python - 用于 u""文字的编码

Question

考虑下一个例子:

>>> s = u"баба"
>>> s
u'\xe1\xe0\xe1\xe0'
>>> print s
áàáà

我在空闲时使用 cp1251 编码，但看起来解释器实际上使用 latin1 来创建 unicode 字符串:

>>> print s.encode('latin1')
баба

为什么会这样？是否有针对此类行为的规范？

CPython，2.7。

---

编辑

我真正要找的代码是

>>> u'\xe1\xe0\xe1\xe0' == u'\u00e1\u00e0\u00e1\u00e0'
True

似乎在使用 latin1 编解码器编码 unicode 时，所有小于 256 的 unicode 点都被简单地保留下来，从而导致我之前输入的字节。

Answer 1

当你在终端输入б这样的字符时，你看到的是б，但真正输入的是一个字节序列。

由于您的终端编码是 cp1251，因此键入 баба 会导致字节序列等于在 cp1251 中编码的 unicode баба :

In [219]: "баба".decode('utf-8').encode('cp1251')
Out[219]: '\xe1\xe0\xe1\xe0'

(注意我在上面使用了utf-8，因为我的终端编码是utf-8，而不是cp1251。对我来说， "баба".decode('utf-8') 只是 баба 的 unicode。)

由于键入 баба 会产生字节序列 \xe1\xe0\xe1\xe0，当您键入 u"баба" 时终端，Python 接收 u'\xe1\xe0\xe1\xe0' 代替。这就是你看到的原因

>>> s
u'\xe1\xe0\xe1\xe0'

这个unicode正好代表áàáà。

当你打字的时候

>>> print s.encode('latin1')

latin1 编码将 u'\xe1\xe0\xe1\xe0' 转换为 '\xe1\xe0\xe1\xe0' .终端接收字节序列'\xe1\xe0\xe1\xe0'，用cp1251解码，打印баба:

In [222]: print('\xe1\xe0\xe1\xe0'.decode('cp1251'))
баба

尝试:

>>> s = "баба"

(没有 u)代替。或者，

>>> s = "баба".decode('cp1251')

制作s unicode。或者，使用冗长但非常明确(和终端编码不可知论):

>>> s = u'\N{CYRILLIC SMALL LETTER BE}\N{CYRILLIC SMALL LETTER A}\N{CYRILLIC SMALL LETTER BE}\N{CYRILLIC SMALL LETTER A}'

或者简短但不太容易理解

>>> s = u'\u0431\u0430\u0431\u0430'