Desarrollo de Python
  1. Desarrollo de Python
  3. ¿Por qué la salida de impresión en python2 y python3 es diferente con la misma cadena?
Intereting Posts
Error de importación de la nariz de Python Encuentra un archivo en python Ocultar el diálogo de línea de comandos en py2exe La sangría automática no funciona cuando se usa vim encoding python pylint 1.4 informa E1101 (no miembro) en todas las extensiones C ¿Ajuste de curva a una serie de tiempo en el formato ‘datetime’? TypeError al intentar subir imágenes de Google App Engine a Picasa con la API de GData Pandas: diagtwig de barras de frecuencia xtick problema con pickle y tkinter Extraer texto entre comentarios HTML con BeautifulSoup La advertencia de error de tipo de excepción a veces se muestra, a veces no cuando se utiliza el método de generación de tiro Instalación de Python Pythonpath Modules Eliminar pequeñas islas espurias de ruido en una imagen – Python OpenCV Uso de Python Logging con AWS Lambda Cómo lanzar objetos en Python

¿Por qué la salida de impresión en python2 y python3 es diferente con la misma cadena?

En python2: 

$ python2 -c 'print "\x08\x04\x87\x18"' | hexdump -C 00000000 08 04 87 18 0a |.....| 00000005

En python3: 

 $ python3 -c 'print("\x08\x04\x87\x18")' | hexdump -C 00000000 08 04 c2 87 18 0a |......| 00000006

¿Por qué tiene el byte "\xc2" aquí?

Editar :

Creo que cuando la cadena tiene un carácter que no es ASCII, Python3 agregará el byte "\xc2" a la cadena. (como dijo @Ashraful Islam)

Entonces, ¿cómo puedo evitar esto en python3?

Considere el siguiente fragmento de código: 

 import sys for i in range(128, 256): sys.stdout.write(chr(i))

Ejecute esto con Python 2 y mire el resultado con hexdump -C : 

 00000000 80 81 82 83 84 85 86 87 88 89 8a 8b 8c 8d 8e 8f |................|

Etcétera. No hay sorpresas; 128 bytes de 0x80 a 0xff .

Haz lo mismo con Python 3: 

 00000000 c2 80 c2 81 c2 82 c2 83 c2 84 c2 85 c2 86 c2 87 |................| ... 00000070 c2 b8 c2 b9 c2 ba c2 bb c2 bc c2 bd c2 be c2 bf |................| 00000080 c3 80 c3 81 c3 82 c3 83 c3 84 c3 85 c3 86 c3 87 |................| ... 000000f0 c3 b8 c3 b9 c3 ba c3 bb c3 bc c3 bd c3 be c3 bf |................|

Para resumir:

  • Todo, desde 0x80 hasta 0xbf tiene 0xc2 .
  • Todo, desde 0xc0 hasta 0xff tiene el bit 6 establecido en cero y tiene 0xc3 .

Entonces, ¿qué está pasando aquí?

En Python 2, las cadenas son ASCII y no se realiza ninguna conversión. Dígale que escriba algo fuera del rango 0-127 ASCII, dice “¡okey-doke!” Y simplemente escribe esos bytes. Sencillo.

En Python 3, las cadenas son Unicode . Cuando se escriben caracteres que no son ASCII, deben codificarse de alguna manera. La encoding predeterminada es UTF-8.

Entonces, ¿cómo se codifican estos valores en UTF-8?

Los puntos de código de 0x80 a 0x7ff se codifican de la siguiente manera: 

 110vvvvv 10vvvvvv

Donde los caracteres de 11 v son los bits del punto de código.

Así: 

 0x80 hex 1000 0000 8-bit binary 000 1000 0000 11-bit binary 00010 000000 divide into vvvvv vvvvvv 11000010 10000000 resulting UTF-8 octets in binary 0xc2 0x80 resulting UTF-8 octets in hex 0xc0 hex 1100 0000 8-bit binary 000 1100 0000 11-bit binary 00011 000000 divide into vvvvv vvvvvv 11000011 10000000 resulting UTF-8 octets in binary 0xc3 0x80 resulting UTF-8 octets in hex

Entonces es por eso que c2 un c2 antes del 87 .

¿Cómo evitar todo esto en Python 3? Utilice el tipo de bytes .

El tipo de cadena predeterminado de Python 2 es cadenas de bytes. Las cadenas de bytes se escriben "abc" mientras que las cadenas de Unicode se escriben u"abc" .

El tipo de cadena predeterminado de Python 3 es las cadenas Unicode. Las cadenas de bytes se escriben como b"abc" mientras que las cadenas de Unicode se escriben "abc" ( u"abc" también funciona). ya que hay millones de caracteres Unicode, imprimirlos como bytes requiere una encoding ( UTF-8 en su caso) que requiere múltiples bytes por punto de código.

Primero use una cadena de bytes en Python 3 para obtener el mismo tipo de Python 2. Luego, dado que la print Python 3 espera cadenas Unicode, use sys.stdout.buffer.write para escribir en la interfaz stdout sin formato, que espera cadenas de bytes. 

 python3 -c 'import sys; sys.stdout.buffer.write(b"\x08\x04\x87\x18")'

Tenga en cuenta que si escribe en un archivo, hay problemas similares. Para la traducción sin encoding, abra los archivos en modo binario 'wb' y escriba cadenas de bytes.