解决方法是通过unicodedata库中的normalize函数，该函数的第一个参数可以接受"NFC",'NFD','NFKC','NFKD'四个参数中的一个。
NFC(Normalization Form Canonical Composition)：以标准等价方式来分解，然后以标准等价重组之。若是singleton的话，重组结果有可能和分解前不同。尽可能的缩短整个字符串的长度，所以会把'eu0301'2个字节压缩到一个字节'é'。
NFD(Normalization Form Canonical Decomposition)：以标准等价方式来分解
NFKD(Normalization Form Compatibility Decomposition)：以相容等价方式来分解
NFKC(Normalization Form Compatibility Composition)：以相容等价方式来分解，然后以标准等价重组之。
NFKC和NFKD可能会引起数据损失。
from unicodedata import normalize
>>> c3 = normalize('NFC',c1) #把c1往字符串长度缩短的方向操作
>>> len(c3)
4
>>> c3 == c2
True
>>> c4 = normalize('NFD',c2)
>>> len(c4)
5
>>> c4 == c1
True
西方的键盘通常会键入尽可能短的字符串，也就是说和"NFC"的结果一致，但是通过"NFC"来操作一下再比较字符串是否相等比较安全。且W3C建议使用"NFC"的结果。
- 同样的一个字符在Unicode中有两个不同的编码。
该函数会把一个单一的Unicode字符转为另一个Unicode字符。
>>> o1 = 'u2126'
>>> o2 = 'u03a9'
>>> o1, o2
('Ω', 'Ω')
>>> o1 == o2
False
>>> name(o1), name(o2)
('OHM SIGN', 'GREEK CAPITAL LETTER OMEGA')
>>> o3 = normalize('NFC',o1)
>>> name(o3)
'GREEK CAPITAL LETTER OMEGA'
>>> o3 == o2
True
又比如
>>> u1 = 'u00b5'
>>> u2 = 'u03bc'
>>> u1,u2
('µ', 'μ')
>>> name(u1), name(u2)
('MICRO SIGN', 'GREEK SMALL LETTER MU')
>>> u3 = normalize('NFKD',u1)
>>> name(u3)
'GREEK SMALL LETTER MU'
再一个例子
>>> h1 = 'u00bd'
>>> h2 = normalize('NFKC',h1)
>>> h1, h2
('½', '1⁄2')
>>> len(h1), len(h2)
(1, 3)
-
有时候我们希望使用不区分大小写的形式进行比较
使用方法str.casefold()，该方法会把大写字母转换为小写进行比较，比如'A'会转为'a'，'MICRO SIGN'的'µ'会转换为'GREEK SMALL LETTER MU'的'µ'
在绝大部分(98.9%)情况下str.casefold()和str.lower()的结果一致。 -
文字排序
由于不同的语言规则，如果单纯按照Python的比较code point的方式进行，那么会出现很多不是用户期望的结果。
通常采用locale.strxfrm进行排序。
>>> import locale
>>> locale.setlocale(locale.LC_COLLATE,'pt_BR.UTF-8')
'pt_BR.UTF-8'
>>> sort_result = sorted(intial, key = locale.strxfrm)
编码解码错误
如果是Python源码中出现了解码错误，那么会产生SyntaxError异常。
其他情况下，如果发现编码解码错误，那么会产生UnicodeEncodeError, UnicodeDecodeError异常。
几个摘自fluent python中的有用方法
from unicodedata import normalize, combining
def nfc_equal(s1, s2):
'''return True if string s1 is eual to string s2 after normalization under "NFC" '''
return normalize("NFC",s1) == normalize("NFC",s2)
def fold_equal(s1, s2):
'''return True if string s1 is eual to string s2 after normalization under "NFC" and casefold()'''
return normalize('NFC',s1).casefold() == normalize('NFC',s2).casefold()
def shave_marks(txt):
'''Remove all diacritic marks
basically it only need to change Latin text to pure ASCII, but this func will change Greek letters also
below shave_latin_marks func is more precise'''
normal_txt = normalize('NFD',txt)
shaved = ''.join(c for c in normal_txt if not combining(c))
return normalize('NFC',shaved)
def shave_latin_marks(txt):
'''Remove all diacritic marks from Latin base characters'''
normal_txt = normalize('NFD',txt)
keeping = []
latin_base=False
for c in normal_txt:
if combining(c) and latin_base:
continue #Ingore diacritic marks on Latin base char
keeping.append(c)
#If it's not combining char, it should be a new base char
if not combining(c):
latin_base = c in string.ascii_letters
编码探嗅Chardet
这是Python的标准模块。
参考资料：