python - 在 Python 中读取 "raw"Unicode 字符串

Question

我是 Python 的新手，所以我的问题可能很愚蠢，但即使阅读了很多线程，我也没有找到问题的答案。

我有一个包含 html、xml、latex 和其他文本格式的混合源文档，我试图将其转换为纯 latex 格式。

因此，我使用 python 将不同的命令识别为正则表达式，并用适当的 latex 命令替换它们。到目前为止一切顺利。

现在我只剩下一些“原始类型”的 Unicode 符号，例如希腊字母。不幸的是，用手做这件事几乎是不可能的。因此，我也在寻找一种聪明的方法来做到这一点。有没有办法让 Python 识别/读取它们？以及如何告诉 python 识别/读取例如Pi 写成希腊字母？

我使用的代码的一个最小示例是:

fh = open('SOURCE_DOCUMENT','r')
stuff = fh.read()
fh.close()

new_stuff = re.sub('READ','REPLACE',stuff)
fh = open('LATEX_DOCUMENT','w')
fh.write(new_stuff)
fh.close()

我不确定这是否是重要信息，但我使用的是在 Windows 上运行的 Python 2.6。

如果有人能给我提示，我会很高兴，至少在哪里可以找到相应的信息或者它是如何工作的。或者我是否完全错了，Python 不能做这个工作......

非常感谢。
干杯，
布里塔

Answer 1

你说的是“原始”Unicode 字符串。这意味着什么？ Unicode 本身不是一种编码，但是有不同的编码来存储 Unicode 字符(Joel 阅读 this post)。

open Python 3.0 中的函数采用可选的 encoding 参数，让您指定编码，例如UTF-8(一种非常常见的 Unicode 编码方式)。在 Python 2.x 中，查看 codecs模块，它还提供了一个 open允许指定文件编码的函数。

编辑:或者，为什么不让那些可怜的字符存在，并在顶部指定 LaTeX 文件的编码:

\usepackage[utf8]{inputenc}

(我从未尝试过，但我认为它应该有效。不过，您 may 需要将 utf8 替换为 utf8x)