Desarrollo de Python
  1. Desarrollo de Python
  3. Convertir UTF-8 a cadenas literales en Python
Intereting Posts
Lectura * .mhd / *. Formato sin formato en python Intervalo de intervalos de Python Mongodb: ¿son aún importantes los problemas de fiabilidad? Rellene la lista bidimensional con valores en lugar de inicializarla primero con ceros Descargue a S3 con Python utilizando las credenciales de rol de IAM Diferentes instancias de clase usan la misma ubicación de memoria La sesión de Django no funciona en Firefox Operación en cada par de elementos en una lista En Python, ¿cuál es el algoritmo más rápido para eliminar duplicados de una lista para que todos los elementos sean únicos * al tiempo que se conserva el orden *? PyTables + Pandas Select Problems Tensorflow v1.10 + ¿por qué se necesita una función de receptor de entrada cuando los puntos de control se realizan sin ella? Matplotlib bar3d variable alfa ¿Cuál es la diferencia entre “rango (0,2)” y “lista (rango (0,2))”? ¿Cómo obtener el texto de wikipedia corpus con puntuación utilizando gensim wikicorpus? módulo de importación de Python desde el paquete principal

Convertir UTF-8 a cadenas literales en Python

Tengo una cadena en formato UTF-8 pero no estoy tan seguro de cómo convertir esta cadena a su literal de carácter correspondiente. Por ejemplo tengo la cadena:

Mi cadena es: 'Entre\xc3\xa9'

Ejemplo uno:

Este código: 

 u'Entre\xc3\xa9'.encode('latin-1').decode('utf-8')

devuelve el resultado: u'Entre\xe9'

Si luego continúo imprimiendo esto: 

 print u'Entre\xe9'

Me sale el resultado: Entreé

Esto es genial y está cerca de lo que necesito. El problema es que no puedo hacer de ‘Entre \ xc3 \ xa9’ una variable y pasarla a través de los pasos ya que esto se rompe. ¿Algún consejo para que esto funcione?

Ejemplo: 

 a = 'Entre\xc3\xa9' b = 'u'+ a.encode('latin-1').decode('utf-8') c= 'u'+ b

Me gustaría que el resultado de “c” fuera: 

 Entreé

La syntax de u'' solo funciona para literales de cadena , por ejemplo, la definición de valores en el código fuente. El uso de la syntax hace que se cree un objeto unicode , pero esa no es la única forma de crear dicho objeto.

No puede crear un valor unicode partir de una cadena de bytes agregando u delante de ella. Pero si llamó a str.decode() con la encoding correcta, obtendrá un valor unicode . A la inversa, puede codificar objetos unicode a cadenas de bytes con unicode.encode() .

Tenga en cuenta que al mostrar un objeto unicode , Python lo representa utilizando la syntax literal de la cadena Unicode nuevamente (por lo que u'...' ), para facilitar la depuración. Puede volver a pegar la representación en un intérprete de Python y obtener un objeto con el mismo valor.

Su valor a se define utilizando un literal de cadena de bytes, por lo que solo necesita descodificar: 

 a = 'Entre\xc3\xa9' b = a.decode('utf8')

Su primer ejemplo creó un Mojibake , una cadena Unicode que contiene puntos de código Latin-1 que en realidad representan UTF-8 bytes. Esta es la razón por la que primero tuvo que codificar a Latin-1 (para deshacer el Mojibake), luego decodificar desde UTF-8.

Es posible que desee leer sobre Python y Unicode en el CÓMO de Unicode . Otros artículos de interés son:

  • El Absoluto Mínimo que todos los desarrolladores de software absolutamente, positivamente deben saber sobre Unicode y conjuntos de caracteres (¡sin excusas!) Por Joel Spolsky

  • Unicode pragmático de Ned Batchelder